Bibliographic record
Abstract
Le but de cette étude est de comparer les performances des modèles à facteurs avec celles d'une marche aléatoire et d'un modèle ARMA(1,1) dans la prévision mensuelle et trimestrielle du taux de change CAD/USD. L'approche retenue est celle de Stock et Watson (2002). Pour ce faire, nous utilisons trois grands ensembles d'information : des données macroéconomiques américaines, des données financières américaines et des données canadiennes, soit un total de 406 variables. La période considérée s'étend de janvier 1976 à décembre 2011. Les prévisions mensuelles sont effectuées 1, 3, 6, 12, 18 et 24 mois à l'avance et celles qui sont trimestrielles 1, 2, 4, 6, 8 et 10 trimestres à l'avance. Les résultats obtenus ne s'éloignent pas de ceux trouvés dans la littérature, à savoir que le meilleur modèle en matière d'erreur quadratique moyenne et d'erreur absolue moyenne dépend de la fréquence des données et de l'horizon de prévision. Nous notons que la marche aléatoire garde sa réputation intacte, celle d'un modèle qui fait mieux que les modèles économiques dans la prévision du taux de change. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Modèles à facteurs, composantes principales, indices de diffusion, marche aléatoire, taux de change.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".