Une analyse multivariée de la longue mémoire et des changements de régime de Markov dans les rendements boursiers
Bibliographic record
Abstract
La littérature existante sur la façon d'estimer et d'anticiper les rendements boursiers est très diversifiée. En effet, de nombreux auteurs estiment que les modèles linéaires tels que les processus de longue mémoire expliquent mieux les fluctuations sur les marchés boursiers. D'autres estiment plutôt que les modèles non linéaires sont plus adaptés, car les fluctuations sont plutôt déterminées par des chocs structurels. Ainsi un modèle non linéaire tel que celui faisant usage des changements de régimes de Markov serait préférable Notre étude qui est une application empirique des travaux de Haldrup et al (2010), cherche à estimer simultanément ces aspects linéaires et non linéaires, pour les rendements des indices boursiers de Londres (FTSE100), New York (S&P500), Tokyo (NIKKEI225) et Toronto (SPTSX). S'effectuant sur une période de 1984-2010, elle considérera également l'intérêt marginal que pourrait apporter une spécification multivariée plutôt qu'univariée à la prévision des rendements. L'estimation des paramètres de longue mémoire et des changements de régimes de Markov dans les rendements boursiers, confirme les conclusions de nos prédécesseurs. Cependant, suite à la réalisation des prévisions, nous obtiendrons que les modèles Vecteur Autorégressif avec changement de régime de Markov présentent de meilleures propriétés en terme de prévision que les modèles Vecteur Autorégressif avec Longue Mémoire et ceux avec Vecteur Autorégressif avec Changement de Régime de Markov et Longue Mémoire.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".