Précision de la prévision des indices de bases et sectoriels Standard and Poor's de la bourse de Toronto et indicateurs du cycle économique du Canada
Bibliographic record
Abstract
Ce mémoire propose dans un premier temps, d’analyser la corrélation entre les indicateurs du cycle économique canadien et la volatilité réalisée des indices boursiers de la bourse de Toronto. Il vise ensuit à utiliser les modèles Ridge, Lasso, Elastic Net et Random Forest pour sélectionner les indicateurs les plus importants pour prévoir cette volatilité. Il évalue enfin les performances prédictives de ces modèles avec de nouvelles données. Nous avons utilisé pour nos travaux des données mensuelles des indicateurs du cycle économique canadien et américain sur la période allant de janvier 1988 à décembre 2023. La volatilité réalisée de chaque indice boursier a été calculée à partie de leurs prix à la clôture journalière sur également la période allant du 1er janvier 1988 au 31 décembre 2023. Les résultats montrent l’existence d’une corrélation entre la volatilité réalisée de chaque indice boursier et la fluctuation des indicateurs du cycle économique canadien. Ils suggèrent également que certains indicateurs du cycle économique canadien sont importants pour prévoir leurs volatilités réalisées suit à l’estimation des modèles Ridge, Lasso, Elastic Net et Random Forest. Ils indiquent enfin, que les quatre modèles ont des performances prédictivies significatives avec de nouvelles données pour prévoir la volatilité réalisée des différents indices boursiers. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : indice boursier principal, indice boursier sectoriel, indicateurs du cycle économique, modèle Lasso, Ridge, Elastic Net, Random Forest, Canada, États-Unis
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".