Liens de rendement et de volatilité entre les métaux et les marchés boursiers : Implications pour la gestion de portefeuille
Bibliographic record
Abstract
Cette thèse se compose de trois études empiriques (chapitre 2, chapitre 3 et chapitre 4), qui visent à contribuer à la littérature sur les liens en termes de rentabilité et de volatilité entre les métaux et les marchés actions.Dans le chapitre 2, nous étudions le pouvoir de prévisibilité des variations des prix des métaux industriels sur les rentabilités boursières dans divers pays. Nous constatons que les prix décalés d'un mois de l'aluminium et du cuivre sont positivement associés aux rentabilités boursières ultérieures. Ce résultat est cohérent avec l'hypothèse de sous-réaction de Hong et Stein (1999) ainsi qu'avec les résultats empiriques de Driesprong et al. (2008). Nous développons également une stratégie d’investissement visant à prendre des positions longues et courtes sur les actions en fonction des signaux des variations des prix de l'aluminium et du cuivre. Les résultats des prévisions dans l'échantillon montrent que les investisseurs améliorent à la fois les caractéristiques de risque et de rentabilité avec cette stratégie de trading. Cependant, les résultats des prévisions hors échantillon montrent que cette stratégie de trading peut aider les investisseurs à réduire les risques mais pas à améliorer les rentabilités.Dans le chapitre 3, nous étudions les liens de volatilité entre les métaux industriels/métaux précieux et les rentabilités boursières. En utilisant un modèle DCC-GARCH, nous étudions les corrélations conditionnelles dynamiques entre les métaux et les marchés boursiers. Nous construisons également un portefeuille optimal composé d'actions et de métaux industriels/métaux précieux afin de minimiser le risque d’un portefeuille. Nous constatons que le poids optimal des métaux industriels varie de 33,1 % à 65,1 % dans un portefeuille actions-métaux, tandis que le poids optimal des métaux précieux varie de 40 % à 69,3 %. Les variances des portefeuilles peuvent être réduites de 25 % à 54 % grâce aux métaux industriels et de 44 % à 70 % grâce aux métaux précieux, par rapport à des portefeuilles non couverts (100% actions).Enfin, dans le chapitre 4, nous examinons les propriétés de diversification, de couverture et de valeur refuge de l'or pour les investisseurs en actions situés dans les pays du G7 ainsi qu’en Chine et en Inde. Nous constatons que l'or est une valeur refuge dans cinq pays sur neuf, à savoir le Canada, l'Allemagne, l'Italie, le Royaume-Uni et les États-Unis. Nous examinons plus en détail si les avantages de l'or dépendent des conditions du marché et montrons que l'or remplit plus clairement son rôle de couverture et/ou de valeur refuge dans les périodes défavorables telles que les périodes de volatilité élevée ainsi que les périodes d'aplatissement de la courbe des taux.Mots clés: marchés actions, prix des métaux, prévision des actions, liens de volatilité, conceptions de portefeuille optimales, couverture, valeur refuge, or.
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 | 0.003 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 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".