C58 - Économétrie financière
-
-
Finding the balance—measuring risks to inflation and to GDP growth
Au moyen de notre nouvel outil quantitatif, nous montrons comment les risques pesant sur les perspectives d’inflation et de croissance ont évolué au cours de 2023. -
Forecasting Risks to the Canadian Economic Outlook at a Daily Frequency
Cette étude quantifie les risques extrêmes présents dans les perspectives d’inflation et de croissance du PIB réel au Canada en estimant leur distribution conditionnelle quotidienne. Nous montrons que les probabilités de matérialisation de ces risques calculées à partir des distributions conditionnelles reflètent fidèlement les résultats obtenus au cours de la période de 2002 à 2022. -
Generalized Autoregressive Gamma Processes
Nous présentons les processus gamma autorégressifs généralisés (GARG), une catégorie de processus autorégressifs et moyennes mobiles où la dynamique de chacun des moments conditionnels est influencée par une différente moyenne mobile identifiable de la variable d’intérêt. Nous montrons que l’utilisation de processus GARG réduit les erreurs d’évaluation de façon nettement plus importante que les processus gamma autorégressifs existants. -
Covariates Hiding in the Tails
Nous caractérisons le biais dans les estimations de Hill en coupe transversale causé par les facteurs sous-jacents communs, puis proposons deux solutions simples pour le corriger. Pour déterminer la présence, le sens et l’ampleur du biais, nous utilisons les rendements mensuels du marché boursier américain et les données annuelles de population par comtés du recensement des États-Unis. -
Strategic Uncertainty in Financial Markets: Evidence from a Consensus Pricing Service
Nous examinons le contenu informationnel de l’évaluation des prix des marchés hors cote opaques fournie par les services d’agrégation. Nous montrons que les données publiques sur les prix informent avant tout les participants sur les estimations des autres participants, plutôt que sur la valeur d’un titre de placement. -
On Causal Networks of Financial Firms: Structural Identification via Non-parametric Heteroskedasticity
Les interactions commerciales des banques créent un réseau de relations qui sont cachées dans la corrélation des rendements sur les titres bancaires. Toutefois, il est important de connaître le rapport de causalité pour savoir comment les politiques choisies modifient le réseau. Dans cette étude, nous cherchons donc le réseau causal auquel s’attendent les investisseurs. -
Tail Index Estimation: Quantile-Driven Threshold Selection
Bien qu’ils soient rares, les événements les plus extrêmes (p. ex., les crises économiques) ont souvent d’énormes répercussions. Comme l’échantillon est restreint, il est difficile de déterminer avec précision la probabilité de leur survenue. -
Composite Likelihood Estimation of an Autoregressive Panel Probit Model with Random Effects
La modélisation et l’estimation de données discrètes persistantes peuvent s’avérer difficiles. Dans cette étude, nous utilisons un modèle probit autorégressif avec données de panel où l’autocorrélation de la variable discrète dépend de l’autocorrélation de la variable latente. Dans ce type de modèle non linéaire, l’autocorrélation d’une variable non observée entraîne une vraisemblance incalculable contenant des intégrales de haute dimension. -
Challenges in Implementing Worst-Case Analysis
Depuis la récente crise financière, l’analyse du pire scénario est utilisée par les autorités de réglementation du secteur financier pour évaluer le risque extrême. Nous apportons de nouvelles perspectives sur cette méthode et sur l’estimation de la valeur extrême qui en découle. Nous calculons le biais des estimateurs d’ordre non paramétrique de la queue de distribution et le comparons au biais associé à la méthode semi-paramétrique de la théorie des valeurs extrêmes (TVE).