Techniques Quantitatives de Gestion : exploitation des données (5)
Pour ce dernier post de la série consacrée au td de TQG, nous allons nous intéresser à ce qu’on appel l’effet lundi. Il s’agit de la propension qu’ont (qu’avaient?) les marchés actions à présenter des rendements moyens plus faibles les lundi que les autres jours de la semaine (Cross, 19731; French, 19802; Gibbons-Hess, 1981 3; et bien d’autres à la suite…). Le données utilisées sont issues de CRPS, une base qui a la particularité de conserver les titres éteins et donc de permettre d’éviter le biais du survivant (conclusion à tord parce que l’on observe qu’une partie de la réalité d’un phénomène, celle des seuls survivants).
Techniques Quantitatives de Gestion : exploitation des données (4)
Dans ce nouveau post, nous allons continuer à travailler sur la régression. L’objectif est de considérer des tests alternatifs sur les coefficient et d’étendre les modèles de manière à intégrer plusieurs facteurs explicatifs. Cela nous permettra de comprendre les biais créés par l’omission de variables dans les analyses de régression.
Tâche n°1 Reprenez les données sur les actions, estimez le modèle de marché pour chacun d’eux, réalisez un interval de confiance à 95% sur le beta, testez sa valeur par rapport à 1.
Techniques Quantitatives de Gestion : exploitation des données (3)
Après le test de différence de moyennes, nous attaquons dans cette session à la régression linéaire simple. Celle-ci permet d’établir le degré d’association entre une variable expliquée (\(y_i\)) et une variable explicative (\(x_i\)). La relation mesurée est matérialisée par une équation linéaire à un facteur (celle d’une droite). On a ainsi : \(y_i=\alpha+\beta.x_i\). Cette approche se distingue du simple coefficient de corrélation dans la mesure où elle implique notamment un sens à la relation.
Techniques Quantitatives de Gestion: exploitation des données (2)
Dans cette seconde session, l’objectif est de faire réaliser aux étudiants un test statistique classique, interpréter le résultat et de mettre en forme l’ensemble. On prolonge ici ce qui a été fait sur les écoles en Californie et sur la performance des portefeuilles composés par taille précédemment. La procédure utilisée est le test de Student de différence de moyennes. Ce rapide post reprenant sous R le travail à accomplir avec Stata est l’occasion de passer en revue notamment les différents éléments générés par les fonctions de test et de voir comment les mobiliser pour réaliser un tableau de résultat sur mesure
Techniques Quantitatives de Gestion : exploitation des données (1)
Ce semestre j’assure quelques travaux dirigés dont l’objectif est de familiariser les étudiants avec un outil de traitement des données Stata. C’est un logiciel que j’ai utilisé longtemps avant de passer à R. Je milite d’ailleurs activement pour que les enseignements de ce type fassent plus de places aux logiciels gratuits que les étudiants peuvent librement pratiquer chez-eux (R ou même Python). En attendant, je réplique son R ici les travaux demandés en ajoutant quelques éléments notamment l’importation des tableaux assemblés dans un fichier .
Distance in Reward-Based crowdfunding
La version finale du papier que j’ai écrit sur l’effet de la distance entre porteur de projet/contributeurs sur la réussite des campagnes de crowdfunding et que a été accepté dans la revue Finance est disponible sur CAIRN. Je vous met le lien correspondant à la suite ainsi que le résumé en anglais. Je suis très content du résultat. Le travail préparatoire m’a donné l’occasion de travailler la réalisation de cartes ce qui est peu courant en finance.
Quantitative Methods WRDS (2)
Pour la seconde séance du cours, je me suis lancé dans une “réplication light” du papier de Jegadeesh et Titman publié en 1993 dans le Journal of Finance. Celui-ci montre qu’adopter une stratégie (Momentum) consistant à achever les actions qui se sont précédemment appréciées (les titres gagnants) et vendre les actions qui se sont précédemment dépréciées (les titres perdants) en considérant des périodes d’évaluation et détention de 3 à 12 mois produit des rendements positifs et statistiquement significatifs.
Quantitative Methods WRDS (1)
La rentrée universitaire est là. Et avec elle vient son lot de nouveaux cours d’autant que j’intègre une nouvelle université. Bref, les projets de l’été (ou du moins ceux commencés cet été) et les data visualisations vont ralentir au moins un moment. Néanmoins, cela me donne l’occasion de partager d’autres types de contenu où j’utilise R. C’est la cas du cours de “Quantitative Methods” dans lequel je présente aux étudiants les bases de données qu’ils pourront utiliser pour leur futur mémoire ainsi que les outils/techniques disponibles pour les exploiter.
Données de panel choix de modèle (digression variabilité) - pan3
By Ludovic Vigneron
| Jul 22, 2022
| panel, r
Bon! J’aurais peut-être dû commencer par là. Les données de panel présentent une structure particulière. La répétition des observations dans le temps permet d’appréhender à la fois des différences entre individus et entre périodes, mais aussi des différences pour un même individu observé à différents point du temps ou pour un point du temps donné des différences entre individus… Cela se concrétise par des tendances au niveau de données, plus précisément au niveau de la variation de leur valeurs.
Données de panel choix de modèle (suite) - pan2
By Ludovic Vigneron
| Jul 16, 2022
| panel, r
Continuons sur la lancé du post précédent. Pour rappel, il s’agissait de faire quelques rappels pratiques concernant les données de panels à partir du jeu de données wages du package panelr. Le modèle que nous avions envisagé expliqué le montant des salaires sur différentes périodes (lwage) par le nombre de semaines travaillées durant ces mêmes périodes (wk). Il était question de la potentiel prise en compte d’effets individuels. Après une série de tests, nous avions conclu que le meilleure modèle à considérer pour estimation était le modèle à effets fixes individuels.