On the robustness of week-day effect to error distributional assumption: International evidence

Constructing a Global Fear Index for the COVID-19 Pandemic

“…Based on the two forecast measures, the obtained results, both in-sample and out-of-sample forecast horizons, indicate that (i) the GFI predictability model for stock returns outperforms the historical average, and (ii) the stock return model that adjusts for day-of-the-week effects also outperforms the model that ignores the same. Thus, controlling for the day-of-the-week effects is imperative in stock return predictability (see also Boubaker et al 2017;Zhang, Lai, and Lin 2017).…”

The seasonality of gold prices in China does the risk‐aversion level matter?

“…There exist different types of calendar seasonality or seasonal anomalies that have been studied in the academic literature, such as the day‐of‐the‐week effect, the week‐of‐the‐month effect, the holiday effect, the month‐of‐the‐year effect, the turn‐of‐the‐month effect and the Halloween effect. For example, the day‐of‐the‐week effect is the fact that the returns are different on different days of the week (Boubaker et al ., ). The week‐of‐the‐month effect stipulates that the returns vary depending on the week of the month (Levy and Yagil, ).…”

L’effet lundi sur les marchés d’Europe Centrale et Orientale : un élément à intégrer dans une stratégie d’investissement internationale ?

“…(2005), le modèle GARCH exponentiel (EGARCH) est l'un des modèles d'asymétrie les plus utilisés dans la littérature financière, avec le modèle à seuil GJR-GARCH. Nous avons donc estimé les modèles GARCH-M, EGARCH-M et GJR-GARCH, d'ordre 1 et d'ordre 5, selon trois distributions sous-jacentes pour le terme d'erreur, comme le suggèrent Boubaker et al (2017) : une distribution Normale, une distribution de Student, suggérée par Bollerslev (1987), et une distribution GED 4 proposée par Nelson (1991) Au final, le modèle EGARCH-M(1,1), avec un terme d'erreur qui suit soit une distribution de Student, soit une distribution GED, a été celui qui présentait la log-vraisemblance la plus élevée. L'écriture du modèle EGARCH-M(1,1) porte sur le logarithme de la variance conditionnelle du processus considéré.…”

“…Concernant la volatilité, les équations GARCH ont été estimées avec des modèle tels que GARCH-M, EGARCH-M et GJR-GARCH, avec pour chacun d'entre eux une distribution sous-jacente des résidus de type Normale, de Student ou GED. Cette distribution n'est pas neutre quant aux valeurs de la rentabilité (Boubaker et al (2017)). De plus, les tests de stationnarité des rentabilités de Dickey-Fuller augmenté et de Phillips-Perron indiquent un rejet de l'efficience de forme faible pour l'ensemble des marchés.…”