Pour le chercheur qui se soucie de la provenance des données
L'instrument analytique pour le travail de finance académique où la question importe autant que la réponse.
La recherche académique en finance occupe une position analytique inhabituelle. Les exigences de données sont strictes (provenance, horodatage, exhaustivité) ; les budgets sont typiquement modestes ; l'outillage disponible au sein de l'université est inégal. Drusus est positionné pour offrir au chercheur en exercice les données cross-marchés et la profondeur analytique qu'un papier sérieux requiert, à un coût d'abonnement qu'un budget académique peut absorber.
Ce que vous utiliserez le plus
- Le chat de l'analyste IA, comme partenaire d'entraînement sur la structure analytique d'un projet plutôt que comme substitut à la pensée propre du chercheur.
- Export de données, dans des formats adaptés à l'analyse sous Python, R ou Stata.
- La documentation Sources de données, qui consigne chaque source primaire sur laquelle la plateforme s'appuie pour chaque chiffre qu'elle publie.
- Drusus Insights, comme référence méthodologique sur l'appareil analytique utilisé dans la plateforme.
Sur la citation
Pour le travail académique qui s'appuie sur Drusus comme source de données, nous demandons que la plateforme soit citée comme source des chiffres, et que la date spécifique de récupération des données soit consignée. Lorsque la méthodologie de la plateforme contribue à votre papier, nous demandons que la note de méthodologie soit citée spécifiquement. Les recommandations de citation complètes figurent sur la page Méthodologie.
Comment ils utilisent Drusus
La forme d'un schéma de travail typique pour ce public.
Cadrage du projet
Lors du cadrage d'un nouveau projet, utilisez l'analyste IA pour interroger la structure analytique. Demandez non pas une réponse, mais les objections structurelles à la méthodologie que vous proposez.
Acquisition de données
Exportez les données dont vous avez besoin avec les métadonnées de provenance attachées. L'export consigne la source primaire, l'horodatage et la date de récupération sur la plateforme.
Vérification croisée méthodologique
Lorsque la méthodologie de la plateforme recoupe le travail analytique de votre projet, examinez les notes de méthodologie. Elles sont écrites dans un registre académique, non marketing.
Revue avant soumission
Avant soumission, demandez à l'analyste IA la critique qu'un rapporteur pourrait soulever. L'exercice est plus utile lorsque l'analyste est contraint d'argumenter contre votre conclusion.
Une requête illustrative
La forme que prend une interaction typique avec l'analyste IA de Drusus pour ce public.
J'examine la relation de prix ajustée du change entre les cotations de Hong Kong et les ADR new-yorkais des actions chinoises à double cotation. Je veux tester si l'écart s'est élargi systématiquement depuis 2020. Cadrez les principales questions méthodologiques que je devrais traiter avant l'estimation.
Six questions méthodologiques méritent d'être traitées avant l'estimation. Premièrement, la définition de l'écart : utilisez-vous la simple différence en pourcentage, la log-différence, ou une métrique normalisée tenant compte du non-chevauchement des heures de négociation entre Hong Kong et New York. Deuxièmement, l'ajustement du change : utilisez-vous le taux comptant de clôture au moment de la clôture de chaque cotation, un taux moyen interpolé, ou un taux de référence synchronisé. Troisièmement, la sélection de l'échantillon : restreignez-vous aux noms à double cotation continue tout au long de l'échantillon, ou admettez-vous les noms qui se sont cotés ou retirés durant la période d'échantillonnage (avec correction adéquate du biais de survivance). Quatrièmement, le contrôle de régime : 2020 a vu un changement substantiel de l'environnement politique, une force soutenue du dollar et une série d'interventions réglementaires spécifiques aux ADR chinois. Démêler l'élargissement post-2020 de ces facteurs confondants peut requérir des indicateurs explicites de régime. Cinquièmement, la question de la liquidité : l'écart est-il principalement fonction de la liquidité au niveau des noms, auquel cas le résultat principal sera entraîné par un petit ensemble de noms moins liquides. Sixièmement, le traitement des jours fériés et des événements corporate : les noms à double cotation présentent de larges écarts transitoires autour des non-chevauchements de jours fériés et des événements corporate, qu'il faut filtrer pour isoler la relation structurelle. Ces six préoccupations ne prédéterminent pas votre conclusion, mais le travail bénéficiera de ce que chacune soit traitée explicitement dans votre section méthodologique.
Formule recommandée
Drusus Analyst à £29 par mois couvre la plupart des cas d'usage académiques, avec l'export de données complet, l'analyste IA à quota élargi et les archives de méthodologie. Pour les groupes de recherche faisant un usage intensif de la plateforme, la formule Strategist ou Institution est appropriée. Des arrangements tarifaires éducatifs sont disponibles pour les programmes de second cycle ; veuillez écrire à contact@gravenos.com.