چطور این مقاله آمار و کاربردها را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2009625 رایگان است. ترجمه چکیده این مقاله آمار و کاربردها در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
714 Kb
حجم فایل فارسی :
956 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
برآورد و پیشبینی شکست های ساختاری در سریهای زمانی مالی
عنوان انگليسي
Estimating and forecasting structural breaks in financial time series
این مقاله چند صفحه است؟
این مقاله ترجمه شده آمار و کاربردها شامل 25 صفحه انگلیسی به صورت پی دی اف و 29 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
الگوریتمی مبتنی بر روش تکامل دیفرانسیلی زنجیره مارکوف مونت کارلو ارائه نموده‌ایم که در آن برای روش استنتاج بیزی که در مدل آر-گراچ به کار گرفته می‌شود، تعداد نامشخصی از شکست‌های ساختاری را در زمان‌های نامشخص، در نظر می‌گیریم. تاریخ‌های شکست، مستقیما به صورت پارامتری رفتار نموده و تعداد این شکست‌ها بوسیله تابع درست نمایی حاشیه‌ای، نشان داده می‌شود. همگرایی الگوریتم را اثبات می‌کنیم و نشان می‌دهیم که چگونه تابع درست نمایی را محاسبه نماییم. به تغیبیرات نقطه‌ای خالص و خصوصیات رژیم‌های تکراری اجازه عمل داده و نشان می‌دهیم که چگونه شکست‌های ساختاری را پیشبینی کنیم. کارایی الگوریتم را از طریق شبیه‌سازی نشان داده و آن را برای هشت نمونه سری زمانی مالی از بازده روزانه و در محدوده سال‌های 2011-1987, عرضه کرده‌ایم. حداقل 3 شکست در کل سریهای زمانی پیدا کردیم.
1-مقدمه
مدل عمومی واریانس ناهمسانی اوتورگرسیوی مشروط (GARCH) ( انجل (1982) و بالرسلف (1986) را ببینید)، به شکل گسترده‌ای برای سریهای زمانی متنوعی به کار گرفته می‌شوند. چراکه روشی بسیار ساده و قدرتمند برای مدل نوسانی می‌باشد. امروزه استفاده از مدل نوسانی GARCH با پارامترهای ثابت، برای سرهای زمانیی که از شکست در پروسه نوسان ناشی می‌شوند، بسیار محدود شده هستند...
استنتاج بیزی شکست‌های ساختاری تکامل دیفرانسیلی
:کلمات کلیدی
Abstract
We present an algorithm, based on a differential evolution MCMC method, for Bayesian inference in AR-GARCH models subject to an unknown number of structural breaks at unknown dates. Break dates are directly treated as parameters and the number of breaks is determined by the marginal likelihood criterion. We prove the convergence of the algorithm and we show how to compute marginal likelihoods. We allow for both pure change-point and recurrent regime specifications and we show how to forecast structural breaks. We illustrate the efficiency of the algorithm through simulations and we apply it to eight financial time series of daily returns over the period 1987-2011. We find at least three breaks in all series.
Keywords:
Bayesian inference structural breaks differential evolution
سایر منابع آمار و کاربردها در زمینه سری زمانی