کاربرد مدل های مارکوف پنهان در سری های زمانی مالی

پایان نامه
چکیده

مدل های مارکوف پنهان، مدل هایی هستند که در آن ها توزیعی که مشاهدات را تولید می کند به حالاتی از یک فرآیند مارکوف غیر قابل مشاهده بستگی دارد. به همین دلیل، آن ها را مدل های مارکوف پنهان نامیده اند. اغلب، در سری های زمانی مالی با پدیده بی ثباتی واریانس روبرو هستیم. بیشتر محققان، از مدل های اتورگرسیو ناهمگن شرطی تعمیم یافته(garch)، به منظور پیش بینی تغییرپذیری برای زمان های آتی استفاده می کنند. چنین مدل هایی معمولا برازش به نسبت بهتری در مقایسه با مدل های با واریانس ثابت به دست می دهند. اما اغلب نمی توان پیش بینی های موجه و قابل قبولی به وسیله این مدل ها به دست آورد. می توان دلیل عمده این موضوع را وجود تغییرات ناگهانی در پیش بینی با این مدل ها دانست. اخیرا با استفاده از مدل های مارکوف پنهان در ساختار این سری ها، مدل کاراتر مارکوف واریانس تبدلی، به عنوان شیوه ای دیگر برای بررسی اثرات garch در داده های اقتصادی به کار می رود. رفتار واریانس غیر شرطی، تفاوت اصلی میان مدل arch با ناهم واریانسی شرطی و مدل مارکوف واریانس تبدلی می باشد. در این پایان نامه، داده های نرخ رشد واقعی تولید ناخالص داخلی (gdp)ایالت متحده آمریکا را در نظر گرفته و نشان می دهیم مدل مارکوف واریانس تبدلی، برازش بهتری نسبت به مدل garch به دست می دهد. برای این کار، ابتدا مدل اتورگرسیو(ar) با خطاهای garch را به داده ها برازش داده و نتایج را با مدل مارکوف واریانس تبدلی مقایسه می کنیم. نتایج به دست آمده از برازش مدل ar با خطاهای garch نشان می دهد فرض صفر عدم همبستگی بین مربعات باقیمانده های استاندارد شده، در سطح معنی داری 0/05 پذیرفته شده و می توان نتیجه گرفت بین مربعات باقیمانده های استاندارد شده، همبستگی وجود ندارد در حالیکه فرض صفر نرمال بودن باقیمانده های استاندارد شده در سطح معنی داری 0/05 رد می شود. از طرف دیگر، مدل مارکوف واریانس تبدلی برازش داده شده به داده ها نشان می دهد که هر دو فرض صفر عدم همبستگی بین مربعات باقیمانده های استاندارد شده و فرض صفر نرمال بودن باقیمانده های استاندارد شده در سطح معنی داری 0/05 پذیرفته می شوند. مقایسه دو مدل نشان می دهد که باقیمانده های استاندارد شده مدل مارکوف واریانس تبدلی از توزیع نرمال پیروی می کنند درحالیکه باقیمانده های استاندارد شده مدل garch از توزیع نرمال تبعیت نمی کنند و این برتری مدل مارکوف واریانس تبدلی را نسبت به مدل garch نشان می دهد.

منابع مشابه

خطای متداول در کاربرد مدل های سری زمانی: کاربرد نادرست مدل ARDL (مدل خودرگرسیونی و توزیع با وقفه)

تکنیک‌های سری زمانی، در حال حاضر، در سطح گسترده‌ای از مطالعات علم اقتصاد و رشته‌های مرتبط مورد استفاده قرار می‌گیرد. برای به‌کارگیری این تکنیک‌ها، باید فروضی تأمین گردند که عدم تأمین انهاپیامدهایی را برای برآوردهای پارامترهای مدل در بر خواهد داشت. یکی از این تکنیک‌ها که به دلایلی در سطح وسیع در مقالات و پایان‌نامه‌ها مورد استفاده قرار می‌گیرد، مدل ARDL (خودرگرسیونی با توزیع با وقفه) می‌باشد. به...

متن کامل

برآورد احتمال تغییر وضعیت رفتار سری های زمانی مالی با مدل اتورگرسیو تبدلی مارکف

در این مقاله، با استفاده از احتمال های تغییر وضعیت m-دوره بعد زنجیر مارکف، احتمال تغییر وضعیت رفتار نوسان های در این مقاله روشی برای برآورد احتمال تغییر وضعیت سری های زمانی مالی توسط مدل اتورگرسیو تبدلی مارکوف پیشنهاد شده است. سپس با استفاده از این مدل، رفتار نوسان های نرخ ارز به دو رژیم نرخ تغییرات کم و زیاد مدل بندی شده است. نتایج پیش بینی نشان می دهد که احتمال ماندگاری در رژیم ها رو به کاهش...

متن کامل

تحلیل مدل های مارکوف پنهان

مسئله براوردیابی و آزمون فرضها راجع به داده هایی که نسبت به زمان به یکدیگر وابسته هستند یکی از موضوع هایی است که در سال های اخیر مورد توجه آماردانان قرار گرفته است.در این رابطه چنانچه بر اساس دیدگاه و خاصیت مارکوف عمل شود تعیین ماتریس احتمال تغییر وضعیت یکی از اهداف اصلی در این نگرش خواهد بود. اما چنانچه ماتریس احتمال تغییر وضعیت به طور واضح مشخص نباشد مسئله براوردیابی و آزمون فرض پارامترهای آن...

کاربرد تبدیل موجک هار در پیش بینی داده های سری زمانی مالی بر اساس مدل سری زمانی arima

این تحقیق قصد دارد تا میزان توانایی تبدیل موجک هار (haar) را در پیشبینی دادههای سریزمانی مالی مورد ارزیابی قرار دهد. بههمین منظور دادههای بورس نزدک را از سایت یاهو فاینانس انتخاب کرده و سریزمانی بازدهی این دادهها را ابتدا توسط مدل garch پیشبینی، و نتایج را ثبت کرده ایم و سپس همان سری دادهها را با استفاده از تبدیل موجک هار (haar) تبدیل و با استفاده از مدل arima این دادههای تبدیل یافته را نیز، پی...

15 صفحه اول

کاربرد مدل‌های پنهان مارکوف در پردازش سیگنال‌های صوتی

مدل‌های پنهان مارکوف به‌عنوان یکی از شیوه‌های موفق امروزی در کاربردهای پردازش سیگنال پیوسته و گسسته کاربردهای فراوانی یافته‌اند. این مدل‌ها با توجه به‌توانائی بالایی که در مدل نمودن ویژگی‌های گفتار و به‌خصوص ویژگی دینامیک گفتار دارند مورد بررسی و استفاده فراوانی در این زمینه قرار گرفته‌اند. یکی از روش‌هائی که در سال‌های اخیر برای بازشناسی گفتار پیوسته مورد توجه نسبی قرار گرفته است استفاده از تر...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه خلیج فارس - دانشکده علوم پایه

کلمات کلیدی

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023