مدلسازی روابط متقابل ناپایداری واریانس شرطی سری های زمانی مالی با استفاده از شبکه عصبی MLP و الگوریتم ژنتیک
- سال انتشار: 1402
- محل انتشار: نهمین کنفرانس بین المللی وب پژوهی
- کد COI اختصاصی: IRANWEB09_025
- زبان مقاله: فارسی
- تعداد مشاهده: 347
نویسندگان
دانشجوی دکتری تخصصی ، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مهندسی کامپیوتر ، تهران، ایران
استادیار، پژوهشکده فناوری اطلاعات ، پژوهشگاه ارتباطات و فناوری اطلاعات ، تهران، ایران
استاد، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
چکیده
همواره تغییرات در سطوح ریسک ، رفتار سرمایه گذاران فردی را تغییر می دهد. از این روی، پیش بینی هر چه دقیق تر واریانس شرطی آتی سری زمانی مالی با استفاده از دادههای گذشته مورد توجه بسیاری از پژوهشگران قرار گرفته است . مدلهای خانواده گارچ به عنوان رایج ترین روشهای آماری در زمینه پیش بینی ناپایداری واریانس آتی به شرط مشاهدات گذشته مورد استفاده قرار گرفته اند. همچنین تحقیقات اخیر نشان می دهد، مقدار مشاهده شده در یک سری زمانی با مقادیر سریهای زمانی دیگر مرتبط است . در این مقاله با استفاده از مدل آماری گارچ، ناپایداری واریانس شرطی سریهای زمانی مالی مدلسازی و پیش بینی شده، سپس با استفاده از الگوریتم ژنتیک بهترین ترکیب ورودی جهت مدلسازی روابط متقابل نوسانات توسط مدل شبکه عصبی پرسپترون چندلایه انتخاب می گردد. به منظور ارزیابی کارآیی روش پیشنهادی در مقایسه با روشهای آماری و مبتنی بر شبکه عصبی ، از مجموعه سریهای زمانی G۷ استفاده شده است . نتایج نشان دهنده کاهش ۴۰ درصدی خطای پیش بینی ناپایداری واریانس شرطی سری زمانی S&P ۵۰۰ با توجه به معیار MSE می باشد.کلیدواژه ها
پیش بینی ، روابط متقابل ، ناپایداری واریانس شرطی ، شبکه عصبی ، الگوریتم ژنتیک .مقالات مرتبط جدید
- ارائه روشی مبتنی بر تشخیص ناهنجاری به منظور کشف حملات باتنت های Gafgyt و Mirai در شبکه های اینترنت اشیاء
- پیاده سازی یک زنجیره بلوکی برای دوقلوی دیجیتال یک سیستم رایانشی فیزیکی
- طرح احراز هویت متقابل برای شبکه های حسگر بی سیم در محیط کلان داده بر خط
- بهبود کارایی الگوریتم رمزنگاری پساکوانتوم BR LWE در دستگاه های اینترنت اشیا
- ساختمان های هوشمند همیشه متصل برای امنیت توزیع شده
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.