26052

تجزيه و تحليل مدل‌هاي اتورگرسيو شرطي دوره و كاربرد آن در بازارهاي مالي

كارشناسي ارشد

آمار رياضي

1400

1400/04/19

رحمان فرنوش

غلامحسين ياري

علوم رياضي

سري‌هاي زماني يكي از شاخصه‌هاي آمار و احتمال است كه در زمينه‌هاي گوناگوني نظير ژئوفيزيك، مهندسي ارتباطات، مهندسي مالي، هواشناسي، اقتصاد، علوم پزشكي، زيست شناسي، روانشناسي، علم نجوم، علوم اجتماعي و ساير علوم كاربردهاي فراواني دارد. معرفي سرهاي زماني در آمار از حالت سري زماني يك متغيره آغاز شد و سرانجام به سري‌هاي زماني برداري منتهي گرديد. با توجه به اينكه بازار بورس در تأمين مالي و توسعه كشور موثر است، يافتن روشي مناسب براي پيش بيني بازار سهام اهميت بسياري دارد. به همين دليل هدف، ارزيابي قدرت پيش بيني مدل هاي خطي در بازار سهام است. البته با استفاده از تحليل سري‌هاي زماني مالي داده‌ها (تحليل داده‌هاي پرنوسان و ريز ساختار بازار) مورد بررسي قرار مي‌گيرند. داده‌هاي پرنوسان شامل مشاهداتي هستند كه در بازه هاي زماني بسيار كوچك گرفته مي‌شوند. در علوم مالي، اين داده‌ها اغلب به معني مشاهداتي هستند كه به صورت روزانه در شاخص زماني كوچكي گرفته‌ مي‌شوند. داده‌هاي پر نوسان، در علوم مالي، داده‌هاي معامله به معامله در بازارهاي اوراق بهادار هستند. در اينجا زمان اغلب به ثانيه اندازه گيري مي‌شود. داده‌هاي مالي پرنوسان در مطالعه موضوعات متعددي كه مربوط به فرآيند تجارت و ريز ساختار بازار هستند، اهميت دارند. داده‌هاي پرنوسان خصوصيات منحصر به فردي دارند كه در داده‌هاي كم نوسان ظاهر نمي شوند. به دليل امكان وجود روابط غير خطي در بازارهاي مالي، هدف اين مقاله، ارزيابي قدرت پيش‌بيني مدل‌هاي خطي و غيرخطي در بازار سهام است. در اين پايان‌نامه بر غير خطي بودن داده‌هاي مالي و مدل‌هاي اقتصاد سنجي غير خطي مفيد در تحليل سري‌هاي زماني مالي تمركز داريم. ما برخي مدل‌هاي غير خطي را كه در سري هاي زماني مالي كاربردي هستند را معرفي مي‌كنيم.

1400/10/14

Analysis of conditional autoregressive models of the period and its application in financial markets

7/10/2022 12:00:00 AM

Time series is one of the statistical and probability indicators that has many applications in various fields such as Geophysics , Communication engineering , Financial engineering , Meteorology , Economics , Medical sciences , Biology , Psychology , Astronomy , Social sciences and other sciences. The introduction of time series statistics started from the time series of one variable and eventually led to vector time series. As the stock market is effective in country's finance market, finding a suitable way to predict the stock market is very important. For this reason, the aim is to evaluate the predictive power of linear models in the stock market. Of course, data are analyzed using financial time series analysis (fluctuating data analysis and market microstructure.) Fluctuating data include observations taken at very short intervals. Fluctuating data, in financial sciences, are trade-to-trade data in stock markets .Here time is measured in seconds. Fluctuating financial data are important in the study of transverse issues related to the business process and market microstructure. High- volatility data has unique properties that do not appear in low-volatility data. Due to the possibility of nonlinear relationship in financial markets, the purpose of this paper is to evaluate the predictive power of linear and nonlinear models in the stock market. In this dissertation we focus on the nonlinear models in the analysis of financial time series. We introduced some nonlinear models that are applicable in financial time series.

سري هاي زماني مالي , تجارت

Financial time series , Business