ترجمه مقاله شبکه عصبی رگرسیون خودکار چندک با کاربرد در ارزیابی ارزش در ریسک – نشریه الزویر

عنوان فارسی: | مدل شبکه عصبی رگرسیون خودکار چندک با کاربردهایی در ارزیابی ارزش در ریسک |
عنوان انگلیسی: | Quantile autoregression neural network model with applications to evaluating value at risk |
تعداد صفحات مقاله انگلیسی : 12 | تعداد صفحات ترجمه فارسی : 28 |
سال انتشار : 2016 | نشریه : الزویر - Elsevier |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 6615 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 3.52Mb |
رشته های مرتبط با این مقاله: آمار و مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله: آمار ریاضی و هوش مصنوعی |
مجله: محاسبات نرم کاربردی - Applied Soft Computing |
دانشگاه: گروه ریاضی، دانشگاه برونل،لندن، انگلستان |
کلمات کلیدی: شبکه عصبی مصنوعی، شبکه عصبی رگرسیون خودکار چندک، QARNN، رگرسیون خودکار چندک، رگرسیون چندک، ارزش در ریسک |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
چکیده
1. پیشگفتار
2. مرور نوشتجات
3. راهاندازی مدل
3.1. خودرگرسیون چندک
3.2. تاخیر توزیع شدهی خودرگرسیو (خودکاهشی) چندک
3.3. ارزش در ریسک خودرگرسیو شرطی
3.4. شبکهی عصبی خودرگرسیون چندک
3.4.1. مشخصات مدل
3.4.2. تخمین مدل
3.4.3. انتخاب مدل
4. آزمایشهای عددی
4.1. روشهای تخمین VaR کلاسیکی
4.1.1. مدل ریسک متریک
4.1.2. مدل GARCH-EVT
4.1.3. مدل PCC
4.2. شبیهسازیهای مونت کارلو
4.2.2. ارزیابی VaR
4.2.3. نتایج عملکرد
4.3. کاربردهای واقعی
4.3.1. دادهها جهان واقعی
4.3.2. عملکرد مدل QARNN
5. نتیجهگیریها
Abstract
We develop a new quantile autoregression neural network (QARNN) model based on an artificial neural network architecture. The proposed QARNN model is flexible and can be used to explore potential nonlinear relationships among quantiles in time series data. By optimizing an approximate error function and standard gradient based optimization algorithms, QARNN outputs conditional quantile functions recursively. The utility of our new model is illustrated by Monte Carlo simulation studies and empirical analyses of three real stock indices from the Hong Kong Hang Seng Index (HSI), the US S&P500 Index (S&P500) and the Financial Times Stock Exchange 100 Index (FTSE100).
چکیده
ما یک مدل جدید شبکهی عصبی رگرسیون خودکار چندک (QARNN) را بر اساس یک معماری شبکه عصبی مصنوعی توسعه میدهیم. مدل QARNN ارائه شده انعطافپذیر است و میتواند برای کاوش روابط غیرخطی بالقوه در میان چندکها در دادههای سریهای زمانی مورد استفاده قرار گیرد. با بهینهسازی یک تابع خطای تقریبی و الگوریتمهای بهینهسازی مبتنی بر گرادیان استاندارد، خروجیهای QARNN، توابع چندک شرطی به صورت بازگشتی هستند. کاربرد مدل جدید ما توسط مطالعات شبیهسازی مونت کارلو و تجزیه و تجلیلهای تجربی سه شاخص سهام واقعی از شاخص (اندیس) هانگ سنگ (HSI) هونگ کونگ، اندیس (US S&P500 (S&P500 ، و اندیس بورس اوراق بهادار فیننشال تایمز 100 (FTSE100) نشان داده میشود.