مدلسازی بازارهای مالی با استفاده از فرایند ارنشتاین اولنبگ ترکیبی با نویز لوی
محل انتشار: فصلنامه تحقیقات مالی، دوره: 23، شماره: 3
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 123
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-23-3_003
تاریخ نمایه سازی: 10 بهمن 1400
چکیده مقاله:
هدف: پیش بینی بازارهای مالی همواره برای فعالان اقتصادی حائز اهمیت بوده است. هدف اصلی این مقاله، ارائه مدل توسعه یافته جدید برای مدل سازی بازارهای مالی با استفاده از فرایند ارنشتاین اولنبک ترکیبی با نویز لوی است. با استفاده از قیمت های بسته شده بازارهای سهام، می توان نتیجه گرفت که مدل تصادفی ارنشتاین اولنبک با پارامترهای وابسته به زمان، به طور شایان توجهی عملکرد پیش بینی قیمت سهام را بهبود می بخشد. روش: ابتدا به بررسی معادله دیفرانسیل تصادفی که از فرایندهای مستقل ارنشتاین اولنبک تشکیل شده است، پرداخته شد. این فرایندها را از طریق فرایند گاما استخراج کردیم، از این رو، آن را فرایند ارنشتاین اولنبک گاما می نامیم که کلاسی از فرایندهای زمان پیوسته لوی است و رفتاری با حافظه بلندمدت دارد. برآورد پارامترهای مدل با استفاده از روش حداکثر درست نمایی صورت گرفته است. یافته ها: برای نشان دادن کارایی مدل ارائه شده، برخی از بازارهای سهام ایران، مانند شرکت های سیمان ارومیه، سایپا آذین و پالایش نفت تهران، به صورت عددی شبیه سازی شدند. پارامترهای فرایند ارنشتاین اولنبک با نویز گاما با استفاده از داده های واقعی برآورد شد. نتیجه گیری: نتایج عددی نشان داد که نوسان پیش بینی شده این شرکت ها به نوسان شبیه سازی شده نزدیک است و در آن دینامیک نوسان از مدلی خودهم بسته پیروی می کند. مزیت روش یادشده این است که برآوردهای به دست آمده در اطراف مقدار واقعی پایدارند، از این رو الگوریتم تخمین برای مجموعه داده های بزرگ امکان پذیر بوده و از خصوصیت هم گرایی خوبی برخوردار است.
کلیدواژه ها:
نویسندگان
مینا محمدی
کارشناس ارشد، گروه ریاضی کاربردی، دانشگاه صنعتی ارومیه، ارومیه، ایران.
پریسا نباتی
استادیار، گروه ریاضی کاربردی، دانشگاه صنعتی ارومیه، ارومیه، ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :