جستجوی مقالات مرتبط با کلیدواژه "nnarx" در نشریات گروه "مدیریت"
تکرار جستجوی کلیدواژه «nnarx» در نشریات گروه «علوم انسانی»-
ریسک نکول از تعهدات یکی از مهمترین انواع ریسک، و قراردادهای سواپ نکول اعتباری از مهمترین ابزار مالی جهت پوشش آن میباشند. نبود چنین ابزار ی موجب کاهش جذابیت به خصوص برای سرمایه گذاران بین المللی میگردد و زیانهای اقتصادی را به کشورهای فاقد این نوع ابزر، من جمله ایران، تحمیل مینماید. پس از بحران 2007، کارایی ابزار مالی مذکور پررنگتر شد، زیرا در تئوری و عمل، این ابزار میتوانست تا حد زیادی از بروز فاجعه ی مالی جلوگیری کند. هدف این پژوهش ، پیش بینی قیمت قراردادهای مذکور با مدل مرتون و برخی از مدلهای ترکیبی شبکه عصبی من جمله انفیس، نارکس، آدابوست و رگرسیون ماشین بردار پشتیبان، و مقایسه ی این الگوریتمهاست که از کاراترین مدلهای هوشمند حوزه ی فایننس میباشند. جامعه ی آماری را شرکتهای آمریکای شمالی و اروپایی تشکیل میدهند که نهاد مرجع قراردادهای مذکور بوده اند. داده ها از پایگاه بلومبرگ برای دوره ی 2015-2008 استخراج گردید که 125 شرکت به عنوان نمونه ی آماری انتخاب شدند. طبق نتایج، میانگین قدرت پیش بینی کنندگی الگوریتم نارکس بیش از سایر مدلهاست.
کلید واژگان: ابزار مشتقه مالی, انفیس, نارکس, آدابوست, رگرسیون ماشین بردار پشتیبانDefault risk is one of the most important types of risks, and credit default swap (CDS) is one of the most effective financial instruments to cover such risks. The lack of these instruments may reduce investment attraction, particularly for international investors, and impose potential losses on the economy of the countries lacking such financial instruments, among them, Iran. After the 2007 financial crisis, the importance of CDS has increasingly augmented because theoretically and practically, this instrument could significantly prevent catastrophes such as the mentioned crisis. The present study seeks to predict the price of CDS contracts with the Merton model as well as the compound neural network models including ANFIS, NNARX, AdaBoost, and SVM regression, and compare the predictive power of these algorithms which are among the most prestigious, intelligent models in finance. The research statistical population includes the A-rated North American and European companies which are known as the reference entities for credit default swaps. Data were collected from the Bloomberg Terminal for an eight-year period from 2008 to 2015. Contracts of 125 companies were selected as the statistical sample. The results reveal that the average predictive power of the NNARX is higher than that of other algorithms under scrutiny.
Keywords: Derivative Financial Instruments, ANFIS, NNARX, AdaBoost, Support Vector Machine Regression -
این مطالعه تلاشی است در جهت به کارگیری ترکیب مدل شبکه ی عصبی پویا و تجزیه ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش بینی متغیر مذکور می باشد. جهت تحقق این مهم، از داده های سری زمانی ماهانه ی نرخ ارز طی بازه ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدل سازی ها استفاده شده و تعداد 27 مشاهده نیز جهت شبیه سازی و یا به بیان دیگر به منظور ارائه ی پیش بینی های خارج از نمونه به کار گرفته شده است.یافته های این مطالعه حاکی از آن بوده است که اولا، مدل های شبکه ی عصبی پویا در مقایسه با مدل های شبکه ی عصبی چند لایه ی پیشخور، از عملکرد بهتری در پیش بینی خارج از نمونه ی نرخ ارز،بر مبنای هر دو معیار محاسبه ی خطای پیش بینی MSEو RMSE داشته است و ثانیا، به کارگیری تکنیک تجزیه ی موجک سبب بهبود نتایج پیش بینی های مدل های مذکور بر مبنای هر دو معیار مذکور گشته است. ثالثا، در میان مدل های مذکور، بهترین نتیجه متعلق به پیش بینی های حاصل از مدل های شبکه ی عصبی پویای مبتنی بر داده های تجزیه شده با تکنیک موجک بوده است. لذا، استفاده از این ترکیب مدل ها را به عنوان یک ترکیب بهینه می توان به محققان، تحلیل گران و تصمیم گیران پولی کشور، پیشنهاد نمود.کلید واژگان: نرخ ارز, شبکه عصبی, MFNN, NNARX, تجزیه موجکThe present study is an attempt in applying the combination of dynamic neural network and decomposition of wavelet in order to make possible the selection of an optimized pattern for predicting considered variable. For the purpose of research, monthly time series of exchange rate from April 1998 to December 2012 were used including 177 observations from which 150 observations were used for modeling purpose and 27 observations were used for simulation or in other words for presenting predictions out of samples. The findings of present study imply that firstly, dynamic neural network models compared to feed-forward multilayer neural networks have better performance in predicting exchange rate out of sample, based on both criteria for prediction error calculation: MSE & RMSE and secondly, applying wavelet decomposition technique improves prediction results of mentioned models based on both criteria. The third point is that among mentioned models, the best result belongs to predictions obtained from dynamic neural networks based on decomposed data by wavelet technique. Therefore, applying this combination of models as an optimized combination is suggested to monetary researchers, analysts and decision makers of country.Keywords: Exchange rate, Neural Network, MFNN, NNARX, wavelet decomposition
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.