A comparison of wavelet networks and genetic programming in the context of temperature derivatives

هدف از این مطالعه، توسعه یک مدل است که دینامیک دما متوسط ​​روزانه را با دقت در متن قیمت گذاری مشتقات آب مطرح می کند. دقیق تر، ما دو الگوریتم یادگیری ماشین الگوریتم، یعنی شبکه های موجک و برنامه نویسی ژنتیکی را مقایسه می کنیم، با روش های خطی کلاسیک که به طور گسترده در قیمت گذاری مشتقات دما در بازار مالی مالی و همچنین با انواع مختلف مدل های مدل یادگیری ماشین مانند شبکه های عصبی، توابع اساسی شعاعی و رگرسیون بردار پشتیبانی. دقت روند ارزیابی بستگی به دقت پیش بینی های دما دارد. مدل های پیشنهادی ما در هر دو نمونه نمونه و خارج از نمونه در مکان های مختلفی مورد استفاده قرار می گیرند که در آن مشتقات آب و هوا مورد ارزیابی قرار می گیرند و مقایسه می شوند. علاوه بر این، تجزیه و تحلیل ما با بررسی ثبات مدل های پیش بینی نسبت به افق پیش بینی. یافته های ما نشان می دهد که روش های غیر خطی پیشنهاد شده به طور قابل توجهی بهتر از مدل خطی جایگزین هستند و شبکه های موجک رتبه بندی اول را دارند و می توانند برای قیمت گذاری مشتقات دقیق آب و هوایی در بازار آب و هوا استفاده شوند.