| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 979429 | 933348 | 2008 | 8 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Forecasting volatility of SSEC in Chinese stock market using multifractal analysis
ترجمه فارسی عنوان
پیش بینی نوسانات SSEC در بازار سهام چین با استفاده از تحلیل چند برخالی
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
فیزیک اقتصاد - چند فراکتال - نوسانات متوجه شده - مدل نوسانات تصادفی توانایی پیش بینی برتر
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.مقدمه
2. بازده های داده، روزمره و یک روزه
3. نوسانات تحقق یافته و مدل ARFIMA
4. سنجش نوسان چند برخالی و مدل آن
شکل 1. وابستگی زمانی شاخص ها از 4 فوریه 2004 (a)؛ و 5 فوریه 2004 (b)؛ طیف چند برخالی از 4 فوریه 2004 (c)؛ و 5 فوریه 2004 (d).
شکل 2. وابستگی زمانی از بازدهی های روزانه SSEC بین 19 ژانویه 1999 و 30 دسامبر 2005 (a)، نوسان تحقق یافته (b) و سنجش نوسان چندبرخالی (c).
5. مدل های نوسانی تاریخی
1.5. مدل GARCH
2.5. مدل نوسان تصادفی
6. روش شناسی پیش بینی و آزمایش SPA
7. نتایج تجربی
1.7. برخی از نتایج پیش بینی
شکل 3. پیش بینی های نوسان یک روز پیش رو از (a) ARFIMA-lnRV و ARFIMA-lnMFV ؛ (b) GARCH و SV؛ و سنجش نوسان تحقق یافته (به شکل نقطه)
جدول 1. آزمایش توانایی پیش بینی برتر (SPA) برای مدل های نوسانی مختلف
2.7. آزمایش های SPA
8. نتیجه گیری
کلمات کلیدی
1.مقدمه
2. بازده های داده، روزمره و یک روزه
3. نوسانات تحقق یافته و مدل ARFIMA
4. سنجش نوسان چند برخالی و مدل آن
شکل 1. وابستگی زمانی شاخص ها از 4 فوریه 2004 (a)؛ و 5 فوریه 2004 (b)؛ طیف چند برخالی از 4 فوریه 2004 (c)؛ و 5 فوریه 2004 (d).
شکل 2. وابستگی زمانی از بازدهی های روزانه SSEC بین 19 ژانویه 1999 و 30 دسامبر 2005 (a)، نوسان تحقق یافته (b) و سنجش نوسان چندبرخالی (c).
5. مدل های نوسانی تاریخی
1.5. مدل GARCH
2.5. مدل نوسان تصادفی
6. روش شناسی پیش بینی و آزمایش SPA
7. نتایج تجربی
1.7. برخی از نتایج پیش بینی
شکل 3. پیش بینی های نوسان یک روز پیش رو از (a) ARFIMA-lnRV و ARFIMA-lnMFV ؛ (b) GARCH و SV؛ و سنجش نوسان تحقق یافته (به شکل نقطه)
جدول 1. آزمایش توانایی پیش بینی برتر (SPA) برای مدل های نوسانی مختلف
2.7. آزمایش های SPA
8. نتیجه گیری
ترجمه چکیده
در این مقاله، با در نظر گیری به حدود 7 سال داده های پر تکرار شاخص ترکیبی بورس سهام شانگهای (SSEC) به عنوان یک نمونه، ما یک سنجش نوسان روزانه را ارائه دادیم که مبتنی بر طیف چند برخالی از تنوع قیمت پر تکرار در یک روز تجاری بود. یک مدل ARFIMA برای نشان دادن پویایی این ارزیابی های نوسان چند برخالی (MFV) مورد استفاده قرار گرفت. عملکرد های پیش بینی نوسان روزانه ی پیش رو مدل MFV و برخی دیگر از مدل های نوسانی موجود، مانند مدل نوسانی تحقق یافته، مدل نوسانی تصادفی و GARCH، توسط آزمون توانایی پیش بینی برتر (SPA) ارزیابی می شود. نتایج تجربی نشان می دهند که تحت چند عملکرد منفی، مدل MFV بهترین دقت پیش بینی را بدست می آورد.
© 2007 انتشار یافته توسط الزوایر با مسئولیت محدود.
موضوعات مرتبط
مهندسی و علوم پایه
ریاضیات
فیزیک ریاضی
چکیده انگلیسی
In this paper, taking about 7 years’ high-frequency data of the Shanghai Stock Exchange Composite Index (SSEC) as an example, we propose a daily volatility measure based on the multifractal spectrum of the high-frequency price variability within a trading day. An ARFIMA model is used to depict the dynamics of this multifractal volatility (MFV) measures. The one-day ahead volatility forecasting performances of the MFV model and some other existing volatility models, such as the realized volatility model, stochastic volatility model and GARCH, are evaluated by the superior prediction ability (SPA) test. The empirical results show that under several loss functions, the MFV model obtains the best forecasting accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 387, Issue 7, 1 March 2008, Pages 1585–1592
Journal: Physica A: Statistical Mechanics and its Applications - Volume 387, Issue 7, 1 March 2008, Pages 1585–1592
نویسندگان
Yu Wei, Peng Wang,