فایل ورد کامل مدل شبکه‌ عصبی رگرسیون خودکار چندک با کاربردهایی در ارزیابی ارزش در ریسک

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل مدل شبکه‌ عصبی رگرسیون خودکار چندک با کاربردهایی در ارزیابی ارزش در ریسک،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۲ صفحه

۵ نتیجه‌گیری‌ها
ما در این مقاله مجددا مدل QAR را بر اساس شبکه‌های عصبی در نظر می‌گیریم و یک مدل جدید خودرگرسیون چندک غیرخطی QARNN را توسعه می‌دهیم. QARNN تعمیم مدل‌های موجود است و در توضیح ساختار پیچیده‌ی داده‌ها انعطاف‌پذیر است. یک ویژگی جالب مدل QARNN این است که چندک‌های خودرگرسیون به عنوان پیش‌بینی کننده‌ها به صورت بازگشتی مورد استفاده قرار می‌گیرند و می‌توانند مستقیما تخمین زده شوند. برای توضیح کارایی مدل ارائه شده، ما مطالعات شبیه‌سازی مونت کارلو و تست‌های گسترده‌ای را روی شاخص‌های مختلف سهام انجام می‌دهیم. نتایج عددی نشان می‌دهند که مدل QARNN قادر به کاوش غیرخطی بودن در سری‌های زمانی مالی است و عملکرد بهتری در ارزیابی VaR در مقایسه با برخی مدل‌های رقابتی مانند ریسک متریک، GARCH-EVT، ARMA-APARCH، CAViaR، PCC و QRNN دارد.

عنوان انگلیسی:Quantile autoregression neural network model with applications to evaluating value at risk~~en~~

۵ Conclusions

In this article, we reconsider the QAR model based on neural networks and develop a novel nonlinear quantile autoregression model QARNN. The QARNN generalizes existing models and is very flexible at describing complicated data structures. An appealing feature of the QARNN model is that the autoregressive quantiles are used as predictors recursively and can be estimated directly. To illustrate the efficacy of the proposed model we conduct Monte Carlo simulation studies and extensive tests on different stock indices. Numerical results show that the QARNN model is able to explore nonlinearity in financial time series and performs better in VaR evaluation than some competing models, including RiskMetric, GARCH-EVT, ARMA-APARCH, CAViaR, PCC and QRNN.

$$en!!