فایل ورد کامل تحقیق سری های زمانی و واریانس و پژوهش های مرتبط با فرمت ورد ۴۶ صفحه در word

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

 فایل ورد کامل تحقیق سری های زمانی و واریانس و پژوهش های مرتبط با فرمت ورد ۴۶ صفحه در word دارای ۴۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل تحقیق سری های زمانی و واریانس و پژوهش های مرتبط با فرمت ورد ۴۶ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل تحقیق سری های زمانی و واریانس و پژوهش های مرتبط با فرمت ورد ۴۶ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل تحقیق سری های زمانی و واریانس و پژوهش های مرتبط با فرمت ورد ۴۶ صفحه در word :

دید کلی :
هدف از این تحقیق بررسی سری های زمانی و واریانس و پژوهش های مرتبط با آن با فرمت docx بصورت کامل و جامع و با قابلیت ویرایش می باشد

توضیحات کامل :

هدف از این تحقیق بررسی سری های زمانی و واریانس و پژوهش های مرتبط با آن با فرمت docx بصورت کامل و جامع و با قابلیت ویرایش می باشد

فایل ورد کامل تحقیق سری های زمانی و واریانس و پژوهش های مرتبط با فرمت ورد ۴۶ صفحه در word
فهرست مطالب

۲-۱. مقدمه

۲-۲. مروری بر ادبیات تحقیق

۲-۲-۱. تحقیقات داخلی

۲-۲-۲. تحقیقات خارجی

۲-۳. سری های زمانی

۲-۳-۱. روش های تحلیل سری های زمانی

۲-۳-۲. ویژگی های سری های زمانی

۲-۳-۳. مدل سازی سری های زمانی

۲-۳-۴. معیارهای اطلاعاتی آکائیک و شوارتز

۲-۳-۵. روش باکس- جینز

۲-۳-۶. تبدیلات

۲-۳-۷. پیش بینی

۲-۳-۸. انواع واریانس

۲-۳-۹. ویژگی های سری های زمانی مالی

۲-۴. واریانس ناهمسانی شرطی اتورگرسیو تعمیم یافته(گارچ )

۲-۴-۱. فرآیند GARCH(p,q)

۲-۴-۲. فرآیند GARCH(1,1)

۲-۴-۳. آزمون مدل گارچ

۲-۴-۴. تخمین حداکثر درستنمایی در مدلهای گارچ

۲-۵. شبیه سازی مونت کارلو

۲-۵-۱. تاریخچه شبیه سازی مونت کارلو

۲-۵-۲. اعدادتصادفی

۲-۵-۳. تولید کننده های اعداد تصادفی

۲-۵-۴. روش های تولید اعداد تصادفی

۲-۵-۵. فرآیند شبیه سازی مونت کارلو

۲-۵-۶. روش های شبیه سازی مونت کارلو

۲-۵-۷. کاربردهای شبیه سازی مونت کارلو

۲-۵-۸. مزایا و معایب شبیه سازی مونت کالو

منابع

باقر صمدی در پایان نامه خویش در سال ۱۳۸۶ با عنوان ” مدلسازی تلاطم در شاخص قیمت بورس تهران با استفاده از مدل های گارچ و معرفی الگوی مناسب برای تعیین ارزش در معرض خطر” ابتدا با استفاده از روش های گارچ تلاطم بازار را با استفاده از ۱۴۶۷ داده روزانه برای شاخص قیمت بورس اوراق بهادار تهران برآورد کرده و سپس بهترین مدل ها در تخمین و پیش بینی تلاطم برای توزیع نرمال و تی-استیودنت مشخص نموده است. در ادامه با وجود علائم حافظه بلندمدت برای تبیین میانگین شرطی از مدل ARFIMA و برای واریانس شرطی در کنار مدل های با حافظه کوتاه مدت از مدل با حافظه بلندمدت FIGARCH استفاده شده است. کارکرد بهتر مدل های با حافظه بلندمدت مخصوصا برای بازده با توزیع نرمال مشخص شده است. نتایج حاصل از مقایسه عملکرد مدل های مختلف گارچ در کنار مدل ریسک متریک ، بیانگر عملکرد بهتر آنها در توزیع تی-استیودنت در مقایسه با توزیع نرمال بوده است. مقایسه مدل های مذکور نشان دهنده آن بوده است که در سطوح اطمینان متفاوت برای تخمین ارزش در معرض خطر، مدل های مختلف نتایج متفاوتی را نشان داده اند ولی با این وجود می توان گفت که مدل FIGARCH در سطح معنی داری ۲/۵% بهترین عملکرد را دارا بوده است.

          پورابراهیمی و همکاران در سال ۱۳۸۷  عملکرد پیش بینی مدل های نوسان شرطی و غیر شرطی (۱۲ مدل) بر اساس معیار ارزیابی میانگین مربعات خطا (RMSE)  در خصوص پیش بینی نوسان شاخص بازده نقدی و قیمت بورس تهران  (TEDPIX)   بررسی نمودند. داده های مورد استفاده جهت آزمون فرضیه های سری زمانی شاخص بازده نقدی و قیمت(TEDPIX)  بورس اوارق بهادار تهران طی دوره ۰۱/۰۹/۷۷ الی ۲۹/۱۲/۸۵ یعنی ۱۰۰ ماه (۱۹۸۵) مشاهده بوده است. از مدل های میانگین متحرک، هموارسازی نمایی ARMA  و مدل شبکه عصبی (به عنوان مدل های غیر شرطی) و مدل های  GARCHشامل EGARCH, TGARCH, GARCH و PGARCH  ( به عنوان مدل های شرطی ) جهت آزمون فرضیه ها استفاده شده است. نتایج نشان می دهد عملکرد مدل میانگین متحرک ۲۵۰ روزه، هموارسازی نمایی و  CGARCH طبق معیار RMSE   از دیگر مدل ها بهتر است. نتایج مدل های ترکیبی نیز نشان میدهد که در کل، مدل های غیر شرطی عملکرد بهتری نسبت به مدل های شرطی داشته اند. علاوه بر این، نتیجه به دست آمده از آماره دایبولد_ماریانو نشان میدهد که تفاوت معناداری میان قدرت پیش بینی مدل MA 250و مدل CGARCH وجود ندارد.  بنابراین، برخلاف بسیاری از مطالعه های انجام شده، پیش بینی مدل های شرطی تفاوت معناداری با دیگر مدل ها ندارد و حتی تخمین نقطه ای آن ها از برخی از مد لهای نوسان غیرشرطی نیز بدتر است.