پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,572 |
| تعداد مقالات | 71,006 |
| تعداد مشاهده مقاله | 125,494,336 |
| تعداد دریافت فایل اصل مقاله | 98,755,110 |
بهبود مدل‌سازی شبکه‌های عصبی در پیشبینی نرخ ارز، با به‌کارگیری شاخص‌های تلاطم | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 5، دوره 43، شماره 4، اسفند 1387 اصل مقاله (357.37 K) | ||
| نویسندگان | ||
| حسن درگاهی؛ رضا انصاری | ||
| دانشگاه شهید بهشتی | ||
| چکیده | ||
| این مقاله بر نقش شاخص‌های تلاطم در بهبود روش شبکه‌های عصبی برای پیشبینی روزانه دو نرخ ارز دلار و پوند در برابر یورو در بازار ارز تأکید دارد. بدین منظور دو شاخص واریانس و گارچ را به عنوان شاخص‌های تلاطم نرخ ارز به تفکیک در نظر گرفته و به دو طریق در مدل مورد استفاده قرار می‌دهیم. بار اول وقفة آن را به وقفه‌های نرخ ارز اضافه می‌کنیم و بار دیگر شاخص تلاطم را سطح‌بندی کرده و با دسته‌بندی مشاهدات براساس سطح تلاطم، مدل پیشبینی ویژه‌ای را برای هر دسته از مشاهدات می‌سازیم. نتایج نشان می‌دهد که مدل‌های سطوح بالای تلاطم، در مقایسه با مدل مبنا، قدرت پیشبینی نرخ ارز آتی را بهبود می‌دهند، اما در پیشبینی مدل‌های سطوح میانی و پایین تلاطم، بهبودی مشاهده نمی‌شود. بنابراین می‌توان گفت که در بازار ارز، تلاطم‌های پایین نرخ ارز برای عاملان اقتصادی خبر جدیدی نیست و در شکل دادن انتظارات برای پیشبینی نرخ ارز نقشی ندارد، در حالی که سطوح بالاتر تلاطم یک اطلاع جدید است. طبقهبندی JEL: F31, F37, C63 | ||
| کلیدواژه‌ها | ||
| پیشبینی؛ شاخص تلاطم؛ شبکة عصبی؛ نرخ ارز | ||
| عنوان مقاله [English] | ||
| Improved Neural Network Forecasting Models for Foreign Exchange Rates Using Volatility Indices | ||
| نویسندگان [English] | ||
| Hassan Dargahi؛ Reza Ansari | ||
| چکیده [English] | ||
| The emphasis of this paper is the role of volatility indices on improvement Artificial Neural Networks (ANNs) forecasting models for the daily USD/EUR and USD/GBP exchange rates Two volatility indices are used. First; the realized volatility, which is based on intra-daily data, and second the GARCH volatility. They are applied into the model in two ways. Firstly, the lagged volatility index is added to the model. Secondly, some levels for the volatility are defined and the time series are partitioned according to the level of volatility, and then different models of exchange rate forecasting are built for each level of volatility. The forecasting results demonstrate that the models with low and middle volatility are not preferred to the model without volatility index. However, in case of high volatility, the level models improve forecasting power. This means that high volatility provides new information for foreign exchange market. JEL Classification: F31, F37, C63 | ||
| کلیدواژه‌ها [English] | ||
| Exchange rate, forecasting, Neural Network, Volatility | ||
|
آمار تعداد مشاهده مقاله: 3,089 تعداد دریافت فایل اصل مقاله: 2,383 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب