رفتن به محتوا
همه اسناد کتابخانه

مدل‌های آمیخته گاما–گاوسی مقید برای مدل‌سازی بازده دارایی

مقاله arXiv papers · نویسنده: Iead Rezek

خلاصه

این مقاله مدلی آمیخته و مقید برای توصیف بازده دارایی و تمایز رفتار قیمتِ صعودی، نزولی و خنثی ارائه می‌کند. برای نمایش الگوهای بازده، توزیع‌های گاما و گاوسی را ترکیب می‌کند و در عین حال دنباله‌های سنگین و کشیدگی زیاد را لحاظ می‌کند؛ ویژگی‌هایی که ممکن است فرض‌های توزیعی ساده را برای داده‌های مالی ناکافی سازند.

برآورد مدل با چارچوب بیشینه‌سازی امیدریاضی–بیشینه‌سازی انجام می‌شود و انتخاب مرتبه مدل نیز باید قیود را رعایت کند. این کار روشی ساختارمند برای برازش توزیع بازده و حفظ تفسیر مورد نظر از اجزای آن فراهم می‌کند. گزیده، طراحی مدل و روش برآورد را شرح می‌دهد، اما داده تجربی، نتایج مقایسه‌ای یا شواهد عملکرد معاملاتی ارائه نمی‌کند. بنابراین بر اساس اطلاعات موجود نمی‌توان سودمندی آن را برای انتخاب استراتژی یا پیش‌بینی ارزیابی کرد.

ایده‌های کلیدی

  • مدل برای نمایش بازده دارایی، از ترکیبی مقید از توزیع‌های گاما و گاوسی استفاده می‌کند.
  • هدف اجزای مدل، تمایز رفتار قیمت صعودی، نزولی و خنثی است.
  • این ترکیب برای لحاظ‌کردن دنباله‌های سنگین و کشیدگی زیاد طراحی شده است.
  • برآورد پارامترها با چارچوب بیشینه‌سازی امیدریاضی–بیشینه‌سازی انجام می‌شود.
  • انتخاب مرتبه مدل باید قیود آن را حفظ کند.

برچسب‌ها

متن کامل
# Constrained Mixture Models for Asset Returns Modelling


# Constrained Mixture Models for Asset Returns Modelling









The estimation of asset return distributions is crucial for determining optimal trading strategies. In this paper we describe the constrained mixture model, based on a mixture of Gamma and Gaussian distributions, to provide an accurate description of price trends as being clearly positive, negative or ranging while accounting for heavy tails and high kurtosis. The model is estimated in the Expectation Maximisation framework and model order estimation also respects the model's constraints.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.