مواد پر جائیں
لائبریری کی تمام دستاویزات

اتار چڑھاؤ کی پیش گوئی بہتر بنانے کے لیے ARCH ماڈلز کا امتزاج

مضمون arXiv papers · مصنف: Jun Lu et al.
اصل ماخذ پڑھیں

خلاصہ

یہ دستاویز اتار چڑھاؤ کی ان پیش گوئیوں پر بات کرتی ہے جو حقیقی اتار چڑھاؤ کو زیادہ یا کم بتا کر اس کی بلند ترین اور کم ترین سطحوں سے محروم رہتی ہیں۔ اس میں بتایا گیا ہے کہ SVR-GARCH ایسی پیش گوئیاں دے سکتا ہے جو سابقہ اتار چڑھاؤ سے بہت مختلف ہوں؛ اس رویے کو ماضی پر مرکوز کہا گیا ہے۔ مصنفین مالیاتی ٹائم سیریز میں موڑ کے مقامات کی بہتر نمائندگی سمیت پیش گوئیوں کو بہتر بنانے کے لیے ARCH (BARCH) اور توسیع شدہ BARCH (aBARCH) ماڈلز کو ملانے کی تجویز دیتے ہیں۔

طریقے کی مثال SH300 اور S&P 500 کے حقیقی ڈیٹا سے دی گئی ہے، اور رپورٹ کردہ تجرباتی نتائج سے اشارہ ملتا ہے کہ دونوں امتزاجی ماڈل اتار چڑھاؤ کی پیش گوئی کی صلاحیت بہتر کرتے ہیں۔ مختصر وضاحت میں ماڈل کی مساوات، پیش گوئی کے دورانیے، جائزے کے پیمانے یا بہتری کی مقدار اور یکسانیت بیان نہیں کی گئی۔ یہ بھی ثابت نہیں کیا گیا کہ طریقہ مذکورہ ڈیٹا سیٹس سے آگے عمومی طور پر لاگو ہوتا ہے۔ دستاویز ماڈلز کو پیش گوئی بہتر بنانے کے طور پر بیان کرتی ہے؛ یہ ٹریڈنگ اسٹریٹیجی یا اس سے حاصل ہونے والی پورٹ فولیو کارکردگی رپورٹ نہیں کرتی۔

اہم خیالات

  • SVR-GARCH کی پیش گوئیاں اتار چڑھاؤ کی بلند ترین اور کم ترین سطحوں کے آس پاس اسے زیادہ یا کم بتا سکتی ہیں۔
  • BARCH اور توسیع شدہ BARCH پیش گوئی کی غلطیوں سے نمٹنے کے لیے ARCH پر مبنی اجزا ملاتے ہیں۔
  • ماڈلز کا مقصد اتار چڑھاؤ کی سیریز میں موڑ کے مقامات کے رویے کو بہتر طور پر پکڑنا ہے۔
  • بیان کردہ تجرباتی مثالوں میں SH300 اور S&P 500 کا ڈیٹا استعمال ہوا ہے۔
  • رپورٹ کردہ نتائج پیش گوئی کی صلاحیت میں بہتری بتاتے ہیں، مگر اثر کی مقدار یا عمومی اطلاق کے ٹیسٹ نہیں بتاتے۔

ٹیگز

اتار چڑھاؤشماریاتحصصچین کی مارکیٹیںامریکی مارکیٹیں
مکمل متن
# Reducing overestimating and underestimating volatility via the augmented blending-ARCH model


# Reducing overestimating and underestimating volatility via the augmented blending-ARCH model









SVR-GARCH model tends to "backward eavesdrop" when forecasting the financial time series volatility in which case it tends to simply produce the prediction by deviating the previous volatility. Though the SVR-GARCH model has achieved good performance in terms of various performance measurements, trading opportunities, peak or trough behaviors in the time series are all hampered by underestimating or overestimating the volatility. We propose a blending ARCH (BARCH) and an augmented BARCH (aBARCH) model to overcome this kind of problem and make the prediction towards better peak or trough behaviors. The method is illustrated using real data sets including SH300 and S&P500. The empirical results obtained suggest that the augmented and blending models improve the volatility forecasting ability.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔