ارائه روشی برای پیش بینی پایدار سری های زمانی با کاربرد در مسائل مالی با استفاده از روش Robust

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

حمید شهریاری ¹ , نیما شریعتی ² , امیر مسلمی ³

1 - ندارد
2 - ندارد
3 - مسئول مکاتبات

تاریخ دریافت : 1390/10/26 تاریخ پذیرش : 1391/01/15 تاریخ انتشار : 1391/09/25

کلید واژه: سری های زمانی, مدل خود رگرسیون, داده‌های پرت, تخمین پایدار, داده های مالی,

چکیده مقاله :

به منظور مدل‌سازی و تخمین مناسب و قابل اعتماد پارامترها در مدل‌های داده های خودهمبسته، از رویکردهای پایداراستفاده می شود. وجود داده‌‌های پرت و آلودگی‌ها، تاثیری مخرب در تخمین پارامترهای این مدلها دارد. از آنجایی که در اغلب مسائل مالی، داده‌های گذشته بر داده های اخیر اثرگذار هستند، این داده‌ها معمولاً در قالب سری زمانی مدل سازی می‌شوند. در این تحقیق، مدل های خود رگرسیون به عنوان یکی از مدل های مطرح در تحلیل سری‌های زمانی در نظر گرفته شده و رویکرد استوار[i] جدیدی بر مبنای بهینه سازی s فیلتر شده برای تخمین پارامترهای مدل خود رگرسیون ارائه شده است. از مدل پایدار بدست آمده در پیش بینی پایداری مقادیر آینده استفاده شده است. در انتها نیز به عنوان مثال عددی، سود حاصل از فروش یک محصول واسطه در بازه زمانی 148 ماه جمع‌آوری شده و از رویکرد پایدار پیشنهادی برای پیش‌بینی مقادیرسود در آینده استفاده شده است. روش پایدار در مقایسه با روش‌های کلاسیک، کارایی بالاتری را در پیش بینی مقادیر آینده از خود نشان می‌دهد. [

چکیده انگلیسی:

To obtain reliable model for auto correlated and time series data, robust approachshould be considered because outliers and contaminations can have bad effect onparameter estimation of these models. Since most finance data are auto correlated andthey are affected by the previous data, they can be modeled by time series regressionmodels. In this paper, the autoregressive (AR) model is investigated and novel robustprocedure based on filtered S-estimator is proposed to estimate the parameters of ARmodel. This model is used to obtain robust forecasting procedure. We present 148 datagathered from a firm which are related to profit as a numerical example and show theefficiency of the proposed estimation approach. The robust model can forecast moreaccurate than classical model in presence of outlier.