دانلود مقاله ISI انگلیسی شماره 141158
ترجمه فارسی عنوان مقاله

انتخاب مبانی مبادله با بوت استرپ

عنوان انگلیسی
Selecting exchange rate fundamentals by bootstrap
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
141158 2017 21 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : International Journal of Forecasting, Volume 33, Issue 4, October–December 2017, Pages 894-914

ترجمه کلمات کلیدی
بسته بندی تندباد، پیش بینی های ترکیبی ارزیابی اقتصادی مدل های نرخ ارز، پیش بینی نرخ ارز،
کلمات کلیدی انگلیسی
Bagging; Bumping; Combined forecasts; Economic evaluation of exchange rate models; Exchange rate forecasting;
ترجمه چکیده
تحقیقات نشان می دهد که توانایی پیش بینی مبانی اقتصادی برای نرخ های ارز در طول زمان تغییر می کند؛ ممکن است در برخی از دوره ها تشخیص داده شود و در دیگران ناپدید می شود. این مقاله با استفاده از روش های مبتنی بر بوت استرپ برای انتخاب اطلاعات مربوط به زمان بندی ویژه برای پیش بینی نرخ ارز استفاده می کند. با استفاده از سنجش توانایی پیش بینی در طول زمان، همراه با معیارهای ارزیابی آماری و اقتصادی، ما دریافتیم که رویکرد ما بر اساس پیش تعیین شده و اعتبارسنجی مبانی در بین تکرارهای بوت استرپ، منجر به پیشرفت قابل توجه پیش بینی و دستاوردهای اقتصادی نسبت به پیاده روی تصادفی می شود. این رویکرد، که به عنوان پرتحرک شناخته می شود، مدل های پارسییمونی را انتخاب می کند که دارای قدرت پیش بینی نشده از یک نمونه در افق یک ماهه هستند. به نظر می رسد که روش های جایگزین دیگری مانند بیزی، بسته بندی کیسه ای و ترکیب پیش بینی های استاندارد را از بین می برد.
پیش نمایش مقاله
پیش نمایش مقاله  انتخاب مبانی مبادله با بوت استرپ

چکیده انگلیسی

Research shows that the predictive ability of economic fundamentals for exchange rates varies over time; it may be detected in some periods and disappear in others. This paper uses bootstrap-based methods to select time-specific conditioning information for the prediction of exchange rates. By employing measures of the predictive ability over time, along with statistical and economic evaluation criteria, we find that our approach based on pre-selecting and validating fundamentals across bootstrap replications leads to significant forecast improvements and economic gains relative to the random walk. The approach, known as bumping, selects parsimonious models that have out-of-sample predictive power at the one-month horizon; it is found to outperform various alternative methods, including Bayesian, bagging, and standard forecast combinations.