دانلود مقاله ISI انگلیسی شماره 17269 + ترجمه فارسی
عنوان فارسی مقاله

پیش بینی نوسانات SSEC در بازار سهام چین با استفاده از تحلیل چند برخالی

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
17269 2008 8 صفحه PDF 13 صفحه WORD
دانلود فوری مقاله + ترجمه آماده

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 3537 کلمه می باشد.

این مقاله قبلاً ترجمه شده و همین الان می توانید ترجمه آماده آن را با 70 درصد تخفیف دانلود فرمایید:

شرح تعرفه ترجمه جمع هزینه
هزینه سفارش ترجمه هر کلمه 10 تومان 35,370 تومان
قیمت دانلود ترجمه آماده هر کلمه 3 تومان 10,611 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Forecasting volatility of SSEC in Chinese stock market using multifractal analysis
منبع

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

Journal : Physica A: Statistical Mechanics and its Applications, Volume 387, Issue 7, 1 March 2008, Pages 1585–1592

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1.مقدمه

2. بازده های داده، روزمره و یک روزه

3. نوسانات تحقق یافته و مدل ARFIMA

4. سنجش نوسان چند برخالی و مدل آن

شکل 1. وابستگی زمانی شاخص ها از 4 فوریه 2004 (a)؛ و 5 فوریه 2004 (b)؛ طیف چند برخالی از 4 فوریه 2004 (c)؛ و 5 فوریه 2004 (d). 

شکل 2. وابستگی زمانی از بازدهی های روزانه SSEC بین 19 ژانویه 1999 و 30 دسامبر 2005 (a)، نوسان تحقق یافته (b) و سنجش نوسان چندبرخالی (c).

5. مدل های نوسانی تاریخی

1.5. مدل GARCH

2.5. مدل نوسان تصادفی

6. روش شناسی پیش بینی و آزمایش SPA  

7. نتایج تجربی

1.7. برخی از نتایج پیش بینی

شکل 3. پیش بینی های نوسان یک روز پیش رو از (a)  ARFIMA-lnRV و ARFIMA-lnMFV ؛ (b) GARCH و SV؛ و سنجش نوسان تحقق یافته (به شکل نقطه)

جدول 1. آزمایش توانایی پیش بینی برتر (SPA) برای مدل های نوسانی مختلف

2.7. آزمایش های SPA

8. نتیجه گیری
ترجمه کلمات کلیدی
فیزیک اقتصاد - چند فراکتال - نوسانات متوجه شده - مدل نوسانات تصادفی توانایی پیش بینی برتر
کلمات کلیدی انگلیسی
Econo physics,Multi fractal,Realized volatility,Stochastic volatility model, GARCH,Superior predictive ability
ترجمه چکیده
در این مقاله، با در نظر گیری به حدود 7 سال داده های پر تکرار شاخص ترکیبی بورس سهام شانگهای (SSEC) به عنوان یک نمونه، ما یک سنجش نوسان روزانه را ارائه دادیم که مبتنی بر طیف چند برخالی از تنوع قیمت پر تکرار در یک روز تجاری بود. یک مدل ARFIMA برای نشان دادن پویایی این ارزیابی های نوسان چند برخالی (MFV) مورد استفاده قرار گرفت. عملکرد های پیش بینی نوسان روزانه ی پیش رو مدل MFV و برخی دیگر از مدل های نوسانی موجود، مانند مدل نوسانی تحقق یافته، مدل نوسانی تصادفی و GARCH، توسط آزمون توانایی پیش بینی برتر (SPA) ارزیابی می شود. نتایج تجربی نشان می دهند که تحت چند عملکرد منفی، مدل MFV بهترین دقت پیش بینی را بدست می آورد. © 2007 انتشار یافته توسط الزوایر با مسئولیت محدود.
ترجمه مقدمه
مدلسازی و پیش بینی نوسانات در بازار های مالی یک مسئله ی کلیدی در بسیاری از زمینه ها به شمار می رود، از جمله قیمت گذاری محصولات اشتقاقی، تخصیص سهام و ارزیابی ریسک. اولین مقاله از انگل [1] راه را برای پیشرفت تعداد زیادی از مدل های نوسانی به اصطلاح تاریخی که در آنها یک فرایند نوسانی متغیر زمانی از داده های بازده مالی استخراج می شد هموار کرد. بسیاری از این مدل ها را می توان به عنوان نوع دیگری از مدل های ناهمسانی واریانس شرطی خودکار عمومی (GARCH) در نظر گرفت [2]. طبقه ی رقیب برای ARCH با مدل های نوسان تصادفی (SV) مرتبط است [3]. هر دو مدل GARCH و SV به طور معمول برای تحلیل بازده های روزانه، هفتگی و ماهانه مورد استفاده قرار می گیرند. اگرچه قابلیت دسترسی گسترده از قیمت های پرتکرار یک روزه از دارایی های مالی و کار انجام شده روی آنها درک جدید از مفهوم نوسان ایجاد کرده است: به عنوان یک واقعیت، داده های نمونه گیری شده در فواصل روزانه ی معمول را می توان به یک سنجش با عنوان نوسان تحقق یافته (RV) خلاصه کرد که، تحت برخی فرضیات، یک تخمین گر ثابت از واریانس درجه دوم از فرایند انتشار اساسی است [4]. در اصل، باید اثبات شود که سنجش های نوسان استنتاج شده از داده های پرتکرار دقیق تر هستند، بنابراین پیش بینی ارزش های بهره وری را ممکن می سازند. با این اوصاف، مراجع اخیر [5] نشان می دهند که نوسان تحقق یافته مستعد تمامی انواع مشکلات ریزساختاری است. از آنجا که پیشنهاد ماندلبروت [6] نشان می دهد چندبرخالی یک ابزار قدرتمند برای نشان دادن پیچیدگی های نوسانی در بازار های مالی است، تحقیقات زیادی در این زمینه انجام شده است. اگرچه اکثر این مطالعات روی آزمایش های تجربی در مورد چن برخالی بودن در مجموعه داده های مالی متفاوت تمرکز کرده اند. در نتیجه ما نمی دانیم که آیا تحلیل چندبرخالی می تواند به سنجش و پیش بینی دقت نوسانات در بازار های مالی کمک کند یا خیر. با در نظر گیری داده های پر تکرار شاخص SSEC در بازار سهام چین به عنوان مثال، در ابتدا ما یک سنجش نوسان چندبرخالی (MFV) مبتنی بر طیف چندبرخالی از تحرکات قیمت های پرتکرار در یک روز تجاری ارائه کردیم. سپس مشابه با نوسان تحقق یافته، ما نیز یک فرایند ARFIMA برای مدلسازی پویایی MFV و استفاده از یک روش پنجره نورد برای پیش بینی نوسانات یک روز پیش روی SSEC را ارائه کردیم. در نهایت، ما از یک آزمایش رسمی برای توانایی پیش بینی برتر (SPA) ارائه شده توسط مرجع [7] برای ارزیابی عملکرد پیش بینی مدل MFV و مقایسه ی آن با دیگر مدل های نوسانی محبوب، مانند RV، SV و مدل های GARCH استفاده می کنیم. نتایج تجربی نشان می دهند که تحت چندین عملکرد منفی، به عبارت دیگر خطای مجذور میانگین تنظیم شده برای ناهمسانی واریانس (HMSE) و خطای مطلق میانگین تنظیم شده برای ناهمسانی واریانس (HMAE)، مدل MFV بهترین دقت پیش بینی را بدست می آورد. این مقاله به شرح زیر سازماندهی شده است. در بخش بعدی، ما داده های نمونه را معرفی کرده و در مورد نحوه ی ساخته شدن بازده های روزمره و یک روزه بحث می کنیم. در بخش 3، ما در مورد نحوه ی استنتاج نوسان تحقق یافته از یازده های یک روزه و مدل ARFIMA برای RV بحث می کنیم. در بخش 4، ما محاسبات سنجش نوسان چندبرخالی از طیف چندبرخالی تحرکات قیمت پر تکرار در یک روز تجاری را ارائه می دهیم. در بخش 5، مدل های نوسانی تاریخی به طور خلاصه شرح داده می شوند. روش پیش بینی بدون مثال و آزمایش SPA در بخش 6 مورد بحث قرار می گیرد و در بخش 7، نتایج تخمین و پیش بینی ارائه می گردند. بخش 8 نتایج را خلاصه می کند.
پیش نمایش مقاله
پیش نمایش مقاله پیش بینی نوسانات SSEC در بازار سهام چین با استفاده از تحلیل چند برخالی

چکیده انگلیسی

In this paper, taking about 7 years’ high-frequency data of the Shanghai Stock Exchange Composite Index (SSEC) as an example, we propose a daily volatility measure based on the multifractal spectrum of the high-frequency price variability within a trading day. An ARFIMA model is used to depict the dynamics of this multifractal volatility (MFV) measures. The one-day ahead volatility forecasting performances of the MFV model and some other existing volatility models, such as the realized volatility model, stochastic volatility model and GARCH, are evaluated by the superior prediction ability (SPA) test. The empirical results show that under several loss functions, the MFV model obtains the best forecasting accuracy.

مقدمه انگلیسی

Modeling and forecasting volatility in financial markets is a key issue in many important fields, such as derivative products pricing, portfolio allocation and risk measurement. The seminal paper of Engle [1] has paved the way for the development of a large number of so-called historical volatility models in which a time varying volatility process is extracted from financial return data. Many of these models can be regarded as variants of the generalized autoregressive conditional heteroskedasticity (GARCH) models [2]. A rival class for ARCH is associated with the stochastic volatility (SV) models [3]. Both GARCH and SV models are regularly used for the analysis of daily, weekly and monthly returns. However the recent widespread availability of intraday high-frequency prices of financial assets and the work done on them have shed new light on the concept of volatility: as a matter of fact, data sampled at regular intradaily intervals can be summarized into a measure called realized volatility (RV) which, under some assumptions, is a consistent estimator of the quadratic variation of the underlying diffusion process [4]. In principle, the volatility measures derived from high-frequency data should prove to be more accurate, hence allowing for forecast efficiency gains. Nevertheless, recently Ref. [5] shows that realized volatility is prone to all sorts of microstructure problems. Since the suggestion of Mandelbrot [6] that multifractal is a powerful tool for depicting volatility complexities in financial markets, much research has been done in this field. However most of these studies focus on empirical tests of multifractality in different financial data sets. So we wonder whether multifractal analysis can contribute to the measurement and forecasting accuracy of volatility in financial markets. Taking high-frequency data of SSEC index in Chinese stock market as an example, first we propose a so-called multifractal volatility (MFV) measure based on the multifractal spectrum of high-frequency price movements within one trading day. Second similar to realized volatility, we also propose an ARFIMA process to model the dynamics of MFV and use a rolling-window method to forecast the volatility of SSEC one day ahead. Finally, we use a formal test for superior prediction ability (SPA) proposed by Ref. [7] to evaluate the forecasting performance of the MFV model and compare it to other popular volatility models, such as RV, SV and GARCH models. The empirical results show that under several loss functions, i.e., mean square error adjusted for heteroskedasticity (HMSE) and mean absolute error adjusted for heteroskedasticity (HMAE), the MFV model obtains the best forecasting accuracy. This paper is organized as follows. In the next section, we introduce the sample data and discuss how daily and intraday returns are constructed. In Section 3, we discuss how realized volatility is derived from intraday returns and the ARFIMA model for RV. In Section 4, we introduce the calculation of the multifractal volatility measure from the multifractal spectrum of high-frequency price movements within one trading day. In Section 5, the historical volatility models are briefly described. The out-of-sample forecasting methodology and SPA test are discussed in Section 6, and in Section 7, the estimation and forecasting results are presented. Section 8 summarizes the conclusions.

نتیجه گیری انگلیسی

In this paper, taking about 7 years’ high-frequency data of Shanghai Stock Exchange Composite Index (SSEC) as an example, we propose a daily volatility measure based on multifractal spectrum of the high-frequency price variability within a trading day. An ARFIMA(1,d,1)(1,d,1) model is also constructed to depict the dynamics of the so-called multifractal volatility (MFV) measure. To testify the efficiency of the MFV measures, we compare the one-day ahead volatility forecasting performance of the MFV model with other three popular models, i.e., realized volatility model, SV and GARCH. The empirical results of the superior prediction ability (SPA) test show that the ARFIMA-lnMFV model outperforms all the other alternative models when the loss functions of HMSE and HMAE are taken into account. Furthermore, we find that volatility models based on high-frequency data, RV and MFV models, produce better volatility forecasts than those models based on daily data. These results suggest that the multifractal analysis of high-frequency data of financial assets may produce much valuable statistical information on volatilities and their dynamical characteristics. This information may help in the further research on derivative products pricing, portfolio allocation and financial risk management.

دانلود فوری مقاله + ترجمه آماده

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 3537 کلمه می باشد.

این مقاله قبلاً ترجمه شده و همین الان می توانید ترجمه آماده آن را با 70 درصد تخفیف دانلود فرمایید:

شرح تعرفه ترجمه جمع هزینه
هزینه سفارش ترجمه هر کلمه 10 تومان 35,370 تومان
قیمت دانلود ترجمه آماده هر کلمه 3 تومان 10,611 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.