دانلود مقاله ISI انگلیسی شماره 161067
ترجمه فارسی عنوان مقاله

مدل هشدار اولیه مبتنی بر شبکه های همبسته در بازارهای نفت خام جهانی

عنوان انگلیسی
Early warning model based on correlated networks in global crude oil markets
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
161067 2018 12 صفحه PDF
منبع

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

Journal : Physica A: Statistical Mechanics and its Applications, Volume 490, 15 January 2018, Pages 1335-1343

ترجمه کلمات کلیدی
خطر سیستمیک مدل هشدار اولیه، تراکم شبکه، مدولار،
کلمات کلیدی انگلیسی
Systemic risk; Early warning model; Network density; Modularity;
ترجمه چکیده
اعمال ابزار شبکه برای پیش بینی و هشدار دادن خطرات سیستمیک راه جدیدی برای مدیریت خطرات در بازارهای مالی است. در اینجا، ما مجموعه ای از شبکه های وابسته به نفت خام جهانی را بر اساس قیمت 57 نفت تاریخی که در دوره 1993 تا 2012 پوشش می دهند، ساختیم. دو شاخص ریسک سیستمیک بر اساس تراکم و تعدیل شبکه های همبسته ساخته می شوند. حداکثر های محلی شاخص های ریسک توانایی پیش بینی روند قیمت های نفت را دارند. در دوره نمونه ما، شاخص بر اساس چگالی شبکه پنج سیگنال ارسال می کند و شاخص بر اساس شاخص مدولار، چهار سیگنال ارسال می کند. چهار سیگنال فرستاده شده توسط هر دو شاخص قادر به هشدار به کاهش قیمت نفت آینده هستند و سیگنال تنها توسط چگالی شبکه ارسال می شود و به دنبال افزایش شدید قیمت نفت می باشد. نتایج ما عمیق استفاده از اقدامات شبکه در ایجاد مدل های هشدار دهنده خطرات سیستماتیک خطر است و می تواند برای پیش بینی روند قیمت های آینده در بازارهای مالی استفاده شود.
پیش نمایش مقاله
پیش نمایش مقاله  مدل هشدار اولیه مبتنی بر شبکه های همبسته در بازارهای نفت خام جهانی

چکیده انگلیسی

Applying network tools on predicting and warning the systemic risks provides a novel avenue to manage risks in financial markets. Here, we construct a series of global crude oil correlated networks based on the historical 57 oil prices covering a period from 1993 to 2012. Two systemic risk indicators are constructed based on the density and modularity of correlated networks. The local maximums of the risk indicators are found to have the ability to predict the trends of oil prices. In our sample periods, the indicator based on the network density sends five signals and the indicator based on the modularity index sends four signals. The four signals sent by both indicators are able to warn the drop of future oil prices and the signal only sent by the network density is followed by a huge rise of oil prices. Our results deepen the application of network measures on building early warning models of systemic risks and can be applied to predict the trends of future prices in financial markets.