دانلود کتاب پیشبینی شوکهای نوسانات فرکانس بالا: یک سیستم نظارت بر زمان واقعی تحلیلی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Forecasting High-Frequency Volatility Shocks: An Analytical Real-Time Monitoring System
ویرایش : 1
عنوان ترجمه شده به فارسی : پیشبینی شوکهای نوسانات فرکانس بالا: یک سیستم نظارت بر زمان واقعی تحلیلی
سری :
نویسندگان : Holger Kömm (auth.)
ناشر : Gabler Verlag
سال نشر : 2016
تعداد صفحات : 188
ISBN (شابک) : 9783658125950 , 9783658125967
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 2 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این پایان نامه استراتژی جدیدی را ارائه می دهد که داده های انبوه کمی و کیفی را در قالب اخبار متنی و قیمت دارایی های تیک به تیک برای پیش بینی خطر شوک های نوسانات آتی متحد می کند. هولگر کوم استراتژی پیشنهادی را در یک سیستم نظارتی تعبیه میکند و ابتدا از دنبالهای از برآوردگرهای رقیب برای محاسبه نوسانات غیرقابل مشاهده استفاده میکند. دوم، یک مدل مخلوط سوئیچینگ مارکوف دو حالته جدید برای سریهای زمانی اتورگرسیو و با باد صفر برای شناسایی شکستهای ساختاری در فرآیند تولید دادههای نهفته و سوم، انتخابی از الگوریتمهای تشخیص الگوی رقابتی برای طبقهبندی اطلاعات بالقوه تعبیهشده در موارد غیرمنتظره، اما داده های متنی قابل مشاهده عمومی در اطلاعات شوک و غیر شوک. این مانیتور در یک بررسی دو ساله در مورد داراییهای استاندارد اصلی فهرست شده در شاخصهای DAX، MDAX، SDAX و TecDAX، آموزش، آزمایش و ارزیابی میشود.
This thesis presents a new strategy that unites qualitative and quantitative mass data in form of text news and tick-by-tick asset prices to forecast the risk of upcoming volatility shocks. Holger Kömm embeds the proposed strategy in a monitoring system, using first, a sequence of competing estimators to compute the unobservable volatility; second, a new two-state Markov switching mixture model for autoregressive and zero-inflated time-series to identify structural breaks in a latent data generation process and third, a selection of competing pattern recognition algorithms to classify the potential information embedded in unexpected, but public observable text data in shock and nonshock information. The monitor is trained, tested, and evaluated on a two year survey on the prime standard assets listed in the indices DAX, MDAX, SDAX and TecDAX.