• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >Modeling Markov Switching ARMA-GARCH Neural Networks Models and an Application to Forecasting Stock Returns
【2h】

Modeling Markov Switching ARMA-GARCH Neural Networks Models and an Application to Forecasting Stock Returns

机译：Markov转换ARMA-GARCH神经网络模型的建模及其在股票收益预测中的应用

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The study has two aims. The first aim is to propose a family of nonlinear GARCH models that incorporate fractional integration and asymmetric power properties to MS-GARCH processes. The second purpose of the study is to augment the MS-GARCH type models with artificial neural networks to benefit from the universal approximation properties to achieve improved forecasting accuracy. Therefore, the proposed Markov-switching MS-ARMA-FIGARCH, APGARCH, and FIAPGARCH processes are further augmented with MLP, Recurrent NN, and Hybrid NN type neural networks. The MS-ARMA-GARCH family and MS-ARMA-GARCH-NN family are utilized for modeling the daily stock returns in an emerging market, the Istanbul Stock Index (ISE100). Forecast accuracy is evaluated in terms of MAE, MSE, and RMSE error criteria and Diebold-Mariano equal forecast accuracy tests. The results suggest that the fractionally integrated and asymmetric power counterparts of Gray's MS-GARCH model provided promising results, while the best results are obtained for their neural network based counterparts. Further, among the models analyzed, the models based on the Hybrid-MLP and Recurrent-NN, the MS-ARMA-FIAPGARCH-HybridMLP, and MS-ARMA-FIAPGARCH-RNN provided the best forecast performances over the baseline single regime GARCH models and further, over the Gray's MS-GARCH model. Therefore, the models are promising for various economic applications.
机译：该研究有两个目的。第一个目标是提出一系列非线性GARCH模型，该模型将分数积分和不对称功率特性纳入MS-GARCH流程。这项研究的第二个目的是用人工神经网络来扩充MS-GARCH类型模型，以便从通用逼近特性中受益，从而提高预测精度。因此，所提出的马尔可夫切换MS-ARMA-FIGARCH，APGARCH和FIAPGARCH过程通过MLP，递归NN和混合NN型神经网络得到进一步增强。 MS-ARMA-GARCH系列和MS-ARMA-GARCH-NN系列用于对新兴市场的伊斯坦布尔股票指数（ISE100）的每日股票收益进行建模。根据MAE，MSE和RMSE错误标准以及Diebold-Mariano相等的预测准确性测试评估预测准确性。结果表明，格雷的MS-GARCH模型的分数积分和不对称功率对应物提供了有希望的结果，而基于神经网络的对应物获得了最佳结果。此外，在分析的模型中，基于Hybrid-MLP和Recurrent-NN，MS-ARMA-FIAPGARCH-HybridMLP和MS-ARMA-FIAPGARCH-RNN的模型提供了优于基线单方案GARCH模型和此外，在Gray的MS-GARCH模型上。因此，该模型有望用于各种经济应用。

著录项

  • 期刊名称 other
  • 作者

    Melike Bildirici; Özgür Ersin;

  • 作者单位
  • 年(卷),期 -1(2014),-1
  • 年度 -1
  • 页码 497941
  • 总页数 21
  • 原文格式 PDF
  • 正文语种
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号