مدلسازی روابط متقابل ناپایداری واریانس شرطی سری های زمانی مالی با استفاده از شبکه عصبی mlp و الگوریتم ژنتیک

همواره تغییرات در سطوح ریسک، رفتار سرمایه گذاران فردی را تغییر می دهد. از این روی، پیش بینی هر چه دقیق تر واریانس شرطی آتی سری زمانی مالی با استفاده از داده های گذشته مورد توجه بسیاری از پژوهشگران قرار گرفته است. مدل های خانواده گارچ به عنوان رایج ترین روش های آماری در زمینه پیش بینی ناپایداری واریانس آتی به شرط مشاهدات گذشته مورد استفاده قرار گرفته اند. همچنین تحقیقات اخیر نشان می دهد، مقدار مشاهده شده در یک سری زمانی با مقادیر سری های زمانی دیگر مرتبط است. در این مقاله با استفاده از مدل آماری گارچ، ناپایداری واریانس شرطی سری های زمانی مالی مدلسازی و پیش بینی شده، سپس با استفاده از الگوریتم ژنتیک بهترین ترکیب ورودی جهت مدلسازی روابط متقابل نوسانات توسط مدل شبکه عصبی پرسپترون چندلایه انتخاب می گردد. به منظور ارزیابی کارآیی روش پیشنهادی در مقایسه با روش های آماری و مبتنی بر شبکه عصبی، از مجموعه سری های زمانی g7 استفاده شده است. نتایج نشان دهنده کاهش 40 درصدی خطای پیش بینی ناپایداری واریانس شرطی سری زمانی s&p 500 با توجه به معیار mse می باشد.

cross relation modeling for financial time series conditional heteroskedasticity using mlp neural network and genetic algorithm

always variation in risk levels may alter the behavior of individual investors. thus, give more accuracy of future variance prediction in financial time series using past data has been interest to many researchers. garch family models as the most common statistical methods are considered in conditional heteroskedasticity prediction that used past observations. also, recent research shows that the observed value of a time series is relevant to other time series values. this paper in the first, use the garch as a statistical model to modeling and prediction the conditional heteroskedasticity financial time series, then using a genetic algorithm to find best inputs for cross relations volatility with neural network modeling. in order to demonstrate the performance of the proposed method compared with statistical and neural network methods, the g7 time series dataset is used. the results show a reduction of 40% in the mean square error (mse) in s&p 500 time series conditional heteroskedasticity prediction.