مقایسه مجموعه داده های تو در تو و تعیین عینی inceptions حباب های مالی
ترجمه نشده

مقایسه مجموعه داده های تو در تو و تعیین عینی inceptions حباب های مالی

عنوان فارسی مقاله: مقایسه مجموعه داده های تو در تو و تعیین عینی inceptions حباب های مالی
عنوان انگلیسی مقاله: Comparing nested data sets and objectively determining financial bubbles’ inceptions
مجله/کنفرانس: Physica A
رشته های تحصیلی مرتبط: مدیریت، آمار
گرایش های تحصیلی مرتبط: مدیریت مالی، آمار ریاضی
کلمات کلیدی فارسی: حباب های مالی، سری های زمانی، شبیه سازی عددی، انتخاب زیر نمونه، تشخیص نقطه تغییر، آزمون تطابق، تابع هزینه، بهینه سازی
کلمات کلیدی انگلیسی: Financial bubbles، Time series، Numerical simulation، Sub-sample selection، Change-point detection، Goodness-of-fit، Cost function، Optimisation
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.physa.2019.04.050
دانشگاه: ETH Zürich, Department of Management, Technology and Economics, Zürich, Switzerland
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 2/795 در سال 2019
شاخص H_index: 142 در سال 2020
شاخص SJR: 0/699 در سال 2019
شناسه ISSN: 0378-4371
شاخص Quartile (چارک): Q2 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 15
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E13283
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Formulation of calibration with varying window sizes: How to endogenise and make different window sizes comparable


3- Application of the Lagrange regularisation method to a simple linear-regression problem


4- Using the Lagrange regularisation method for detecting the beginning of financial bubbles


5- Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


Motivated by the question of identifying the start time τ of financial bubbles, we propose an improved calibration approach for time series in which the inception of the latest regime of interest is unknown. By taking into account the tendency of a given model to overfit data, we introduce the Lagrange regularisation of the normalised sum of the squared residuals, χ 2 np(Φ), to endogenously detect the optimal fitting window size := w∗ ∈ [τ : t¯ 2] that should be used for calibration, assuming a fixed pseudo present time t¯ 2. The Lagrange regularisation of χ 2 np(Φ) defines the Lagrange regularised sum of the squared residuals, χ 2 λ (Φ). Its performance is exemplified on a simple Linear Regression problem with a change point and compared against the performances of the Residual Sum of Squares (RSS) := χ 2 (Φ) and RSS/(N-p) := χ 2 np(Φ), where N is the sample size, p is the number of degrees of freedom and Φ is the parameter vector. Applied to synthetic models of financial bubbles with a well-defined transition regime and to a number of financial time series (US S&P500, Brazil IBovespa and China SSEC Indices), χ 2 λ (Φ) is found to provide well-defined reasonable determinations of the starting times for major bubbles such as the bubbles ending with the 1987 Black-Monday, the 2008 Sub-prime crisis and minor speculative bubbles on other Indexes, without any further exogenous information. The application of the method thus allows one to endogenise the determination of the starting time of bubbles, a problem that has yet not received a systematic objective solution. Moreover, the technique appears as a practical solution for comparing goodness-of-fit across unbalanced sample sizes.


Introduction


There is an inverse relationship between the tendency of a model to overfit data and the sample size under consideration. In other words, the smaller the sample size, the larger the flexibility for the model with a fixed number of parameters to overfit [1]. Due this characteristic feature, one cannot directly compare goodness-of-fit metrics of statistical models arbitrarily parametrised by the vector Φ of parameters such as the Residual Sum of Squares, RSS := χ 2 (Φ) or its normalised version RSS (N−p) := χ 2 np(Φ), over unequal sized samples. Here, N denotes the sample size while p is the number of degrees of freedom of a model. This has particular relevance when one is interested in selecting the optimal sub-sample of a data set to calibrate a model, a recurrent issue when estimating time series models in a moving window or/and when the model is only valid in a specific time window, which is unknown a priori.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

مقایسه مجموعه داده های تو در تو و تعیین عینی inceptions حباب های مالی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها