دانلود ترجمه مقاله پیش بینی سری های زمانی مالی با استفاده از مدل های داده کاوی

1. مقدمه 2. طراحی شبیه سازی 3. روش پیش بینی 4. مدل های داده کاوی پیش بین 5. دقت جنگل های آماری: نتایج و بحث و بررسی 6. کاربردهای تجربی 7. نتیجه گیری

چکیده – در این مقاله، ما به بررسی قابلیت پیش بینی کننده پویا و استاتیک شبکه های عصبی مصنوعی و جنگل های تصادفی برای سری های زمانی مالی در یک بستر شبیه سازی پرداخته ایم. طرح شبیه سازی ما که در آن، به تولید داده هایی از مدل AR(1)-GARCH(1,1) پرداخته ایم، امکان چندین درجه از پایداری و ماندگاری در معادله میانگین جهت تقلید از رفتار بازده دارایی کوتاه مدت و بلند مدت را میسر می سازد. با اینکه فرآیند تولید داده واقعی با روش های داده کاوی، دشواری هایی از نظر پیش بینی استاتیکی دارد، این مقاله در اقدامی نوین نشان داده که روش های داده کاوی، بازده خوبی از مدل واقعی تحت طرح پیش بینی پویا برای تعدیل سری های زمانی با ماندگاری بسیار بالا را از خود نشان می دهند. ما به ارائه کاربردهای تجربی در استفاده از بازده طولانی مدت و یک روزه در دو نرخ ارز پرداخته ایم. یافته های تجربی ما، تاییدی برای نتایج شبیه سازی هستند که در آنها، مدل های داده کاوی، توانایی پیش بینی کننده برتر در سری های زمانی بسیار پایدار را نشان می دهند. ما به بررسی اهمیت یافته های خود در تخصیص دارای و مدیریت پورتفلو نیز پرداختیم.

In this paper, we examine the static and dynamic predictive ability of artificial neural networks and random forests for financial time series within a simulation context. Our simulation design, in which we generate data from an AR(1)-GARCH(1,1) model, allows for several degrees of persistence in the mean equation to mimic the behavior of short and long-horizon asset returns. While the true data generating process beats the data mining techniques in terms of static forecasting, the novelty in this paper is to demonstrate that the data mining techniques outperform the true model under a dynamic forecasting scheme for moderate to highly persistent time series. We provide an empirical application using one-day and long-horizon returns on two exchange rates. Our empirical findings corroborate our simulation results in that the data mining models exhibit superior predictive ability for highly persistent time series. We discuss the importance of our findings for asset allocation and portfolio management.