چکیده
نوسانات یک پارامتر کلیدی این است که اندازه گیری اندازه خطاها در بازده مدل سازی و دیگر
متغیرهای مالی مانند نرخ رد و بدل. بخود حرکت متوسط ​​مدل (ARMA) خطی است
روند در سری های زمانی. در حالی که در سیستم غیر خطی، تعمیم heter- مشروط خود کاهشی
oskedasticity (GARCH) و مارکف GARCH (MS-GARCH) به طور گسترده ای استفاده شده است. در آماری
نظریه یادگیری شناختی، رگرسیون بردار پشتیبان (SVR) نقش مهمی در پیش بینی غیر خطی بازی می کند و
متغیرهای سری زمانی ثابت. در این مقاله، ما یک الگوریتم جدید، دیفرانسیل تجربی
حالت تجزیه (EMD) برای بهبود پیش بینی نرخ ارز تحت رگرسیون بردار پشتیبان
(SVR). الگوریتم جدید دیفرانسیل EMD دارای قابلیت صاف کردن و کاهش سر و صدا،
در حالی که مدل SVR با مجموعه داده فیلتر را بهبود می بخشد پیش بینی نرخ ارز. شبیه سازی
نتایج متشکل از دیفرانسیل EMD و SVR مدل نشان می دهد که مدل ما بهتر شبیه سازی
توسط یک دولت از هنر، MS-GARCH و مارکف رگرسیون (MSR) مدل.

کلید واژه ها:
پیش بینی
نرخ تبدیل
تجزیه حالت تجربی
رگرسیون بردار پشتیبان
مارکف GARCH
رگرسیون تعویض مارکوف

 

جهت دانلود اصل مقاله انگلیسی اینجا کلیک نمایید

 

1. معرفی
با متوسط ​​گردش مالی روزانه 3981000000000 $، سابق خارجی
ابزار تغییر که شامل معاملات نقطه ای، آشکار
جلو، گزینه های مبادله ارز خارجی، و مشتق دیگر
محصولات، بسیار فعال هستند. بانک های مرکزی، سرمایه گذاری
بانک ها، موسسات مالی، شرکت های چند ملیتی و سهام
بازارهای تمام خرید و فروش سپرده را گرانتر در curren- خارجی
شدهترین. دلار آمریکا و یورو یک بخش بزرگی از تجارت را تشکیل می دهند
حجم، با سهم بازار 42.45٪ و 19.55٪ بود.
1
از زمان شروع آخرین بحران مالی جهانی و سقوط بازار
در سال 2008، بازارهای مالی شدید دوره را تجربه کرده اند
نوسانات و آشفتگی، به دلیل وقوع قوی سیاه
و رویدادهای دم سنگین. به طور فزاینده، دولت ها، اقتصاددانان و
جوامع مالی در حال حاضر نشان دادن علاقه در
مدل سازی اقتصادسنجی مالی با استفاده از کلان پویا متغیر با زمان
پارامترهای اقتصادی به پیش بینی رشد اقتصادی، سقوط بازار
و برای کاهش خطرات مالی سیستماتیک.
از نظر طبقه بندی و پیش بینی نرخ ارز،
چند مدل است که می تواند غیر خطی، فرکانس بالا را اداره کند وجود دارد
و نوسانات بالا زمان متغیرهای سری در برنامه های کاربردی مانند
بیوانفورماتیک، اکتشافات اقیانوس شناسی، نفت و گاز، امور مالی،
و غیره. این مدل مهاجرت از ریشه های مختلف، از جمله؛
(من) مارکوف سوئیچینگ خودکار تعمیم پسرونده مشروط
مدل ناهمواریانسی (MS-GARCH) است که مناسب برای
برنامه های کاربردی اقتصاد سنجی، (ب) تجزیه حالت تجربی
(EMD) د noising مدل، که در پردازش سیگنال ظهور
منطقه، و (ج) ماشین بردار پشتیبانی مدل (SVM) که
از نظریه یادگیری آماری سرچشمه گرفته است.
بخش های زیر ارائه پس زمینه از EMD، پشتیبانی
خروج بردار (SVR)، و در نهایت مدل MS-GARCH و مارکوف
تعویض رگرسیون (MSR).
1.1. پس زمینه تجربی حالت تجزیه
تجزیه و تحلیل داده های غیر خطی و ثابت روابط می شود
نسبتا در بسیاری از برنامه های مانند بیوانفورماتیک (مهم
شیعه،
چن، و لی، 2008
)؛ پردازش سیگنال (
هوانگ و شن، 2005؛ هوانگ،
شن، هوانگ، و Fung، 1996؛ هوانگ، شن، و بلند، 1998
)؛ geophys-
ICS، (
Datig و Schlurmann، 2004
)؛ و امور مالی (
Guhathakurta، Muk-
herjee، و روی، 2008؛ هوانگ و شن 2005
). در سال 1996، هوانگ و همکاران،
ذکر شده توسط
هوانگ و Attoh-Okine (2005)
، اختراع
استقرایی
الگوریتم با کنترل تطبیقی ​​بیش از یک ساختار داده جداگانه.
اختراع بعد نامیده می شد و هیلبرت هوانگ تبدیل
(HHT) (
هوانگ و همکاران، 1998
). این جدید تبدیل افزایش محدود
itation از تبدیل هیلبرت است، که تنها برای یک باریک مناسب
باند گذشت سیگنال (
هوانگ و همکاران، 1996
). بخش کلیدی از HHT
الگوریتم EMD، که در آن هر مجموعه داده های پیچیده می تواند باشد
تجزیه به یک تعداد متناهی و اغلب کمی از حالت درونی
توابع (IMF) که اعتراف هیلبرت به خوبی رفتار را متحول کند. از آنجا که
تجزیه است در مقیاس محلی زمان مشخصه بر اساس
داده ها، آن قابل استفاده برای غیر خطی و فرآیندهای ثابت است
(
هوانگ و Attoh-Okine، 2005
). در پردازش سیگنال، با فرکانس بالا
سر و صدا از داده های ورودی ممکن است به عنوان intrin- مختلف ساده در نظر گرفته
نوسانات حالت SIC (
هوانگ و همکاران، 1998
). الگوریتم EMD،
0957-4174 / $ - مشاهده موضوع جلو
Ó
2012 الزویر همه حقوق محفوظ است.
http://dx.doi.org/10.1016/j.eswa.2012.07.048
⇑
نویسنده مسئول. تلفن همراه: 66814416800 44.
آدرس ایمیل:
[email protected]
(B. Premanode).
1
سه سالانه مرکز بررسی بانک مرکزی ارز و مشتقات بازار
فعالیت در نتایج 2010 نهایی، دسامبر 2010.
سیستم های خبره با نرم افزار 40 (2013) 377-384
مطالب موجود در لیست
مقالهها علمی
سیستم های خبره با نرم افزار
در صفحه اصلی مجله
E: www.elsevier.com/locate/eswa
اساسی به HHT است که، می تواند با فرکانس بالا را کاهش می دهد
سر و صدا از داده های ورودی مانند سر و صدا از معاملات خرده فروشی در سهام
تبادل.
1.2. پس زمینه ماشین بردار پشتیبانی
فیشر (1936)
الگوریتم اول را برای الگوی اختراع برای شناسایی
روش. چند دهه بعد،
Vapnik و لرنر (1963)
معرفی کرد
الگوریتم پرتره تعمیم است که از tem- شده
نقاشی از ماشین بردار پشتیبانی می کند. بعد،
دودا و همکاران (1973)
گفتمان
ابرصفحات حاشیه بزرگ در فضای ورودی بحث. با این حال،
"نظریه یادگیری آماری، زمینه در حال حاضر تحت فعال بود
معرفی
Vapnik و Chervonenkis (1994)
. در کنفرانس
در نظریه یادگیری (COLT)،
Boser، برنارد، Guyon با، و Vapnik
(1992)
SVM ها معرفی شده توسط ترکیب پرتره عمومی
الگوریتم شامل یک ابرصفحه حاشیه و کرنل عملکرد بزرگ
روابط. امروزه، SVM به لحاظ تجربی نشان داده شده است عملکرد بهتری
از دیگر روش های یادگیری ماشین، از جمله عصبی مصنوعی
شبکه (ANN). دلیل این است که از اشتغال ساختاری
به حداقل رساندن خطر ابتلا به، که در آن آنها می توانند حداقل های متعدد محلی، اجتناب کنند.
علاوه بر این، پیچیدگی محاسباتی SVM کند بستگی ندارد
در ابعاد فضای ورودی. این چیزی است که باعث می شود یک
SVM بسیار انعطاف پذیر در هنگام انتخاب کنترل بزرگ