با استفاده از روش لیاپونف برای تجزیه و تحلیل رفتار هرج و مرج در داده های سری زمانی مالی: یک مطالعه موردی در بورس تهران

آخرین مطالب

امکانات وب

با استفاده از روش لیاپونف برای تجزیه و تحلیل رفتار هرج و مرج در داده های سری زمانی مالی: یک مطالعه موردی در بورس تهران

در دهه گذشته علاقه ای به کاربردی در استفاده از روش های ریاضیات و روش های اکونوفیزیک برای حل مشکلات مختلف در مورد امور مالی ، اقتصاد و غیره وجود دارد. هرج و مرج و کاربرد آن برای بیشتر پدیده های مالی و اقتصادی فعلی اهمیت دارد. بازارهای مالی به طور بالقوه می توانند سری بلند مدت مالی را ارائه دهند که می تواند در تجزیه و تحلیل و پیش بینی استفاده شود. مطالعات اخیر ، وجود همبستگی های طولانی و کوتاه در بازار مالی و پدیده های اقتصادی را نشان می دهد. برای آزمایش وجود رفتار هرج و مرج ، روش لیاپونوف یکی از بهترین روش ها است. در مطالعه حاضر آزمایش های سری زمانی از روش Lyapunov ، در بین شرکت های ذکر شده در بورس اوراق بهادار تهران طی دوره ای از سال 2005 تا 2015 اعمال شد. یافته های به دست آمده فرایند چند عاملی بودن وجود را در تکامل قیمت سهام سری زمان اثبات می کند.

کلید واژه ها:
رفتار هرج و مرج ،
داده های سری زمانی مالی ،
روش لیاپونوف ،
بورس سهام تهران

استناد: محمد رضا عباس زاده ، مهدی جباری نوگابی ، محمد مهدی روناگی. با استفاده از روش لیاپونف برای تجزیه و تحلیل رفتار هرج و مرج در داده های سری زمانی مالی: یک مطالعه موردی در بورس اوراق بهادار تهران [J]. بررسی حسابداری ملی ، 2020 ، 2 (3): 297-308. doi: 10. 3934/nar. 2020017

مقالات مرتبط:

خلاصه

منابع

[1]	Aold L ، Doyle MM ، Sri Namachchivaya N (1997) گسترش سر و صدای کوچک از مأمورین لحظه ای لیاپونوف برای سیستم های دو بعدی. Dyn Stab Syst 12: 187-211.
[2]	Dai M ، Hou J ، Gao J ، et al.(2016) تجزیه و تحلیل چند عاملی مختلط از سری شاخص های سهام چین و ایالات متحده. Chaos Soliton Fract 87: 268-275.
[3]	De Luca G ، Louperfido N (2004) یک مدل GARCH به عنوان متوسط برای بازده مالی ، در توزیع های سه گانه و کاربردهای آنها: سفری فراتر از نرمال بودن ، CRC Press ، 205-222.
[4]	De Luca G ، Loperfido N (2015) مدل سازی چند متغیره در بازده مالی: یک رویکرد Sgarch. EUR J Financy 21: 1113-1131.
[5]	Engle RF (1982) ناهمگونی مشروط خودجوش با برآورد واریانس تورم ایالات متحده. اقتصاد سنجی 50: 987-1008.
[6]	Feandez A ، Swanson NR (2017) شواهد بیشتر در مورد سودمندی مجموعه داده های زمان واقعی برای پیش بینی اقتصادی. Quant Financy Econ 1: 2-25.
[7]	Foley DK (2016) آیا اقتصاد می تواند یک علوم فیزیکی باشد؟Eur Phys J-Spec Top 225: 3171-3178.
[8]	غادیری مغادام A ، Jabbari Nooghabi M ، Rounaghi MM ، et al.(2014) آزمایش فرآیند هرج و مرج (سری زمانی در حوزه فرکانس) در پیش بینی بازده سهام در بورس اوراق بهادار تهران. هندی J Sci Res 4: 202-210.
[9]	گومز (2017) در یک دینامیک غیر هرمیتی است. Chas Soliton Fract 99: 155-161.
[10]	Gupta P ، Batra SS ، Jayadeva (2017) مدل های پیش بینی سری زمانی کوتاه مدت از طریق حداقل پیچیدگی مدل. Neurocomputing 243: 1-11.
[11]	Gyamerah SA (2019) مدل سازی نوسانات بیت کوین با استفاده از مدل های Garch. Econ Financy 3: 739-753.
[12]	Ibarra-Valdez C ، Alvarez J ، Alvarez-Ramirez J (2016) گروههای اعتماد به نفس تصادفی از نمایندگان مقیاس گذاری فراکتال برای بازده قیمت مالی. Chaos Soliton Fract 83: 119-124.
[13]	Jahanshahi H ، Yousefpour A ، Wei Z ، et al.(2019) یک سیستم فشار خون مالی با جذب همزیستی: بررسی پویا ، تجزیه و تحلیل آنتروپی ، کنترل و همگام سازی. Chaos Soliton Fract 126: 66-77.
[14]	Kaplan DT ، Glass L (1992) آزمایش مستقیم برای تعیین کننده در یک سری زمانی. Phys Rev Lett 68: 427-430.
[15]	Lahmiri S (2017a) مطالعه ای در مورد هرج و مرج در بازارهای نفت خام قبل و بعد از بحران بین المللی مالی 2008. Physica A 466: 389-395.
[16]	Lahmiri S (2017b) در مورد وجود هرج و مرج در پویایی کوتاه مدت و بلند مدت نرخ ارز مراکش. Physica A 465: 655-661.
[17]	پس از بحران مالی جهانی ، پویایی غیرخطی از بازارهای سهام ، ارز و کالاها در بازار ، لاهمی S ، Uddin GS ، Bekiros S (2017) بازارهای سهام عدالت ، ارز و کالاها. Chaos Soliton Fract 103: 342-346.
[18]	لی دی ، نیشیمورا Y ، مردان م (2014) بازارهای فراکتال: نقدینگی و سرمایه گذاران در افق زمانی مختلف. Physica A 407: 144-151.
[19]	Li R ، Wang J (2017) پیچیدگی نمادین مدت زمان نوسانات و مؤلفه اختلاف نوسانات در پویایی مالی رای دهندگان. فرآیند سیگنال رقمی 63: 56-71.
[20]	Madaleno M ، Vieira E (2018) تجزیه و تحلیل نوسانات بازده و ریسک: خانواده در مقابل شرکت های غیر خانواده. Econ Financy 2: 348-372.
[21]	Mantegna RN ، Stanley HE (1996) تلاطم و بازارهای مالی. طبیعت 383: 587-588.
[22]	Mantegna RN ، Palagyi Z ، Stanley HE (1999) کاربردهای مکانیک آماری برای تأمین مالی. Physica A 274: 216-221.
[23]	Mastroeni L ، Vellucci P ، Naldi M (2018) همزیستی رفتارهای تصادفی و چائیک در سری زمانی قیمت مس. خط مشی منابع 58: 295-302.
[24]	Mastroeni L ، Vellucci P ، Naldi M (2019) ارزیابی مجدد از هرج و مرج پارادیگم برای قیمت کالاهای انرژی. Energ Econ 82: 167-178.
[25]	Moradi M ، Jabbari Nooghabi M ، Rounaghi MM (2019) بررسی فرضیه بازار فراکتال و پیش بینی بازده سهام سری زمانی برای بورس اوراق بهادار تهران و بورس اوراق بهادار لندن. Int J Financ Econ ، 1-17.
[26]	Müix M ، Shimada T ، Schä Fer R (2012) شناسایی ایالت های یک بازار مالی. SCI Rep 2: 644-647.
[27]	Nair BB ، Kumar PK ، Sakthivel NR ، et al.(2017) داده های سری زمانی سهام خوشه بندی برای تولید توصیه های معاملات سهام: یک مطالعه تجربی. Expert Syst Appl 70: 20-36.
[28]	Niu H ، Wang H (2013a) رفتارهای پیچیده پویا از سری زمانی مالی مبتنی بر نفوذ گرا و شاخص Hang Seng. Chaos Soliton Fract 52: 36-44.
[29]	Niu H ، Wang H (2013b) خوشه بندی نوسانات و حافظه طولانی از سری زمانی مالی و مدل قیمت مالی. فرآیند سیگنال رقمی 23: 489-498.
[30]	Ola MR ، Jabbari Nooghabi M ، Rounaghi MM (2014) آزمایش فرآیند هرج و مرج (با استفاده از مدل تقریب چند جمله ای محلی) در پیش بینی بازده سهام در بورس اوراق بهادار. Asian J Res Bank Financy 4: 100-109.
[31]	Peinke J ، Parisi J ، Parisi OE ، et al.(1992) با هرج و مرج ، Springer-Verlag روبرو شد.
[32]	Podsiadlo M ، Rybinski H (2016) پیش بینی سری زمانی مالی با استفاده از مجموعه های خشن با رای گیری قانون با وزن. Expert Syst Appl 66: 219-233.
[33]	Rosini L ، Shenai V (2020) بازده سهام و ناهنجاری های تقویم در بورس اوراق بهادار لندن در دیدگاه پویا فرضیه بازار تطبیقی: مطالعه شاخص های FTSE100 و FTSE250 در طی یک دوره ده ساله. Quant Financy Econ 4: 121-147.
[34]	Runaghi MM ، Abbaszadeh MR ، Arashi M (2015) پیش بینی قیمت سهام برای شرکت های ذکر شده در بورس اوراق بهادار با استفاده از مدل رگرسیون تطبیقی چند متغیره و تکنیک اسپلین های نیمه پارامتری. Physica A 438: 625-633.
[35]	Rounaghi MM ، Nassir Zadeh F (2016) بررسی کارآیی بازار و ثبات مالی بین S& P 500 و بورس لندن: پیش بینی ماهانه و سالانه بازده سهام سری زمانی با استفاده از مدل ARMA. Physica A 456: 10-21.
[36]	Rydber TH (2000) مدل سازی آماری واقع گرایانه داده های مالی. int stat Rev 68: 233-258.
[37]	Salvino LW ، Cawley R (1994) صافی دلالت بر تعیین کننده دارد: روشی برای تشخیص آن در سری زمانی. Phys Rev Lett 73: 1091-1094.
[38]	Shynkevich Y ، McGiity TM ، Coleman SA ، et al.(2017) پیش بینی حرکات قیمت با استفاده از شاخص های فنی: بررسی تأثیر طول پنجره ورودی متفاوت. Neurocomputing 264: 71-88.
[39]	Su Ch ، Cheng CH (2016) یک مدل سری زمانی فازی ترکیبی مبتنی بر ANFIS و روش انتخاب ویژگی غیرخطی یکپارچه برای پیش بینی سهام. Neurocomputing 205: 264-273.
[40]	Sun Y ، Wang X ، Wu Q ، et al.(2011) در مورد تجزیه و تحلیل پایداری از طریق نمایندگان لیاپونف که بر اساس شبکه های عملکردی پایه شعاعی محاسبه می شوند. Int J Control 84: 1326-1341.
[41]	Takaishi T (2017) برآورد نوسانات با استفاده از یک مدل GARCH منطقی. کمیته مالی ECON 2: 127-136.
[42]	Wayland R ، Bromley D ، Pickett D ، et al.(1993) جبرگرایی مجدد در یک سری زمانی. Phys Rev Lett 70: 580-582.
[43]	Wei Ly (2016) یک مدل ANFIS ترکیبی مبتنی بر تجزیه حالت تجربی برای پیش بینی سری زمانی سهام. Apple Soft Comput 42: 368-376.
[44]	Zahedi J ، Rounaghi MM (2015) استفاده از مدل های شبکه عصبی مصنوعی و روش اصلی تجزیه و تحلیل مؤلفه در پیش بینی قیمت سهام در بورس اوراق بهادار. Physica A 438: 178-187.
[45]	Zhong X ، Enke D (2017) یک روش جامع خوشه و طبقه بندی معدن برای پیش بینی روزانه بازپرداخت بازار سهام. Neurocomputing 267: 152-168.

اخبار رمز ارزها...

ما را در سایت اخبار رمز ارزها دنبال می کنید

برچسب : نویسنده : منیژه سلیمی بازدید : <-PostHit-> تاريخ : جمعه 9 تير 1402 ساعت: 22:13

با استفاده از روش لیاپونف برای تجزیه و تحلیل رفتار هرج و مرج در داده های سری زمانی مالی: یک مطالعه موردی در بورس تهران

آخرین مطالب

امکانات وب