دانلود ترجمه مقاله کاربرد مدل شبکه‌ عصبی رگرسیون چندک در بررسی ارزش در ریسک (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۲ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۲۸ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۱۲ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	آمار و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی و آمار ریاضی
مجله	محاسبات نرم کاربردی – Applied Soft Computing
دانشگاه	گروه ریاضی، دانشگاه برونل،لندن، انگلستان
کلمات کلیدی	شبکه‌ عصبی مصنوعی، شبکه‌ عصبی رگرسیون خودکار چندک، QARNN، رگرسیون خودکار چندک، رگرسیون چندک، ارزش در ریسک
شناسه شاپا یا ISSN	ISSN ۱۵۶۸-۴۹۴۶
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده
۱٫ پیشگفتار
۲٫ مرور نوشتجات
۳٫ راه‌اندازی مدل
۳٫۱٫ خودرگرسیون چندک
۳٫۲٫ تاخیر توزیع شده‌ی خودرگرسیو (خودکاهشی) چندک
۳٫۳٫ ارزش در ریسک خودرگرسیو شرطی
۳٫۴٫ شبکه‌ی عصبی خودرگرسیون چندک
۳٫۴٫۱٫ مشخصات مدل
۳٫۴٫۲٫ تخمین مدل
۳٫۴٫۳٫ انتخاب مدل
۴٫ آزمایش‌های عددی
۴٫۱٫ روش‌های تخمین VaR کلاسیکی
۴٫۱٫۱٫ مدل ریسک متریک
۴٫۱٫۲٫ مدل GARCH-EVT
۴٫۱٫۳٫ مدل PCC
۴٫۲٫ شبیه‌سازی‌های مونت کارلو
۴٫۲٫۲٫ ارزیابی VaR
۴٫۲٫۳٫ نتایج عملکرد
۴٫۳٫ کاربردهای واقعی
۴٫۳٫۱٫ داده‌ها جهان واقعی
۴٫۳٫۲٫ عملکرد مدل QARNN
۵٫ نتیجه‌گیری‌ها

• بخشی از ترجمه:

۵٫ نتیجه‌گیری‌ها
ما در این مقاله مجددا مدل QAR را بر اساس شبکه‌های عصبی در نظر می‌گیریم و یک مدل جدید خودرگرسیون چندک غیرخطی QARNN را توسعه می‌دهیم. QARNN تعمیم مدل‌های موجود است و در توضیح ساختار پیچیده‌ی داده‌ها انعطاف‌پذیر است. یک ویژگی جالب مدل QARNN این است که چندک‌های خودرگرسیون به عنوان پیش‌بینی کننده‌ها به صورت بازگشتی مورد استفاده قرار می‌گیرند و می‌توانند مستقیما تخمین زده شوند. برای توضیح کارایی مدل ارائه شده، ما مطالعات شبیه‌سازی مونت کارلو و تست‌های گسترده‌ای را روی شاخص‌های مختلف سهام انجام می‌دهیم. نتایج عددی نشان می‌دهند که مدل QARNN قادر به کاوش غیرخطی بودن در سری‌های زمانی مالی است و عملکرد بهتری در ارزیابی VaR در مقایسه با برخی مدل‌های رقابتی مانند ریسک متریک، GARCH-EVT، ARMA-APARCH، CAViaR، PCC و QRNN دارد.

• بخشی از مقاله انگلیسی:

۵٫ Conclusions

In this article, we reconsider the QAR model based on neural networks and develop a novel nonlinear quantile autoregression model QARNN. The QARNN generalizes existing models and is very flexible at describing complicated data structures. An appealing feature of the QARNN model is that the autoregressive quantiles are used as predictors recursively and can be estimated directly. To illustrate the efficacy of the proposed model we conduct Monte Carlo simulation studies and extensive tests on different stock indices. Numerical results show that the QARNN model is able to explore nonlinearity in financial time series and performs better in VaR evaluation than some competing models, including RiskMetric, GARCH-EVT, ARMA-APARCH, CAViaR, PCC and QRNN.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله