مدلسازي روابط متقابل ناپايداري واريانس شرطي سري هاي زماني مالي با استفاده از شبكه عصبي MLP و الگوريتم ژنتيك

Cross Relation Modeling for Financial Time Series Conditional Heteroskedasticity Using MLP Neural Network and Genetic Algorithm

همواره تغييرات در سطوح ريسك، رفتار سرمايه گذاران فردي را تغيير مي دهد. از اين روي، پيش بيني هر چه دقيق تر واريانس شرطي آتي سري زماني مالي با استفاده از داده هاي گذشته مورد توجه بسياري از پژوهشگران قرار گرفته است. مدل هاي خانواده گارچ به عنوان رايج ترين روش هاي آماري در زمينه پيش بيني ناپايداري واريانس آتي به شرط مشاهدات گذشته مورد استفاده قرار گرفته اند. همچنين تحقيقات اخير نشان مي دهد، مقدار مشاهده شده در يك سري زماني با مقادير سري هاي زماني ديگر مرتبط است. در اين مقاله با استفاده از مدل آماري گارچ، ناپايداري واريانس شرطي سري هاي زماني مالي مدلسازي و پيش بيني شده، سپس با استفاده از الگوريتم ژنتيك بهترين تركيب ورودي جهت مدلسازي روابط متقابل نوسانات توسط مدل شبكه عصبي پرسپترون چندلايه انتخاب مي گردد. به منظور ارزيابي كارآيي روش پيشنهادي در مقايسه با روش هاي آماري و مبتني بر شبكه عصبي، از مجموعه سري هاي زماني G7 استفاده شده است. نتايج نشان دهنده كاهش 40 درصدي خطاي پيش بيني ناپايداري واريانس شرطي سري زماني S P 500 با توجه به معيار MSE مي باشد.

Always variation in risk levels may alter the behavior of individual investors. Thus, give more accuracy of future variance prediction in financial time series using past data has been interest to many researchers. GARCH family models as the most common statistical methods are considered in conditional heteroskedasticity prediction that used past observations. Also, recent research shows that the observed value of a time series is relevant to other time series values. This paper in the first, use the GARCH as a statistical model to modeling and prediction the conditional heteroskedasticity financial time series, then using a genetic algorithm to find best inputs for cross relations volatility with Neural Network modeling. In order to demonstrate the performance of the proposed method compared with statistical and neural network methods, the G7 time series dataset is used. The results show a reduction of 40% in the Mean Square Error (MSE) in S P 500 time series conditional heteroskedasticity prediction.