Using Machine Learning Models with Time Varying to Estimate GARCH Model

الموضوعات

إحصاء

الملخص

Support Vector Regression (SVR) model is an important part of the machine learning techniques that it developed to solve the regression problems. In the high dimensions space, SVR model is used to determine the optimal hyperplane for modifying the non-linear patterns in regression. In this thesis, the SVR model developed by combining it with penalized methods such as adaptive LASSO (ALASSO) and Elastic net(EN)to reduce the dimensions of the model and improve its performance where we refer to our proposed methods by ALASSO-SVRand EN–SVR. However, the penalized methods are compared with the machine learning models (random forests and regression trees)and LASSO to know the high accuracy predictive performance of these models. Financial time series are characterized by the presence of fluctuations that occur randomly during different time periods, this is disagreement with penalized methods and the machine learning models which is assume the constants of variance. Moreover, we use the General Autoregressive Conditional Variance (GARCH) models with these models to estimate the conditional variance and the parameters of the ALASSO-SVR, EN–SVR methods and the machine learning models. Then the predictive performance of these models are carried out by iterative procedure where the parameters estimated by GARCH model applied to make the prediction of one-step-ahead by recursive estimation. However, these parameters are updated by the new information. We use the economical variables and lagged variables to predict the monthly exchange rate returns of IQD/USD. Our results of the simulation and real data display that the suggested methods are better than the machine learning models, particular the EN –SVR method iscapableofbestpredicting monthly exchange rate returns and also improving the predictive performance.

روابط وملفات

التعريف والنوع

رقم الوثيقة

020cb315-8a86-4854-8ce0-43a8a92d30ba

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf text

أسماء الملفات

2324360_1.pdf

بيانات النشر

ترجمة العنوان

استخدام نماذج التعليم الألة متغيرة الزمن في تقدير نماذج GARCH

ألقاب المؤلفين

[{"name_ar":"سري حسن سامي عريبي","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"طاهر ريسان دخيل","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

English

المصدر والدورية

اسم المصدر

Using Machine Learning Models with Time Varying to Estimate GARCH Model

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

يعتبر نموذج متجه الانحدار الساند SVRجزء مهم من تقنيات تعليم الالة التي طورت لحل مشاكل الانحدار. يستخدم نموذج SVR في مساحات عاليه الابعاد لتحديد المستوى الفائق الأمثل لنمذجة الأنماط غير الخطي في الانحدار. تم تطوير نموذج SVRفي هذه الأطروحة من خلال دمجه مع الطرق المنتظمة مثل لاسو التكيفي (ALASSO) والشبكة المرنة (EN) لتقليل أبعاد النموذج وتحسين أدائه حيث نشير إلى الأساليب المقترحة بواسطةALASSO-SVRو EN -SVR. ومع ذلك ، تتم مقارنة الطرق المنتظمة مع نماذج التعلم الآلي (الغابات العشوائية وأشجار الانحدار) لمعرفة الأداء التنبئي الأفضل لهذه النماذج. تتميز السلاسل الزمنية المالية بوجود تقلبات تحدث بشكل عشوائي خلال فترات زمنية مختلفة ، وهذا لا يتوافق مع الأساليب المنظمة ونماذج التعلم الآلي التي تفترض ثبات التباين. علاوة على ذلك ، نستخدم نماذج الانحدار الشرطي العام (GARCH) مع هذه النماذج لتقدير التباين الشرطي ومعلمات طرق ALASSO-SVRو EN-SVRونماذج التعلم الآلي. ثم يتم تنفيذ الأداء التنبئي لهذه النماذج من خلال إجراء تكراري حيث ان المعلمات المقدرة بواسطة نموذجGARCHلجعل التنبؤ بخطوة واحدة للأمام عن طريق التقدير العودي. وما عدا ذلك ، يتم تحديث هذه المعلمات بواسطة المعلومات الجديدة. نستخدم المتغيرات الاقتصادية والمتغيرات المتأخرة للتنبؤ بعوائد سعر الصرف الشهرية للدينار العراقي /الدولار الأمريكي. تظهر نتائج المحاكاة والبيانات الحقيقية أن الطرق المقترحة أفضل من نماذج التعلم الآلي ، ولا سيما طريقة EN-SVRقادرة على التنبؤ بشكل أفضل بعائدات سعر الصرف الشهرية وكذلك تحسين الأداء التنبئي.

كلمات الباحثين

Machine Learning Models-Time Varying-GARCH Model

إشراف وإعداد

الإشراف

طاهر ريسان دخيل

الإعداد

سري حسن سامي عريبي

الاقتباسات الببليوغرافية