براورد پارامترهای این مدلها با روش های کلاسیک به سختی انجام می گیرد. لذا روش های mcmc برای براورد این پارامترها استفاده می کنیم. مدل گارچ مورد بررسی در این تحقیق دارای تحقیق دارای دو توزیع نرمال و تی استودنت است، لازم به ذکر است که با استفاده از روش های مدل گزینی بیزی نیز درستنمایی مدل براورد می شود.
این تحقیق قصد دارد تا میزان توانایی تبدیل موجک هار (haar) را در پیشبینی دادههای سریزمانی مالی مورد ارزیابی قرار دهد. بههمین منظور دادههای بورس نزدک را از سایت یاهو فاینانس انتخاب کرده و سریزمانی بازدهی این دادهها را ابتدا توسط مدل garch پیشبینی، و نتایج را ثبت کرده ایم و سپس همان
مدل های مارکوف پنهان، مدل هایی هستند که در آن ها توزیعی که مشاهدات را تولید می کند به حالاتی از یک فرآیند مارکوف غیر قابل مشاهده بستگی دارد. به همین دلیل، آن ها را مدل های مارکوف پنهان نامیده اند. اغلب، در سری های زمانی مالی با پدیده بی ثباتی واریانس روبرو هستیم. بیشتر محققان، از
در دو دهه گذشته، ارائه و بهبود مدل های پیش بینی با استفاده از سری زمانی مورد توجه بسیاری از محققین قرار گرفته است. در تجزیه و تحلیل سری های زمانی با استفاده از مدل های سنتی مانند armaکه بر دو فرض ایستایی و خطی بودن بنیان نهاده شده است، بعضا تردیدهایی ایجاد شده است. به همین دلیل پ
پیش ینی نوسانات سطح آب زیرزمینی، برای برنامه ریزی مناسب تر بویژه در مناطق خشک و نیمه خشک امری ضروری است. روند کلی هیدروگراف معرف آب زیرزمینی دشت مروست، براساس اطلاعات سطح آب زیرزمینی در طی سال های گذشته نزولی و نشانگر وقوع افت مداوم و کاهش ذخایر آب زیرزمینی می باشد. در این تحقیق
داده های هیدرولوژیکی به عنوان اطلاعات پایه و اساسی در طراحی و مدیریت علمی پروژه های منابع آب به کار می روند. یکی از ابزار مهم در پیش بینی فرآیندهای هیدرولوژیکی استفاده از مدل سازی سری های زمانی است. سری های تولید شده جریان رودخانه در مطالعات مختلفی نظیر خشکسالی، سیلاب، بهینه سازی
برآورد پارامترها یکی از مسائل مهم در استنباط آماری است. به طور گسترده روش گشتاورهای تعمیم یافته و روش درستنمایی تجربی تعمیم یافته در علوم اقتصادی برای برآورد پارامترهای یک مدل به کار گرفته می شوند. روش های متداول پیشنهاد شده معمولاً براساس فرض نرمال بودن توزیع مشاهدات است در صورت
یکی از شیوههای تجزیه و تحلیل داده های مالی و بررسی چگونگی تغییرات آن ها در طی زمان معین در گذشته و پیش بینی چگونگی رخداد آن ها در آینده استفاده از مدل های سری های زمانی است. در مباحث مالی به دلیل نا هم واریانس بودن مشاهدات موجود، نمی توان از مدل های سری های زمانی کلاسیک استفاده
یکی از شیوههای تجزیه و تحلیل دادههای مالی و بررسی چگونگی تغییرات آنها در طی زمان معین در گذشته و پیشبینی چگونگی رخداد آنها در آینده استفاده از مدلهای سری‌های زمانی است. در مباحث مالی به‌دلیل نا‌هم‌واریانس بودن مشاهدات موجود، نمی‌توان از مدلهای سری‌های زمانی کلاسیک استفاده
پویایی و تغییرات پدیده ها نسبت به زمان، سرشت ذاتی پدیده ها ی اقتصادی است.در اقتصاد سنجی پدیده های اقتصادی،نادیده گرفتن ویژگی پویایی آنها منجر به ساده سازی بیش از حد پدیده ها می شود و مدل هایی که بر این مبنا به دست می آیند اغلب واقع گرایانه نبوده،موجب تفسیرهای نادرست ار آن پدیده ه
داده های با تناوب بالا نوع خاصی از نامانایی دارند که به آن نامانایی کسری گفته می شود. این ویژگی سبب پدیدآمدن حافظه بلندمدت در سری های زمانی مالی با تناوب بالا می شود. در این نوشتار ابتدا وجود حافظه بلندمدت در سری زمانی صنعت سیمان بررسی شده و وجود آن در سطح اطمینان بالایی توسط دو
چکیده شبکه عصبی با تاخیر زمانی، یک ابزار مدل سازی برگرفته از محاسبات هوشمند است که در کنار روش های کلاسیک برای پیش بینی سری های زمانی مالی بکار گرفته می شود. این مدل اغلب در مواردی که از سری زمانی داده های فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده می شود، از این
پیشبینی نوسانات سطح آب زیرزمینی، برای برنامهریزی مناسبتر بهویژه در مناطق خشک و نیمه خشک امری ضروری است. در این تحقیق برای پیشبینی نوسانات سطح آب زیرزمینی در دشت مروست از مدلهای سری زمانی و شبکه عصبی استفاده شد. برای مدلسازی، اطلاعات سطح آب زیرزمینی در طی سالهای 88-1366 اس