دانلود ترجمه مقاله تجزیه و تحلیل داده های توپولوژیکی سری های زمانی مالی : چشم انداز سقوط ها – الزویر ۲۰۱۸

30,000 تومان

دسته: دانلود ترجمه مقاله, دانلود مقالات ترجمه شده, دانلود مقالات ترجمه شده علوم انسانی, مقالات ترجمه شده, مقالات ترجمه شده اقتصاد برچسب: ادبیات نظری اقتصاد مقاومتی, اقتصاد, تجزیه و تحلیل داده های توپولوژیکی, سری زمانی مالی سیگنال های هشدار اولیه, سقوط بازار سهام, علوم اقتصادی

توضیحات
توضیحات تکمیلی

عنوان فارسی:دانلود مقاله تجزیه و تحلیل داده های توپولوژیکی سری های زمانی مالی : چشم انداز سقوط ها

دانلود مقاله تجزیه و تحلیل داده های توپولوژیکی سری های زمانی مالی : چشم انداز سقوط ها – الزویر ۲۰۱۸:تجزیه و تحلیل داده توپولوژیکی (TDA) [1و2] باتوجه به ترکیبی از روش های آماری، محاسباتی، و روش های توپولوژیکی اجازه می دهد که ساختارهای شکل مانند در داده ها را پیدا کنند. TDA ثابت کرده است که می تواند رویکرد اکتشافی قوی ای برای مجموعه داده های پیچیده چند بعدی و نویزی (noisy) باشد. برای استفاده از TDA، یک مجموعه داده به عنوان مجموعه ای محدود از نقاط در برخی فضاهای متریک کدبندی می شود. اصلی کلی و شهودی تحت TDA براساس پایداری منافذ k بعدی، به وطر مثال، مولفه های مرتبط (k = 0)، حلقه ها (k = 1)، و غیره،…

عنوان فارسی مقاله:	تجزیه و تحلیل داده های توپولوژیکی سری های زمانی مالی : چشم انداز سقوط ها
عنوان انگلیسی مقاله:	Topological data analysis of financial time series: Landscapes of crashes
سال انتشار میلادی:	2018
نشریه:	Publisher : Elsevier – Science Direct (الزویر – ساینس دایرکت) Journal : Physica A: Statistical Mechanics and its Applications, Volume 491, 1 February 2018, Pages 820-834
کلمات کلیدی فارسی:	تجزیه و تحلیل داده های توپولوژیکی, سری زمانی مالی سیگنال های هشدار اولیه,
کلمات کلیدی انگلیسی:	Topological data analysis; Financial time-series; Early warning signals;
تعداد صفحات ترجمه شده:	24با فونت ۱۴ B Nazanin
نویسندگان:	Marian Gidea, Yuri Katz
موضوع:	اقتصاد, سقوط بازار سهام
دسته بندی رشته:	اقتصاد
فرمت فایل انگلیسی:	15صفحه با فرمت pdf
فرمت فایل ترجمه شده:	Word
کیفیت ترجمه:	عالی
نوع مقاله:	isi
تعداد رفرنس:

مقاله انگلیسی+ترجمه فارسی

فهرست مطالب

چکیده

کلمات کلیدی

1.مقدمه

2. پیش زمینه

شکل1. فیلترینگ Rips سیمپلکس های پیچیده، تولد و مرگ حلقه ها را طراحی کرده است. نمودار پایداری تک بعدی و چشم اندازهای پایداری مربوطه در زیر نشان داده شده اند.

3. شرح روش و آزمون در سری های زمان تلفیقی

3.1روش

3.2 سری های زمانی بی نظم با نویز

شکل 2. سری های زمانی مربوط به سیستم معادله (3.2). محور افقی مربوط به مقادیر پارامتر a است.

شکل 3. پیش بینی دو بعدی نقطه ابرهای متناظر شده با دنباله های مختلف زمان؛ با افزایش زمان، مقدار پارامتر a افزایش می یابد (از بالا به پایین). در اطراف هر نقطه، یک دایره آبی از یک شعاع کوچک (ستون سمت چپ) و یک شعاع بزرگتر (ستون سمت راست) برای نشان دادن اینکه چگونه حلقه ها متولد می شوند و می میرند.

3.3 نویزهای سفید با واریانس در حال رشد

شکل 4. طرح نرم L1 (آبی) و نرم L2 (قرمز) نرمال شده از چشم اندازهای پایداری برای سری های زمانی بی نظم نویزدار. محور افقی متناظر با مراحل زمان و محور عمودی متناظر با نرم هاست. (برای جزییات متن را ببینید).

شکل 5. شبیه سازی مونت کارلو، 100 تحقق، از وابستگی نرم های L1 (خط قرمز) و L2 (خط آبی) چشم اندازهای پایداری در واریانس در حال رشد نویزهای سفید، در محور افقی مشخص شده است (برای جزییات بیشتر متن را ببینید)

3.4. نویزهای سفید با واریانس معکوس توزیع شده گاما (Gamma)

4. تجزیه و تحلیل تجربی داده های مالی

شکل6. (a) توزیع های گاما با مقادیر متفاوت پارامتر شکل؛ (b) شبیه سازی مونت کارلو از سری های زمانی نرم L1 نرمال شده (خط قرمز) چشم اندازهای پایداری تهیه شده برای بررسی با واریانس معکوس توزیع شده گاما نویزهای سفید. خط خاکستری نشانگر سری های زمانی واریانس متوسط نرمال شده چهار نویز اصلی است. برای جزییات متن را ببینید.

شکل 7. طرح پراکندگی سری های زمانی بازده لگاریتمی روزانه نرمال شده S&P500 و NASDAQ در طول 50 و100 روز مدت پایانی تاریخ های انتخاب شده. ستون چپ به طور نمادین نشان دهنده تولد در هماهنگی تک بعدی (حلقه ها) در مقیاس خاص (شعاع) در نقطه ابر دو بعدی 50 نقطه داده است.

شکل 8. نمودارهای پایداری Rips و چشم انداز های پایداری متناظر محاسبه شده با پنجره رولی 50 روز معامله در تاریخ های انتخاب شده. نقطه های توپر سیاه رنگ نشانگر مولفه های متصل هستند، مثلث های قرمز حلقه را نشان می دهند. (a) سقوط تکنولوژی 2000؛ (b) بحران های مالی 2008.

شکل 9. سری های زمانی نرم های L1 (خط آبی) و L2 (خط قرمز) نرمال شده چشم اندازهای پایداری محاسبه شده با پنجره رولی 50 روز.

شکل 10. 1000 روز معامله قبل از سقوط. از بالا به پایین، سری های زمانی روزانه S&P500 نرمال شده، نرم L1 نرمال شده چشم اندازهای توپولوژیک محاسبه شده با پنجره رولی 50 روز، و VIX. ستون چپ : تقریب سقوط داتکام در 10/3/ 2000. ستون راست: تقریب ورشکستگی Lehman در 15/9/2018.

5. نتیجه گیری

شکل 11. واریانس، چگالی طیفی متوسط در فرکانس های پایین، و اولین تاخیر ACF سری های زمانی نرم های Lp چشم اندازهای پایداری، و VIX برای 250 روز معامله قبل از (a) سقوط تکنولوژی در 10/3/2000؛ (b) ورشکستگی Lehman در 15/9/2008 (برای جزییات متن را ببینید). خط باریک سیاه با L1 متناظر است.

ترجمه چکیده

ما در حال بررسی روند بازده روزانه شاخص های بازار سهام آمریکا در طول سقوط تکنولوژی در سال 2000 و بحران های مالی 2007-2009 هستیم. روش ما بر اساس تجزیه و تحلیل داده های توپولوژیکی (TDA) است. ما از برابری پایداری برای شناسایی و تعیین الگوهای توپولوژیکی که در سری زمانی چند بعدی ظاهر می شود استفاده می کنیم. با استفاده از پنجره رولی، مجموعه داده های نقاط ابر وابسته به زمان را استخراج می کنیم که به آن فضای توپولوژیکی مرتبط کرده ایم. ما حلقه های گذرا را که در این فضا ظاهر می شوند شناسایی می کنیم و پایداری آنها را اندازه گیری می کنیم. این در توابع ارزش واقعی که به عنوان چشم اندازهای پایداری ذکر شده است، کدبندی شده است. ما تغییرات زمانی را در چشم اندازهای پایداری با استفاده از هنجارهای Lp آن ها کمی می کنیم.

ما این روش را در سری های زمانی چند بعدی تولید شده توسط مدل های غير خطی و غير تعادلی مختلف آزمایش می کنیم. در می یابیم که در مجاورت بحران های مالی،هنجارهای Lp نشان دهنده رشد قوی قبل از اوج اولیه است که در طول ورشکستگی افزایش می یابد. به طور قابل توجهی، میانگین چگالی طیفی در فرکانس های پایین سری زمانی هنجارهای Lp چشم اندازهای پایداری، روند صعودی قوی را برای 250 روز معاملات قبل از سقوط داتکام در تاریخ 03/10/2000 یا به ورشکستگی Lehman در تاریخ 09 / 15/2008 اثبات کرد. مطالعه ما نشان داد که TDA نوعی جدید از تجزیه و تحلیل اقتصاد سنجی ارایه می دهد که اقدامات آماری استاندارد را تکمیل می کند. این روش می تواند برای شناسایی هشدارهای اولیه نشانه های سقوط بازارهای نزولی باشد. بر این باوریم که این رویکرد را می توان فراتر از تجزیه و تحلیل های سری های زمانی مالی ارایه شده در اینجا استفاده کرد.

Abstract

We explore the evolution of daily returns of four major US stock market indices during the technology crash of 2000, and the financial crisis of 2007â2009. Our methodology is based on topological data analysis (TDA). We use persistence homology to detect and quantify topological patterns that appear in multidimensional time series. Using a sliding window, we extract time-dependent point cloud data sets, to which we associate a topological space. We detect transient loops that appear in this space, and we measure their persistence. This is encoded in real-valued functions referred to as a âpersistence landscapesâ.

We quantify the temporal changes in persistence landscapes via their Lp-norms. We test this procedure on multidimensional time series generated by various non-linear and non-equilibrium models. We find that, in the vicinity of financial meltdowns, the Lp-norms exhibit strong growth prior to the primary peak, which ascends during a crash. Remarkably, the average spectral density at low frequencies of the time series of Lp-norms of the persistence landscapes demonstrates a strong rising trend for 250 trading days prior to either dotcom crash on 03/10/2000, or to the Lehman bankruptcy on 09/15/2008. Our study suggests that TDA provides a new type of econometric analysis, which complements the standard statistical measures. The method can be used to detect early warning signals of imminent market crashes. We believe that this approach can be used beyond the analysis of financial time series presented here.

نمونه ترجمه مقاله:

مقدمه

تجزیه و تحلیل داده توپولوژیکی (TDA) [1و2] باتوجه به ترکیبی از روش های آماری، محاسباتی، و روش های توپولوژیکی اجازه می دهد که ساختارهای شکل مانند در داده ها را پیدا کنند. TDA ثابت کرده است که می تواند رویکرد اکتشافی قوی ای برای مجموعه داده های پیچیده چند بعدی و نویزی (noisy) باشد. برای استفاده از TDA، یک مجموعه داده به عنوان مجموعه ای محدود از نقاط در برخی فضاهای متریک کدبندی می شود. اصلی کلی و شهودی تحت TDA براساس پایداری منافذ k بعدی، به وطر مثال، مولفه های مرتبط (k = 0)، حلقه ها (k = 1)، و غیره، در یک فضای توپولوژیکی است که از نمونه های تصادفی برای طیف گسترده ای از مقیاس ها (دقت) که در آن داده ها مورد بررسی قرار می گیرد، نتیجه گرفته شده است. بر این اساس، هماهنگی پایداری، ویژگی مهم توپولوژیکی مورد بررسی است [3،4].

روش محاسبه هماهنگی پایداری همبسته به مجموعه داده نقاط ابر شامل ساختار فیلتر گذاری مجموعه سیمپلکسی، با برخی از پارامترهای دقت ( مقیاس گذاری) منظم شده، مرتبط است. با راه حل تغییر پارامترها ، برخی از ویژگی های توپولوژیکی در مجموعه سیمپلکسی ظاهر می شود ، در حالی که برخی دیگر ناپدید می شود. بنابراین، هر کدام از ویژگی های توپولوژیکی، یک مقدار تول و مرگ است، و تفاوت میان این دو مقدار نشان دهنده تداوم آن ویژگی است. ویژگی توپولوژیکی که برای محدوده بزرگتر از مقیاس ها ادامه می یابد، می تواند به عنوان یکی از مهمترین ویژگی ها مورد توجه قرار گیرد، در حالی که یک ویژگی که برای محدوده کوچکتر همچنان ادامه می یابد، می تواند به عنوان یک ویژگی کم اهمیت یا نویزی مورد توجه قرار گیرد. یک کیفیت مهم روش هماهنگی پایداری این است که نیازی به قطع ساختگی بین «نشانه» و «نویز» نیست؛ تمام ویژگی های توپولوژیکی که از داده ها ظاهر می شوند، نگهداری می شوند و وزن آنها بر اساس تداومشان تعیین می شود. خروجی روش فیلترگذاری در یک شکل مختصر توسط یک نمودار پایداری گرفته شده است. دو مختصات هر نقطه در نمودار، نشان دهنده مقدار تولد و مرگ یک منفذ k بعدی است. یک ابزار جایگزین برای خلاصه کردن اطلاعات موجود در یک نمودار پایداری، یک چشم انداز پایداری است [5،6].

دسته بندی رشته های تحصیلی	اقتصاد
فرمت فایل	zip, Pdf, word
فیلتر بر اساس موضوع	اقتصاد, سقوط بازار سهام
نشریه	الزویر-Elsevier
سال انتشار میلادی	2018
تعداد صفحات انگلیسی	15
تعداد صفحات فارسی	24