Bayesian changepoint and time-varying parameter learning in regime switching volatility models
Rejim değiştiren volatilite modellerinde Bayes bazlı değişim noktası ve zamana bağlı parametre kestirimi
- Tez No: 409254
- Danışmanlar: PROF. DR. SADIK FİKRET GÜRGEN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Stokastik volatilite, Stochastic volatility
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, rejim değiştiren volatilite modellerinde değişim noktası tespit yöntemini kullanarak bütünleşik durumların tespiti ve parça parça zamana bağlı değişim gösteren parametreler için bir kestirim tekniği sunmaktadır. Bu yaklaşım değişim nokta sayısı bilinmeyen GARCH ve EGARCH bazlı volatilite modellerinin tahmini için bir Sıralı Monte Carlo yöntemidir. Arka yoğunlukları ve çevrimiçi tahminleri hesaplamak için modern harici parçacık filtreleme teknikleri kullanılmıştır. Bu yaklaşım, aynı zamanda bu tip volatilite modellerinde karşılaşılan ortak atalara yol bağımlılığı sorununa da otomatik olarak çözüm sağlamaktadır. Bu model daha önce İstanbul Menkul Kıymetler Borsası (İMKB) olarak bilinen Borsa İstanbul günlük getiri verisi üzerinde test edilmiştir. Volatilite modelleri için koşullu varyansın tüm parametrelerinin dinamik olarak değişim gösterdiği bir tam yapısal değişim noktası spesifikasyonu tanımlanmıştır. Sonuç olarak, önerilen yaklaşım ve modelin zaman serisini farklı rejimlere bölerek her rejime ait volatilite modeli parametrelerini çoklu değişim noktası tespit süreci ile birlikte öğrendiği ve geçmiş yöntemlere göre daha iyi bir tahmin gücü ortaya koyduğu deneylerle gösterilmiştir.
Özet (Çeviri)
This dissertation proposes a combined state and piecewise time-varying parameter learning technique in regime switching volatility models using multiple changepoint detection. This approach is a Sequential Monte Carlo method for estimating GARCH & EGARCH based volatility models with an unknown number of changepoints. Modern auxiliary particle filtering techniques are used to calculate the posterior densities and online forecasts. This approach also automatically deals with the common ancestral path dependence problem faced in these type volatility models. The model is tested on Borsa Istanbul (BIST) formerly known as Istanbul Stock Exchange (ISE) market data using daily log returns. A full structural changepoint specification is defined in which all parameters of the conditional variance of the volatility models are dynamic. Finally, it is shown with simulation experiments that the proposed approach partitions the series into several regimes and learns the parameters of each regime's volatility model in parallel with the multiple changepoint detection process and shows better forecasting power compared to previous techniques.
Benzer Tezler
- Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition
Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım
MASTANEH TORKAMANI AZAR
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
Prof. Dr. SELİM SAFFET BALCISOY
- İnference and parameter estimation in bayesian change point models
Bayesçi değişim noktası modellerinde çıkarım ve parametre kestirimi
ÇAĞATAY YILDIZ
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ TAYLAN CEMGİL
- Telsiz vericilerinin açılma geçici rejim işaretlerinin gerçek zamanlı yakalanması
Real time acqusition of radio transmitter turn-on transients
ÖZGÜR ALTUN
Yüksek Lisans
Türkçe
2001
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜMTAZ YILMAZ
- Sensor based real-time process monitoring for ultra-precision manufacturing processes with non-linearity and non-stationarity
Doğrusal ve durağan olmayan ultra hassas üretim süreçleri için sensör tabanlı gerçek zamanlı süreç izleme
ÖMER FARUK BEYCA
Doktora
İngilizce
2013
Endüstri ve Endüstri MühendisliğiOklahoma State UnıversıtyEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZHENYU (JAMES) KONG
- Yeni zelanda GPS zaman serileri verisinin bayesci istatistik ile incelenmesi
Investigation of the New Zealand time series data with bayesian statistics
KUBİLAY ÖZCAN
Yüksek Lisans
Türkçe
2023
Jeoloji Mühendisliğiİstanbul Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. GÜRSEL SUNAL
PROF. DR. MEHMET SİNAN ÖZEREN