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: Belirtilmemiş.
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 116
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
BiyomühendislikSabancı 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
- Elektronik kartların saha verilerine dayalı güvenilirlik analizi
Reliability analysis of electronic boards based on field data
SALİH VEHBİ CÖMERT
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA ALTUN
- Bayesian methods for real-time pitch tracking
Gerçek zamanlı nota takibi için Bayesçi yöntemler
UMUT ŞİMŞEKLİ
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ TAYLAN CEMGİL
- İstatistiksel model seçiminde Bayesci yaklaşımlar ve Bayes faktörü
Bayesian approaches to statistical model selection and Bayes factor
MUTLU ALTUNTAŞ
Yüksek Lisans
Türkçe
2011
İstatistikSinop Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. DR. EMEL ÇANKAYA