Otoregresif koşullu süre modelinin minimum uzaklık tahmini
Minimum distance estimation of autoregressive conditional duration model
- Tez No: 884185
- Danışmanlar: PROF. DR. ALİ HAKAN BÜYÜKLÜ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 65
Özet
Bu çalışmada Otoregresif Koşullu Süre (ACD) modelinin dagılım ve hafıza sorunları irdelenmiş; ardından bu sorunların giderilebilmesi için model tahmincilerinin elde edilmesinde dagılımdan bağımsız ve otokorelasyon fonksiyonlarına dayalı bir yöntem olan Minimum Uzaklık Tahmininin (MDE) kullanımı araştırılmıştır. Çalışma kapsamında MDE tahmincilerinin hesaplanması için Cavazos-Cadena formülasyonuna dayalı yeni bir parametrik yöntem sunulmuştur ve konuyla ilgili önceki çalışmalardan farklı olarak hesaplama sürecinin kodlarına da yer verilmiştir. Hesaplamalar sonucunda elde edilen tahmincilerin yansızlıkları, daha önce Engle ve Russel tarafından önerilen Weibull dagılımı kullanılarak Monte Carlo simülasyonları ile karşılaştırılmış ve gerçek veriler üzerinden test edilmiştir. Gerçek veri uygulamaları için Apple hisse senedi tik fiyatlarının varış süreleri ile Dogu Anadolu Fayında 2023 Mart ayında gerçekleşen artçı depremler arası süre verileri kullanılmıştır. Simülasyon sonuçları, şekil katsayısının degiştirilmesi yoluyla üretilen tüm dağılım özelliklerinde, çalışma kapsamında geliştirilen ve parametrik yolla hesaplanan MDE tahmincilerinin, daha önce Baillie ve Chung tarafından geliştirilen örnek otokorelasyonlarına dayalı yöntemlere göre kesin üstünlük sagladığını göstermiştir. Ayrıca, MDE tahmincilerinin genel olarak Yarı Maksimum Olabilirlik (QML) tahmincileri ile yakın sonuçlar verdigi, leptokurtik dağılım özelliklerinde ise QML tahmincilerine göre çok daha başarılı oldugu gözlenmiştir. Gerçek veriler ile yapılan uygulamalarda MDE yönteminin QML yöntemine göre daha düşük sürerlik katsayıları ürettigi ve hata otokorelasyonlarının düşürülmesinde daha başarılı sonuçlar verebildigi sayısal ve görsel karşılaştırmalar ile gösterilmiştir.
Özet (Çeviri)
This study investigates the distribution and memory based issues in the Autoregressive Conditional Duration (ACD) model and as a potential solution, the use of Minimum Distance Estimation (MDE), a distribution-free method based on autocorrelation functions, is investigated to obtain model estimators. In this scope, a new method based on the Cavazos-Cadena formulation was presented for the calculations of MDE estimators from model parameters. Also, unlike previous studies on the subject, the codes for the calculation process are included in the paper. Biasness of the estimators was compared with Monte Carlo simulations using the Weibull distribution which previously proposed by Engle and Russel, and also tested on real data. For real data applications, the arrival times of Apple stock tick prices and the time intervals between the aftershocks that occurred in the East Anatolia Fault in March 2023 were used. Simulation results show that for all distribution characteristics simulated by different shape parameters, the parametrically calculated MDE estimators provides a clear superiority over the methods based on sample autocorrelations developed by Baillie and Chung. Moreover, it is observed that the MDE estimators generally give close results to the Quasi-Maximum Likelihood (QML) estimators but are much more successful than the QML estimators under leptokurtic distribution characteristics. In the real data applications, numerical and visual comparisons show that compared to the QML method the MDE method produced lower persistence coefficients and can reduce the autocorrelation in residuals.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Türkiye'de hisse senedi piyasası volatilitesinin tahmini ve dağılımların karışımı hipotezinin sınanması
An Estimation of stock market volatility in Turkey and testing the mixture of distributions hypothesis
ZİYA KORKUT EŞREFOĞLU
Doktora
Türkçe
2002
EkonomiAnadolu Üniversitesiİktisat Politikası Ana Bilim Dalı
PROF. DR. ÖNDER ÖZKAZANÇ
- Otoregresif koşullu süre modelleri: Forex piyasaları üzerine bir uygulama
Autoregressive conditional duration models: An application in foreign exchange markets
PINAR SÜLOĞLU
Yüksek Lisans
Türkçe
2019
Ekonometriİstanbul ÜniversitesiEkonometri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM GÖKTAŞ
- Autoregressive conditional duration and liquidity
Otoregresif koşullu süre ve likidite
ÜMİT ALTAY BARAN
Doktora
İngilizce
2022
EkonometriBoğaziçi Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CENK C. KARAHAN
- İstanbul Menkul Kıymetler Borsası'nın mikroyapı analizi: Organizasyon, fiyat oluşumu, otoregresif koşullu süre modelleri
Istanbul Exchange Stock Market: Organization, price formation, autoregressive conditional duration models
ORHAN OĞUZ YILMAZ