دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [Illustrated]
نویسندگان: Andrew C. Harvey
سری: Econometric Society Monographs, Series Number 52
ISBN (شابک) : 1107034728, 2012036508
ناشر: Cambridge University Press
سال نشر: 2013
تعداد صفحات: 282
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 Mb
در صورت تبدیل فایل کتاب Dynamic Models for Volatility and Heavy Tails: With Applications to Financial and Economic Time Series به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدلهای پویا برای نوسانات و دمهای سنگین: با کاربرد در سریهای زمانی مالی و اقتصادی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
نوسانات بازده مالی در طول زمان تغییر میکند و در سی سال گذشته، مدلهای ناهمسانی شرطی خودبازگشتی تعمیمیافته (GARCH) ابزار اصلی تحلیل، مدلسازی و نظارت بر چنین تغییراتی را فراهم کردهاند. با در نظر گرفتن اینکه بازده مالی معمولاً دنبالههای سنگینی را نشان میدهد - یعنی مقادیر شدید ممکن است هر از گاهی رخ دهد - کتاب جدید اندرو هاروی نشان میدهد که چگونه یک تغییر کوچک اما اساسی در نحوه فرمولبندی مدلهای GARCH منجر به حل بسیاری از موارد نظری میشود. مشکلات ذاتی در نظریه آماری این رویکرد همچنین میتواند برای سایر جنبههای نوسانات، مانند مواردی که از دادههای محدوده بازده و زمان بین معاملات ناشی میشوند، اعمال شود. علاوه بر این، کلاس کلیتر مدلهای امتیاز مشروط پویا به مدلسازی قوی نقاط پرت در سطوح سریهای زمانی و به درمان روابط متغیر با زمان گسترش مییابد. به این ترتیب، نه تنها برای داده های مالی، بلکه برای سری های زمانی کلان اقتصادی و سری های زمانی در سایر رشته ها نیز کاربرد دارد. تئوری آماری از اصول اولیه تخمین حداکثر احتمال استفاده میکند و با انجام این کار، منجر به یک درمان زیبا و یکپارچه از مدلسازی سریهای زمانی غیرخطی میشود. ارزش عملی مدلهای پیشنهادی با برازش آنها با مجموعههای داده واقعی نشان داده میشود.
The volatility of financial returns changes over time and, for the last thirty years, Generalized Autoregressive Conditional Heteroscedasticity (GARCH) models have provided the principal means of analyzing, modeling, and monitoring such changes. Taking into account that financial returns typically exhibit heavy tails – that is, extreme values can occur from time to time – Andrew Harvey's new book shows how a small but radical change in the way GARCH models are formulated leads to a resolution of many of the theoretical problems inherent in the statistical theory. The approach can also be applied to other aspects of volatility, such as those arising from data on the range of returns and the time between trades. Furthermore, the more general class of Dynamic Conditional Score models extends to robust modeling of outliers in the levels of time series and to the treatment of time-varying relationships. As such, there are applications not only to financial data but also to macroeconomic time series and to time series in other disciplines. The statistical theory draws on basic principles of maximum likelihood estimation and, by doing so, leads to an elegant and unified treatment of nonlinear time-series modeling. The practical value of the proposed models is illustrated by fitting them to real data sets.