Principles of Neural Model Identification, Selection and Adequacy: With Applications to Financial Econometrics

شبکه های عصبی موفقیت قابل توجهی در رشته های مختلف از جمله مهندسی، کنترل و مدل سازی مالی داشته اند. با این حال، یک ضعف عمده، فقدان رویه‌های تعیین‌شده برای آزمایش مدل‌های نامشخص و اهمیت آماری پارامترهای مختلفی است که برآورد شده‌اند. این امر به ویژه در اکثر برنامه های مالی که در آن فرآیندهای تولید داده عمدتاً تصادفی و فقط تا حدی قطعی هستند مهم است. بر اساس آخرین و مهم‌ترین پیشرفت‌ها در تئوری تخمین، انتخاب مدل و تئوری مدل‌های نامشخص، این جلد شبکه‌های عصبی را به یک ابزار اقتصاد سنجی مالی پیشرفته برای مدل‌سازی ناپارامتریک توسعه می‌دهد. این چارچوب نظری مورد نیاز را فراهم می‌کند و استفاده کارآمد از شبکه‌های عصبی را برای مدل‌سازی پدیده‌های مالی پیچیده نشان می‌دهد. برخلاف بسیاری از کتاب‌های دیگر در این زمینه، این کتاب شبکه‌های عصبی را به‌عنوان دستگاه‌های آماری برای تجزیه و تحلیل رگرسیون غیرخطی و غیر پارامتریک در نظر می‌گیرد.

Neural networks have had considerable success in a variety of disciplines including engineering, control, and financial modelling. However a major weakness is the lack of established procedures for testing mis-specified models and the statistical significance of the various parameters which have been estimated. This is particularly important in the majority of financial applications where the data generating processes are dominantly stochastic and only partially deterministic. Based on the latest, most significant developments in estimation theory, model selection and the theory of mis-specified models, this volume develops neural networks into an advanced financial econometrics tool for non-parametric modelling. It provides the theoretical framework required, and displays the efficient use of neural networks for modelling complex financial phenomena. Unlike most other books in this area, this one treats neural networks as statistical devices for non-linear, non-parametric regression analysis.