دانلود رایگان مقاله: سناریوهای تصمیم گیری مجانبی یک بازار بورس اوراق بهادار در حال ظهور: نظریه ارزش افراطی و شبکه عصبی مصنوعی

در زمان های اخیر سرمایه گذاری در امنیت فرار خطر زیان را افزایش می دهد و سود را کاهش می دهد. بسیاری از معامله گرانی که به این خطرات وابسته هستند برای اطلاع از استراتژی های معاملاتی خود به روش های نوسانات متعددی می پردازند. ما دو مدل را برای اندازه گیری رفتار تیلز و دوره افزایش یا کاهش سهام در یک دوره معاملاتی پنج ماهه بررسی می کنیم. ما داده ها را از بورس اوراق بهادار غنا دریافت کردیم و توزیع ارزش افراطی تعمیم یافته را با اعتبار سنجی و یک شبکه عصبی مصنوعی برای پیش بینی اعمال کردیم. تمرین شبکه به ترتیب بیش از 90 درصد دقت را برای سود تولید و مدیریت می کند و برای جفت های ورودی-خروجی داده شده کاهش می یابد. بر این اساس تخمین های توزیع ارزش افراطی ثابت می کند که بسیار مهیب است. پیشرفت قابل توجهی در پیش بینی بازار در ارزیابی نتایج عملکرد واقعی و پیش بینی وجود دارد. این مطالعه نشان می دهد که یک بار در هر پنج ماه, در 5% سطح اعتماد به نفس, انتظار می رود که بازار افزایش و سقوط 2.12% و 2.23%, به ترتیب. بازار بورس اوراق بهادار غنا حداکثر افزایش ماهانه سهام را در ماه های چهارم و پنجم بالاتر یا کمتر از 2.12 درصد نشان داد در حالی که حداکثر سهام ماهانه در ماه های سوم و چهارم بالاتر یا زیر 2.23 درصد کاهش یافت. این مطالعه نشان می دهد که یک بار در هر پنج ماه دوره معاملاتی, بازار سهام افزایش خواهد یافت و سقوط تقریبا یک درصد مساوی, با افزایش قابل توجهی در ارزش در معرض خطر و کمبود انتظار می رود در دم سمت چپ به عنوان کمی را افزایش می دهد در مقایسه با دم راست.

1. مقدمه

نوسانات در بازارهای سراسر جهان منجر به افزایش نگرانی سرمایه گذاران در مورد فرایندهای تصمیم گیری شده است. بازارهای بین المللی تحت تاثیر شوک های غیرمنتظره متعددی قرار گرفته اند که منجر به از دست رفتن مقدار قابل توجهی از ثروت شده است. ترس اکثر تحلیلگران مالی و مدیران ریسک این است که وقایع شرایط غیرعادی بازار باعث ضررهای عظیم و پیش بینی نشده سهام می شود که می تواند ناراحت شود و احتمالا منجر به انحلال و ریسک مطلق شود (گاوریل 2009). مطالعه ای توسط (نورتی و همکاران. 2015) نشان داد که انتخابات عمومی در غنا معمولا عملکرد سهام را تهدید می کند و با نوسانات زیاد به اوج خود می رسد. بازار سهام فرار اعتماد به نفس سرمایه گذاران در بازار سهام را می ترساند. بازارهای جهانی سهام در دهه های اخیر سر به فلک کشیده اند و بازارهای نوظهور بیشتر عامل این رشد هستند. در حال حاضر 29 بورس اوراق بهادار در افریقا وجود دارد. تحولات بازار سهام در مرکز برنامه مقررات زدایی مالی داخلی در اکثر کشورهای افریقایی بوده است. به نظر می رسد که هر برنامه ای در زمینه مقررات مالی در افریقا بدون ایجاد و رشد بازار سهام ناکافی است.

روند رو به رشد بازارهای بورس اوراق بهادار در کشورهای افریقایی در دهه های اخیر می تواند به رشد دیگری در اقتصاد جهانی مرتبط باشد. بازارهای مالی در بسیاری از اقتصادهای توسعه یافته بسیار تغییر کرده و در حال یکپارچه شدن هستند. این تغییرات نتیجه عوامل مختلفی است (کیش و همکاران. 1992; ادجاسی و یارتی 2007): (1) تخصیص تدریجی بازارهای مالی در داخل و خارج از کشور در اقتصادهای بزرگ; (2) بین المللی از این بازار; (3) معرفی طیف وسیعی از محصولات که منجر به سرمایه گذاری خطرناک تر و قابل توجهی بیشتر; و (4) ظهور و رشد نقش بازیکنان جدید در بازارهای مالی به ویژه سرمایه گذاران نهادی.

تحولات در سیستم های مالی کشورهای توسعه یافته به تنظیم تجارت در مذاکرات تجاری بین المللی کمک کرده است. ایجاد بازار سهام در مناطقی مانند افریقا و لیبرالیزه کردن سوابق مالی سرمایه می تواند بخشی از روند لیبرالیزاسیون جهانی باشد.

ایجاد بازار سهام در افریقا باید پس انداز محلی را افزایش دهد و کیفیت و کمیت سرمایه گذاری را افزایش دهد. به طور کلی, بازار سهام تقویت عملکرد سیستم مالی ملی و بازار سرمایه (پیس و هیرن 2005; کنی و ماس 1998). با این حال تحلیلگران معتقدند که بازار سهام ممکن است در کشورهای در حال توسعه مفید باشد و همه بازارهای افریقا نمی توانند بازارهای سهام را با هزینه های بالا و ساختارهای اقتصادی ضعیف تقویت کنند (سینگ 2013).

در اصل, بازار سهام باید رشد اقتصادی با تحریک پس انداز محلی و افزایش کیفیت و کمیت سرمایه گذاری سرعت بخشیدن به (سینگ 2013). این باید پس انداز را با فراهم کردن یک ابزار مالی اضافی برای افراد فراهم کند که به بهترین وجه با ترجیحات خود برای نیازهای ریسک و نقدینگی مطابقت داشته باشد. بسیج بهبود پس انداز می تواند نرخ پس انداز را افزایش دهد (ساچی 2011). بازارهای سهام همچنین به شرکت های در حال توسعه این فرصت را می دهند که سرمایه را با هزینه کمتری افزایش دهند و می توانند با افزایش پس انداز فردی و فراهم کردن فرصت های مالی برای شرکت ها بر رشد اقتصادی تاثیر مثبت بگذارند.

محققان مختلف تحقیقات گسترده ای را در مورد بازارهای مالی با استفاده از تجزیه و تحلیل ارزش شدید در ترکیب با شبکه های عصبی مصنوعی برای بازارهای سهام توسعه یافته از جمله بازارهای بین المللی مانند شاخص نزدک انجام داده اند (شریواستاوا و همکاران. 2014). در بازارهای سهام خاص, قرار گرفتن در معرض شاخص های بازار برای کاهش شدید در مقایسه با احتمال دستاوردهای شدید بالاتر است (به عنوان مثال, هانگ سنگ, دی جی یورو استوکس 50, نیکی, شاخص بازار سوییس, و اف اس 100) (جیلی و ارگلزی 2006). ادبیات موجود نشان می دهد که بازارهای در حال توسعه معمولا در مقایسه با بازارهای پیشرفته تر دم منفی چاق تری از خود نشان می دهند. از این رو استفاده از یک دوره پنج ماهه برای مطالعه.

ادبیات مربوط به نظریه ارزش افراطی و شبکه عصبی مصنوعی با توجه به بازارهای نوظهور بورس اوراق بهادار مانند غنا بسیار پراکنده است. این مطالعه با هدف پر کردن این شکاف از طریق استفاده از شبکه عصبی مصنوعی و نظریه ارزش افراطی برای بررسی خطرات مرتبط با بورس اوراق بهادار غنا انجام شده است. تازگی این مطالعه در حال حاضر تعیین اهمیت نسبی متغیرهای پیش بینی در مورد زمانی است که بازار در دوره معاملاتی پنج ماهه با استفاده از یک شبکه عصبی مصنوعی افزایش یا کاهش می یابد. پیش بینی در نتیجه یک تست قوی است که با استفاده از روش تست بک برای تایید مناسب بودن یا در غیر این صورت مدل انجام می شود. با توجه به این, ما بازار جی اس را به عنوان دامنه پیشنهاد می کنیم, منطقه ای که در ادبیات موجود مورد توجه قرار نگرفته است. به منظور دستیابی به اهداف این پژوهش از نظریه ارزش افراطی در ترکیب با یک شبکه عصبی مصنوعی برای مدلسازی بورس اوراق بهادار در غنا استفاده خواهد شد. ما به طور خاص نگاه می کنیم:

2. مواد و روش ها

2.1. بررسی نظری

رویدادهای نادر با خطر کمی زیاد و احتمال کم در توابع توزیع احتمال وجود دارد. روش های پارامتری و غیر پارامتری خاص تجزیه و تحلیل یک سری زمانی ثابت را امکان پذیر می کند و اینها به طور کلی نتایج رضایت بخشی را در محدوده های از پیش تعیین شده ایجاد می کنند. با این وجود برخی از سریال ها به همان اندازه ثابت نیستند که به طور جداگانه به موارد پرت می پردازند. برخی از اقتصاددانان تجزیه و تحلیل سنتی را با استفاده از روش های مختلف اقتصادسنجی انجام دادند. مثلا, تغییرات رژیم می تواند رخ دهد, به این معنی که این روش ها برای پیش بینی تصمیمات سرمایه گذار در مورد بازار سهام مفید نیست (اندرز 2004; نورتی و همکاران. 2015). روش ارزش افراطی می تواند توابع احتمال را توسعه دهد که می تواند داده های مربوط به زمان را پیش بینی کند و ماهیت خود را مطالعه کند و همچنین موارد پرت را کنترل کند. از لحاظ تاریخی کاربرد نظریه ارزش افراطی در زمینههای هواشناسی و هیدرولوژی بوده است. همانطور که توسط (رن و گیلز 2010) مشخص شد هدف از ارزیابی احتمال گسترش مجانبی وقایع نادر است که ناحیه دم توزیع را در جایی که خطر وجود دارد توضیح می دهد. این روش با مطالعه رفتار دادههای سری زمانی در تیلز (الن و همکاران) در امور مالی کاربرد دارد. 2011; گنچی و سل ارگوک 2004; گنیمی و همکاران. 2004; مک نیل و فری 2000; نفتچی 2000; روتزن و کل ارمپلبرگ 1999; روسو 2015; اوپال و مانگلا 2013). به طور مشابه, این روش برای تخمین ور از یک نمونه کارها با اتصالات توزیع دم استفاده (لیدبتر و همکاران. 2012; لانگین 2000, 2016; دیبولد و همکاران. 2000; عمر و همکاران. 2015; فریرا و هان 2015; مک نیل و همکاران. 2015; دانیلسون و د وریس 2000; هو و همکاران. 2000).

شبکه عصبی مصنوعی مبتنی بر اصل رفتارهای غیر خطی است و برای بررسی عوامل علی مختلف نامشخص استفاده می شود که اغلب از طریق استفاده از نمونه های اولیه ساختاری شناسایی نمی شوند. به عنوان یک ابزار برای اهداف پیش بینی, شبکه های عصبی مفید هستند که یک سیستم توسط دستورالعمل نامعلومی تنظیم (ژانگ 2004; ژانگ و همکاران. 1998). معمار شبکه عصبی به طور عمده در بررسی داده های زمان مالی مورد استفاده قرار می گیرد و دارای مزایایی نسبت به یادگیری ماشین و مدل های اماری است که توسط شریواستاوا و همکاران مورد مطالعه قرار گرفته است. 2011; قیزل و همکاران. 2006; ویدرو و همکاران. 1994).

با کمترین فرضیات قبلی شبیه سازی پیچیده ترین ارتباط با افزودن واحدهای بیشتری از نورون ها و لایه های پنهان است. در مطالعه خود, (کالینز و همکاران. 1988) در حالی که (وانگ و همکاران) بر بررسی ریسک مرتبط با وام های رهنی متمرکز شده است. 1997) انجام یک مطالعه برای پیش بینی امتیاز از برنامه های کاربردی برای کارت های اعتباری. مشکلات شکست مالی, پیش بینی و اعتباری خطرات, نشانه ای از قیمت گذاری مشتقات, از طریق شبکه عصبی حل و فصل (هاچینسون و همکاران. 1994; رفنس و همکاران. 1994). راه حل برای مشکلات مختلف مربوط به شکست مالی, پیش بینی و خطرات اعتباری, نشانه ای از مشتقات قیمت گذاری, می توان از طریق استفاده از ان تعیین (هاچینسون و همکاران. 1994; رفنس و همکاران. 1994). علاوه بر این, شبکه های عصبی شده اند مورد استفاده توسط محققان به مدل سهام ارزیابی, نرخ بهره و بیمه, در حالی که تلاش نیز ساخته شده است برای پیش بینی بازارهای سهام و عوامل مختلف دیگر با استفاده از شبکه های عصبی (پاندا و ناراسیمهان 2006; برچتس و همکاران. 1999). r

ارزش افزوده در ابتدا در راه اندازی شد 1989 و در مجموع شامل 40 سهام از 35 شرکت همراه با یک اوراق قرضه شرکتی, سه اوراق قرضه دولتی و یک سهم اولویت. صنایع اصلی ذکر شده در بورس اوراق بهادار تولید و دم کردن است که به دنبال بانکداری است. سایر صنایع نیز ذکر شده, مانند معدن, بیمه و نفت. شاخص سهام غنا با افزایش 116 درصدی در بازار سرمایه و افزایش 124.3 درصدی در سطح شاخص در سال 1994 در میان ششمین شاخص های عملکرد در بازارهای نوظهور سهام در سال 1993 قرار داشت. گزارش سال 1995 نشان می دهد که این شرکت به دلیل عملکرد بهتر در بازار با سایر سهام های نوظهور رقابت می کند. داده ها نشان می دهد که کل سرمایه بازار سهام 11.2 میلیارد دلار در سال 2006 و 13.2 میلیارد دلار در دسامبر 2007 و 15.5 میلیارد دلار در سال 2008 بوده است. از این رو, این نشان می دهد که بازار افزایش یافته است 31.84% در 2007, همانطور که در گزارش سال 2007 گزارش شده است. هر بازار سهام اعتبار انجام; بنابراین, نیروهای بازار می تواند عملکرد خود را تحت تاثیر. انتخابات عمومی غنا می تواند تاثیر مخربی بر بازار سهام داشته باشد و به دلیل نوسانات بازار مرتبط به عملکرد سهام لطمه بزند. علاوه بر این تغییر رژیم یک عامل حیاتی است که می تواند بر روند تصمیم گیری سرمایه گذاران (نورتی و همکاران) تاثیر بگذارد. 2015). همانطور که (فرید 2013) خاطرنشان کرد: یکی از ویژگی های قابل توجه بازارهای کشورهای افریقایی رابطه ضعیف بین بازارهای سهام افریقا و بورس های اصلی در سراسر جهان است. ارزش افزوده هیچ استثنا برای این قاعده است, و به نظر می رسد تحت تاثیر حوادث خارجی که در بازارهای مالی جهانی رخ می دهد, با توجه به تحقیقات به طور خاص در بازار سهام غنا انجام.

2.2. نظریه ارزش افراطی

برای برخی از زمان در حال حاضر, حوادث نادر اتفاق می افتد تحت شرایط بازار شده اند یک ماده از نگرانی به تجارت مالی و مدیران ریسک در بزرگ. همانطور که توسط اشاره (گاوریل 2009), حوادث است که نادر است و با تلفات غیر منتظره نتیجه از ورشکستگی و خطر سیستمیک. در مورد الگوها و رفتار اکسترمهای یک متغیر تصادفی است. این یک عامل حیاتی در قضیه حد مرکزی است که در مدل سازی مجموع متغیرهای تصادفی استفاده می شود. استدلال اساسی این نظریه این است که تلاش می کند در مورد ظهور اولیه پارامترهای توزیع احتمال توضیح دهد, فرض می کند ثابت هستند, و سپس در صورت تحقق هرگونه تغییر یکپارچه می شود. در نتیجه بازده ها به صورت تصادفی توزیع می شوند و مستقل هستند. ادبیات مربوط به فناوری اطلاعات و ارتباطات تایید می کند که, به عنوان افزایش حجم نمونه در مقادیر برای یک رویداد داده شده, شانس خود را بزرگ می شود. این مقادیر شدید احتمال بالاتر یا پایین تر از حد معمول را نشان می دهد که انحرافات خیلی قابل توجه نباشند. بدین ترتیب, این رویداد را به صلاحیت همان سقوط.

در یک ورید مشابه, زمانی که انحراف فرض یک سطح قابل توجهی, این رویداد سرچشمه از یک رژیم متفاوت. محققان مدلهایی مانند ارزش در معرض خطر را ادعا کرده اند که می توانند خطر یا ضرر شدید را محاسبه کنند. با این حال, این مدل کمبود خود را از دست کم گرفتن خطر به دلیل تنظیم محدود خود را به بازده نادر (سایتا 2010; ولار 2000).

در پژوهشهای پیشین نشان داده شده است که دو روش بنیادی مورد استفاده در این روش شامل روشهای ماکسیما بلوکی و روشهای پیک بیش از حد است. با این حال, گلدان افزایش محبوبیت در میان محققان دست یافته است به عنوان تجربی پذیرفته شده است. بر اساس (1983) دوموشل یک نظریه جذاب است که بر اساس توزیع مجانبی بنا شده است و به طور مداوم به توزیع واقعی وابسته نیست. مزایای استفاده از مدیریت ریسک مالی در نظر گرفته شده است; درنتیجه یک جمله معروف از دوموشل در این باره این است که" اجازه دهید دمها خودشان صحبت کنند " که نشان میدهد این یک نظریه اساسی در تخمین اندازهگیریهای ریسک است.

در نهایت ویژگی های موجود در نظریه به عنوان یک راهنما برای مدیران ریسک در بخش مالی برای جلوگیری از ضرر و زیان است که به ندرت می تواند نقطه. پس از این, (روکو 2014) نشان می دهد سطح نمونه کارها را تحت تاثیر قرار موارد شدید کمتر در بازار. تخمین موارد شدید پس از محاسبه کمی های شدید تعیین می شود. گزارش شده است که معیارهای ریسک که بر کل توزیع تمرکز دارند در مقایسه با متغیرها و متغیرها که خطرات کمی را از طریق دم توزیع می گیرند (لانگین 2016) برازش کمتری دارند. به همین دلیل شرایط زیر است.

اجازه دهید پنجم = پنجم 1, پنجم 2, پنجم 3,..., پنجم نفر نشان دهنده یک متغیر خطر تصادفی, مستقل عینا توزیع (بین) و زیان پس از یک تابع توزیع تجمعی نامشخص ج ( پنجم ) = روابط عمومی ( پنجم ≤ پنجم ) . همانطور که با پژوهش حاضر, پنجم من بازده توسط جی اس برای یک روز دلالت. بازده منفی که مثبت فرض می شود معمولا در دم سمت راست توزیع ضرر یافت می شود ( و ). از این رو مدل سازی از دست دادن یا ریسک انجام می شود. اگر دبلیو ن = م ایکس< V 1 , … , V n >, این نشان دهنده حداکثر از دست دادن نمونه متشکل از ن تلفات. به طور عمده توزیع دبلیو ن را بررسی می کند . با استفاده از فرضیه توزیع تجمعی تابع توزیع تجمعی دبلیو ن تولید شده توسط اف ن (ولت) نامشخص است و به طور موثر از طریق یک تابع توزیع تجربی محاسبه نمی شود. نظریه ای که توسط (فیشر و تیپت 1928) مفروضات و منابع مجانبی در مورد اف ن ( پنجم ) . قضیه های محدود کننده مانند نظریه حد مرکزی از فرایند عادی سازی کل متغیرهای تصادفی استفاده می کنند.

بر اساس حداکثر نرمال, اجرای قضیه فیشر به تقریب مجانبی به صورت بیان:

where μ n and σ n denote the location and scale measures, respectively, where both comprise real number sequences such that σ n > 0 . When the Fischer theorem applies to the normalized maximum Equation (1), the return index point converges to a specific non-degenerate function and will then be a generalised extreme value distribution (GEVD). The associated equations can be express as: H γ ( x ) = e − ( 1 + γ x ) − 1 γ for γ ≠ 0 and 1 + γ x >0 ; ساعت γ ( ایکس ) = الکترونیکی − (الکترونیکی ) − ی برای γ = 0, − ∞ ≤ ی≤ ∞.

پارامتر shape, تعریف شده به عنوان پارامتر شکل, یک تعیین کننده از ویژگی های دم از توزیع جی وی است. تابع توزیع حد حداکثر عادی سازی را نشان می دهد (2). با توجه به مقادیر زیاد برای ن, قضیه فیشر-تیپت در نوشته شده است: پ تحقیق< M n < m >= پ تحقیق< ( W n − σ n ) / σ n < m >.

If x = σ n m + μ n , then the attributes of H γ can be examined and determined by the cumulative distribution function F . If F diminishes at the tail, then H γ can be considered to be Gumbel type and the value of γ is zero. Distributions with narrow tails, such as normal, log-normal, exponential and gamma create GEVs of Grumble type. If there is a decline in F at the tail, as indicated below, then H γ can be considered to be of the Frechet type and γ >0.

1-اف ( ایکس ) = ایکس − 1 / γ ( ل ( ایکس ) ) , که ل (ایکس ) یک توزیع است که به تدریج متفاوت است. توزیع های دارای دم چربی مانند پارتو, کوشی و توزیع تی دانشجویی شباهت های زیادی با توزیع فرشته دارند. به عنوان نوع وایبول در نظر گرفته می شود γ< 0 . Distributions such as uniform and beta are comparable to the Weibull type of distribution. The findings of (Embrechts et al. 2013) support the application of GEV distributions for modelling stocks in financial markets. In this context, these distributions are optimal distributions for extreme values in the conventional generalized autoregressive conditional heteroskedasticity (GARCH )procedure, which are generally followed by the returns on the market (Nortey et al. 2015). The EVT model presented an improved fit to the ends of the GSE distribution, as the returns had a fat-tailed distribution that was asymmetric.

2.3. سطح بازگشت

سطح بازگشت سطحی را تعریف می کند که به طور متوسط فرض می شود برابر است یا هر بار یک بار پیشی می گیرد فاصله زمانی ( تی ) با احتمال ( پ ). از این رو تابع توزیع نرمال در معادله (2) به صورت فرموله شده است:

جایی که تی دوره بازگشت را نشان می دهد و ایکس پ سطح بازده است. پس از ایجاد دوره بازگشت و حل معادله می توان سطح بازگشت را محاسبه کرد ایکس پ توسط: ایکس پ = σ ϕ − 1 ( 1 − پ ) + which که است ایکس پ = = در 1 − پ++.