Using Random Quasi-Monte-Carlo Within Particle Filters, With Application to Financial Time Series

2005 ◽  
Vol 14 (4) ◽  
pp. 751-769 ◽  
Author(s):  
Paul Fearnhead
Keyword(s):  
Time Series ◽  
Monte Carlo ◽  
Particle Filters ◽  
Financial Time Series ◽  
Quasi Monte Carlo ◽  
Financial Time

scholarly journals Studies on break detection in financial time series volatility

2015 ◽  
Author(s):  
Βασιλική Χατζηκωνσταντή
Keyword(s):  
Time Series ◽  
Monte Carlo ◽  
Financial Time Series ◽  
Financial Time

Η παρούσα Διδακτορική Διατριβή παρέχει μια οικονομετρική ανάλυση της αστάθειας εστιάζοντας στις επιπτώσεις των διαρθρωτικών μεταβολών. Συγκεκριμένα εξετάζεται εάν η ύπαρξη διαρθρωτικών μεταβολών επηρεάζει την εμμονή στην αστάθεια και/ή την μακροχρόνια μνήμη σε χρηματοοικονομικές σειρές.Το πρώτο κεφάλαιο αποτελεί μια εισαγωγή στο ζήτημα των διαρθρωτικών μεταβολών και της αστάθειας. Στο δεύτερο κεφάλαιο εξετάζεται η απόδοση της στατιστικής των Kokoszka and Leipus (1999, 2000) για την ανίχνευση διαρθρωτικών μεταβολών σε χρονοσειρές που εμφανίζουν ετεροσκεδαστικότητα. Συγκεκριμένα, μέσα από πειράματα προσομοίωσης Monte Carlo μελετάται η ισχύς και το μέγεθος του στατιστικού ελέγχου κάτω από DGP που υποθέτουν υψηλά επίπεδα εμμονής. Οι στατιστικές ιδιότητες του αλγορίθμου εξετάζονται κάτω από την υπόθεση μιας μεταβολής, πολλαπλών μεταβολών, διάφορων τύπων μεταβολών καθώς και από την υιοθέτηση διαφορετικών εκτιμητών για την μακροχρόνια διακύμανση.Στο τρίτο κεφάλαιο εξετάζεται η αστάθεια και η εμμονή των δεικτών του Ελληνικού χρηματιστηρίου εστιάζοντας στην επίδραση των διαρθρωτικών μεταβολών. Η Ελληνική χρηματαγορά αποτελεί μια μικρή, περιφερειακή αγορά στην οποία δεν έχει εξεταστεί η πιθανή επίδραση των διαρθρωτικών μεταβολών. Η ανίχνευση των μεταβολών βασίζεται στην υιοθέτηση της στατιστικής των Kokoszka and Leipus (1999, 2000) ενώ η αστάθεια αναλύεται χρησιμοποιώντας υποδείγματα τύπου GARCH.Στο τέταρτο κεφάλαιο αναλύονται οι από κοινού επιπτώσεις των διαρθρωτικών μεταβολών και των ακραίων τιμών στην αστάθεια. Αν και οι επιπτώσεις τους έχουν μελετηθεί σε βάθος ξεχωριστά, η από κοινού επιπτώσεις τους δεν έχουν εξεταστεί ευρέως. Στην εν λόγω ανάλυση υιοθετείται ένας αλγόριθμος τύπου wavelet για την ανίχνευση των ακραίων τιμών, ενώ ο αριθμός και η χρονολόγηση των διαρθρωτικών μεταβολών βασίζεται σε έναν μη παραμετρικό αλγόριθμο. Τέλος, ο ακριβής αριθμός των διαρθρωτικών μεταβολών επιβεβαιώνεται μέσα από μια σειρά ελέγχων (robustness tests).Στο πέμπτο κεφάλαιο εξετάζεται η πιθανή αλληλεπίδραση μεταξύ της μακροχρόνιας μνήμης και των διαρθρωτικών μεταβολών. Πιο συγκεκριμένα εξετάζεται εάν η μακροχρόνια μνήμη μιας χρονοσειράς μπορεί να είναι πλασματική αν δεν λάβουμε υπόψη τις πιθανές διαρθρωτικές μεταβολές. Στην εν λόγω έρευνα χρησιμοποιήθηκε το ημερήσιο λογαριθμικό εύρος ως μέτρο αστάθειας. Η ανίχνευση των διαρθρωτικών μεταβολών στηρίζεται σε δυο προσεγγίσεις. Υιοθετήθηκε ένα υπόδειγμα με πολλαπλές «απότομες» διαρθρωτικές μεταβολές στο μέσο και ένα υπόδειγμα ομαλής μετάβασης. Το τελευταίο υποθέτει απότομες μεταβολές, ομαλές μεταβολές ή και συνδυασμό αυτών. Τέλος, στο έκτο κεφάλαιο συνθέτονται τα συμπεράσματα της εν λόγω Διατριβής.

scholarly journals A Fast and Efficient Markov Chain Monte Carlo Method for Market Microstructure Model

2021 ◽  
Vol 2021 ◽  
pp. 1-24
Author(s):  
Sun Yapeng ◽  
Peng Hui ◽  
Xie Wenbiao
Keyword(s):  
Time Series ◽  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Market Microstructure ◽  
Financial Time Series ◽  
Market Liquidity ◽  
Time Varying ◽  
Financial Time ◽  
Simulation Smoother

The non-linear market microstructure (MM) model for financial time series modeling is a flexible stochastic volatility model with demand surplus and market liquidity. The estimation of the model is difficult, since the unobservable surplus demand is a time-varying stochastic variable in the return equation, and the market liquidity arises both in the mean term and in the variance term of the return equation in the MM model. A fast and efficient Markov Chain Monte Carlo (MCMC) approach based on an efficient simulation smoother algorithm and an acceptance-rejection Metropolis–Hastings algorithm is designed to estimate the non-linear MM model. Since the simulation smoother algorithm makes use of the band diagonal structure and positive definition of Hessian matrix of the logarithmic density, it can quickly draw the market liquidity. In addition, we discuss the MM model with Student-t heavy tail distribution that can be utilized to address the presence of outliers in typical financial time series. Using the presented modeling method to make analysis of daily income of the S&P 500 index through the point forecast and the density forecast, we find clear support for time-varying volatility, volatility feedback effect, market microstructure theory, and Student-t heavy tails in the financial time series. Through this method, one can use the estimated market liquidity and surplus demand which is much smoother than the strong stochastic return process to assist the transaction decision making in the financial market.

scholarly journals Detecting Predictable Segments of Chaotic Financial Time Series via Neural Network

Electronics ◽  
2020 ◽  
Vol 9 (5) ◽  
pp. 823
Author(s):  
Tianle Zhou ◽  
Chaoyi Chu ◽  
Chaobin Xu ◽  
Weihao Liu ◽  
Hao Yu
Keyword(s):  
Neural Network ◽  
Time Series ◽  
Phase Space ◽  
Financial Market ◽  
Financial Time Series ◽  
Influential Factors ◽  
Series Data ◽  
Phase Point ◽  
Price Fluctuations ◽  
Financial Time

In this study, a new idea is proposed to analyze the financial market and detect price fluctuations, by integrating the technology of PSR (phase space reconstruction) and SOM (self organizing maps) neural network algorithms. The prediction of price and index in the financial market has always been a challenging and significant subject in time-series studies, and the prediction accuracy or the sensitivity of timely warning price fluctuations plays an important role in improving returns and avoiding risks for investors. However, it is the high volatility and chaotic dynamics of financial time series that constitute the most significantly influential factors affecting the prediction effect. As a solution, the time series is first projected into a phase space by PSR, and the phase tracks are then sliced into several parts. SOM neural network is used to cluster the phase track parts and extract the linear components in each embedded dimension. After that, LSTM (long short-term memory) is used to test the results of clustering. When there are multiple linear components in the m-dimension phase point, the superposition of these linear components still remains the linear property, and they exhibit order and periodicity in phase space, thereby providing a possibility for time series prediction. In this study, the Dow Jones index, Nikkei index, China growth enterprise market index and Chinese gold price are tested to determine the validity of the model. To summarize, the model has proven itself able to mark the unpredictable time series area and evaluate the unpredictable risk by using 1-dimension time series data.

Sign in / Sign up

Export Citation Format

Share Document