ارايه روشي براي پيش بيني پايدار سري هاي زماني با كاربرد در مسايل مالي با استفاده از روشRobust

A new time series robust forecasting approach with application in finance

چكيده به منظور مدل سازي و تخمين مناسب و قابل اعتماد پارامترها در مدل هاي دادههاي خودهمبسته، از رويكردهاي پايداراستفاده ميشود. وجود داده هاي پرت و آلودگي ها، تاثيري مخرب در تخمين پارامترهاي اين مدلها دارد. از آنجايي كه در اغلب مسايل مالي، داد ههاي گذشته بر دادههاي اخير اثرگذار هستند، اين داده ها م ع م ولا در قالب سري زماني مدلسازي مي شوند. در اين تحقيق، مدلهاي خود رگرسيون به عنوان يكي از مدلهاي مطرح در تحليل سري هاي زماني در نظر گرفته شده و رويكرد استوار 1 جديدي بر مبناي بهينه سازي فيلتر شده براي تخمين پارامترهاي مدل خود رگرسيون ارايه شده است. از مدل پايدار بدست آمده در پيش s بيني پايداري مقادير آينده استفاده شده است. در انتها نيز به عنوان مثال عددي، سود حاصل از فروش يك محصول واسطه در بازه زماني 148 ماه جمع آوري شده و از رويكرد پايدار پيشنهادي براي پيش بيني مقاديرسود در آينده استفاده شده است. روش پايدار در مقايسه با روش هاي كلاسيك، كارايي بالاتري را در پيش بيني مقادير آينده از خود نشان مي دهد. واژه هاي كليدي: سريهاي زماني، مدل خود رگرسيون، دادههاي پرت، تخمين پايدار، دادههاي مالي.

Abstract To obtain reliable model for auto correlated and time series data, robust approach should be considered because outliers and contaminations can have bad effect on parameter estimation of these models. Since most finance data are auto correlated and they are affected by the previous data, they can be modeled by time series regression models. In this paper, the autoregressive (AR) model is investigated and novel robust procedure based on filtered S-estimator is proposed to estimate the parameters of AR model. This model is used to obtain robust forecasting procedure. We present 148 data gathered from a firm which are related to profit as a numerical example and show the efficiency of the proposed estimation approach. The robust model can forecast more accurate than classical model in presence of outlier. Keywords: Times Series; Autoregressive Model; Outliers; Robust Estimation; Financial Data