الأبحاث المرتبطة بالكلمة المفتاحية: التغاير الشرطي الذاتي الانحداري
-
نمذجة عوائد ومخاطر مؤشر الأسهم السعودي: نهج مزدوج باستخدام GARCH والشبكات العصبية
2026 | المؤلف: Sukainah AL-Besher وآخرون | المجلة: Frontiers in Artificial Intelligence | المجال: الاقتصاد والاقتصاد القياسي (Economics and Econometrics)تتناول ورقة البحث القدرات التنبؤية لنماذج GARCH التقليدية (GARCH، EGARCH، GJR-GARCH، و MGARCH) مقارنة بشبكة عصبية من نوع الذاكرة طويلة وقصيرة الأجل (LSTM) لتوقع العوائد والتقلبات لمؤشر تداول (TASI) من 1 يناير 2000 إلى 31 ديسمبر 2022. تسلط الدراسة الضوء على التأثير الكبير لأسعار النفط والذهب على أداء TASI، مما يبرز دورها الحاسم في الاقتصاد…
-
عدم اليقين المتعلق بالطاقة وتقلب سوق الأسهم الدولية
2024 | المؤلف: Afees A. Salisu وآخرون | المجلة: The Quarterly Review of Economics and Finance | المجال: الاقتصاد والاقتصاد القياسي (Economics and Econometrics)تستكشف هذه الورقة البحثية القدرة التنبؤية لمؤشرات عدم اليقين المتعلقة بالطاقة (EUIs) على تقلبات العائد اليومي عبر 28 سوقًا متقدمة ونامية، باستخدام إطار عمل GARCH-MIDAS من يناير 1996 إلى ديسمبر 2022. تجد الدراسة أن كل من EUIs الخاصة بالبلد وEUIs العالمية تتنبأ بشكل كبير بتقلبات عائد الأسهم خلال فترات العينة، مع ارتباط مستويات EUI المرتفعة…
-
التنقل في المشهد المالي: قوة وقيود نموذج
2024 | المؤلف: Jin Liu | المجلة: Highlights in Science Engineering and Technology | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)نموذج المتوسط المتحرك التكاملي الذاتي الانحدار (ARIMA) هو أداة إحصائية محورية لتحليل بيانات السلاسل الزمنية وعمل التنبؤات، خاصة في قطاع المالية. لقد أدى تطبيقه إلى تحقيق دقة في توقع أسعار الأسهم تتجاوز 70%، مما يساعد المتداولين والمستثمرين بشكل كبير. عند دمجه مع نماذج التباين الشرطي الذاتي العام (GARCH)، يمكن أن يقلل ARIMA من تقلب المحفظة…
-
نموذج توقع السلاسل الزمنية لاستخراج أنماط السلاسل غير الثابتة باستخدام التعلم العميق ونمذجة
2024 | المؤلف: Huimin Han وآخرون | المجلة: Journal of Cloud Computing Advances Systems and Applications | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)تقدم هذه الورقة نموذجًا هجينًا لتوقع السلاسل الزمنية يدمج بين التغاير الشرطي الذاتي العام (GARCH)، وتحليل النمط التجميعي الكامل مع الضوضاء التكيفية (CEEMDAN)، والشبكات العصبية التلافيفية (GCN). يعالج النموذج التعقيدات الكامنة في بيانات السلاسل الزمنية، مثل الاتجاهات وعدم الثبات، من خلال استخدام GARCH أولاً لتعلم التقلبات ثم تطبيق CEEMDAN لتفكيك البيانات بشكل فعال. تبسط هذه…
