چکیده:
مدلسازی سریهای زمانی همگام، در سیستمهای مالی دارای پیچیدگیهای زیادی است. برای تحلیل این سریها نیاز به رویکردهایی است که بتوان با دقت بالاتری رابطه بلندمدت آنها را استخراج نمود. روش تحلیل همبستگی متقابل روندزدایی شده چندفرکتالی (MFDCCA)، با روندزدایی از سریهای زمانی به تحلیل رابطه آنها میپردازد. ما در این مقاله روشی نوین در راستای روندزدایی دقیقتر از یک سری زمانی مالی به نام تحلیل همبستگی متقابل روندزدایی شده چندفرکتالی مبتنی بر اندیکاتور(IMFDCCA) ارائه دادهایم. هدف از روش پیشنهادی، استخراج کاراتر رابطه همبستگی بین سریهای زمانی مالی با استفاده از اندیکاتورهای بازار مالی است. روش پیشنهادی بهعنوان نمونه بر روی دو جفتارز یورو/دلار و دلار/ین بررسی شد. تست این روش بر روی مجموعه داده هشتساله از سال 2011 تا 2019 صورت گرفت. همچنین جهت ارزیابی روش پیشنهادی از روشهای تخمین نمایه هارست شامل R.S و GHE استفاده شد که در هر دو ارزیابی خطای کمتری نسبت به روش پایه را مشخص نمود. میزان خطای میانگین جذر مربعات در روش ارزیابی R.S نسبت به روش پایه 30% و در روش ارزیابی GHE 26% کاهشیافته است.
Modeling synchronous time series in financial systems is very complex. In order to analyze such series, we require procedures that can determine long-term relations with high accuracy. Multifractal detrended cross correlation analysis (MFDCCA) is a technique to analyze long-term relations through detrending the time series. In this work we propose a novel technique for a more accurate detrending of a financial time series, called indicator-based multifractal detrended cross-correlation analysis (IMFDCCA).We aim at using financial market technical analysis indicators to better determine correlations between financial time series.We investigated our method on currency pairs EUR/USD and USD/JPY and their long-term and short-term relations of these series were determined as multifractal.In order to evaluate the effectiveness of IMFDCCA, we used R.S and GHE techniques for the Hurst exponent estimation. The evaluation results on a collection of 8 years data (2011-2019) show that the proposed method compared to the baseline (MFDCCA) reduces the RMSE by 30% and 26% using R.S and GHE respectively.
خلاصه ماشینی:
روش هاي تحليل سريهاي زماني چندفرکتالي Multi Fractal (MF-DFA)Detrended Fluctuation Analysis [١٩] وmultifractal temporally weighted detrended cross-correlation [٢١] است .
از اين روش تاکنون در تحليل سريهاي زماني مالي و ريسک هاي سرمايه گذاري بازارهاي نفتي بهره برده شده است [٣١].
براي ارزيابي رفتار کوتاه مدت و بلندمدت سري هاي چندفرکتالي به کمک نمايه هارست ، يکي از پارامترها به صورت رابطه (١٢) است که ميتواند براي تحليل روش پيشنهادي استفاده شود[٣٠]: (رجوع شود به تصویر صفحه) لازم به ذکر است که روش هاي رايج ارزيابي همبستگي چندفرکتالي به نام Fractional Brownian Motion [٢٤] وArfima Processes [٢٥]و Binomial Measures [٣١] بر روي روش پيشنهادي قابل اجرا نيست ، زيرا همان طور که بيان شد هر کندل مالي اطلاعات لحظه اي حداقل پنج سري زماني را در خود دارد؛ درواقع سه روش ارزيابي بيان شده فقط به اطلاعات يک سري زماني بسنده کرده اند، اما روش پيشنهادي ترکيبي از اطلاعات پنج سري زماني است و براي سيستم هايي که اين پنج سري را نداشته باشد، اين روش بايد بازطراحي گردد.
(رجوع شود به تصویر صفحه) جدول ٤ : همبستگي بلندمدت و درجه چندفرکتالي جفت ارز EURUSD با ساير جفت ارزهاي بازار مالي (رجوع شود به تصویر صفحه) در روش GHE ، طبق مرجع [١٣] مقدار ١=q در نظر گرفته ميشود و نتيجه براي طول سريهاي زماني مختلف بر روي مجموعه داده موردنظر در جدول (٥) مشخص شده است .
Multiscale multifractal detrended partial cross- correlation analysis of Chinese and American stock markets.