Garch - मॉडल - investopedia - विदेशी मुद्रा

सामान्यीकृत ऑटोरेसिव कंडिशनल हिटरोस्कोडब्लिकाटी (ग्रैच) प्रक्रिया सामान्यीकृत ऑटोरेशिव कंडिशनल हिटरोस्केक्लेस्टीटीटी (शोध) प्रक्रिया सामान्यीकृत आटोरेग्रेसिव सशर्त हेरोरोस्केडस्टिस्टिक (ग्रैच) प्रक्रिया एक अर्थमित्रिक शब्द है जिसे 1 9 82 में रॉबर्ट एफ। एंगल, एक अर्थशास्त्री और नोबेल मेमोरियल के 2003 के विजेता द्वारा विकसित किया गया था। अर्थशास्त्र के लिए पुरस्कार, वित्तीय बाजारों में अस्थिरता का अनुमान लगाने के लिए एक दृष्टिकोण का वर्णन करने के लिए। GARCH मॉडलिंग के कई रूप हैं। GARCH प्रक्रिया को अक्सर वित्तीय मॉडलिंग पेशेवरों द्वारा पसंद किया जाता है क्योंकि यह अन्य तरीकों से अधिक वास्तविक-विश्व संदर्भ प्रदान करता है जब कीमतों और वित्तीय साधनों की दर का अनुमान लगाने की कोशिश कर रहा हो। ब्रेकिंग डाउन सामान्यीकृत ऑटो-रेग्रेसिव कंडिशनल हाटरोस्केडस्टेक्टीटी (शोध) प्रक्रिया एक GARCH मॉडल की सामान्य प्रक्रिया में तीन चरणों शामिल हैं सबसे पहले एक सबसे अच्छा फिट ऑटोरेग्रेसिव मॉडल का अनुमान है। दूसरा, त्रुटि शब्द के स्वत: संबंधों की गणना करना है तीसरा महत्व के लिए परीक्षण करना है गार्फ मॉडल का इस्तेमाल वित्तीय क्षेत्रों, व्यापार, निवेश, हेजिंग और निपटने सहित कई क्षेत्रों में किया जाता है। वित्तीय अस्थिरता का अनुमान और अनुमान लगाने के लिए दो अन्य व्यापक रूप से इस्तेमाल किए जाने वाले दृष्टिकोण क्लासिक ऐतिहासिक वाष्पशीलता (वॉलसीडी) पद्धति और तीव्रता से भारित चलती औसत उतार-चढ़ाव (वॉल्यूम) विधि हैं। गेबर प्रोसेस गार्फ मॉडल का उदाहरण वित्तीय बाजारों का वर्णन करने में मदद करता है जिसमें अस्थिरता बदल सकती है, वित्तीय संकटों या विश्व की घटनाओं के दौरान और सापेक्ष शांत और स्थिर आर्थिक विकास की अवधि के दौरान कम अस्थिरता के दौरान अधिक अस्थिर हो सकती है। रिटर्न की साजिश में, उदाहरण के लिए, स्टॉक का रिटर्न साल के लिए एक वित्तीय संकट से पहले अपेक्षाकृत एकसमान लग सकता है, जैसे कि 2007 में। एक संकट की शुरुआत के बाद के समय में, हालांकि, रिटर्न नकारात्मक रूप से गहराई से स्विंग हो सकता है सकारात्मक क्षेत्र के लिए इसके अलावा, बढ़ती अस्थिरता आगे चलने वाली अस्थिरता का अनुमान लगाया जा सकता है। अस्थिरता तब पूर्व-संकट के स्तर के समान स्तरों पर वापस लौट सकती है या आगे बढ़कर वर्दी आगे बढ़ सकती है। एक साधारण प्रतिगमन मॉडल वित्तीय बाजारों में प्रदर्शित अस्थिरता में इस बदलाव के लिए खाता नहीं है और एक से अधिक होने वाली काली हंस घटनाओं का प्रतिनिधित्व नहीं करता है गर्ट मॉडल सर्वश्रेष्ठ रिटर्न के लिए GART प्रक्रियाएं होमस्कैडस्टिक मॉडल से भिन्न होती हैं, जो लगातार अस्थिरता मानते हैं और सामान्य सामान्य कम वर्ग (ओएलएस) विश्लेषण में उपयोग की जाती हैं। ओएलएस का उद्देश्य उन बिंदुओं को फिट करने के लिए डेटा बिंदुओं और एक प्रतिगमन रेखा के बीच विचलन को कम करना है। परिसंपत्ति के रिटर्न के साथ, कुछ समय के दौरान अस्थिरता भिन्न होती है और पिछले विचलन पर निर्भर होती है, जो एक समृद्ध मॉडल नहीं बनाता है, जो इष्टतम नहीं है। शोध प्रक्रियाएं, आटोमैरेसिव होने के कारण, मौजूदा विचलन के लिए मॉडल के लिए पिछले स्क्वेयर अवलोकनों और पिछले भिन्नताओं पर निर्भर करती है। परिसंपत्ति रिटर्न और मुद्रास्फीति के मॉडलिंग में उनकी प्रभावशीलता के कारण शोध प्रक्रियाओं का वित्तपोषण व्यापक रूप से किया जाता है। गर्चे का उद्देश्य पूर्व पूर्वानुमान में त्रुटियों के कारण, भविष्य की भविष्यवाणियों की सटीकता को बढ़ाकर, भविष्य में पूर्वानुमान में त्रुटियों को कम करना है। विदेशी मुद्रा व्यापार में किसी ने एआरएएए गार्टे मॉडल का इस्तेमाल किया है। मैं वर्तमान में एआरएमए खोज का उपयोग कर अगले दिन की स्थिति की भविष्यवाणी कर रहा हूं। अभी मैं पिछले दो हफ्तों में कुछ मॉडल चला रहा हूं। यह पूरा करने में कुछ समय लगेगा इसलिए मैंने सोचा कि मैं विदेशी मुद्रा कारखाने समुदाय से पूछता हूं अगर किसी ने भी इनका पता लगाया है, तो अभी तक स्पैम पर कुछ अच्छे परिणाम प्रदान किए हैं जिनको मैं पद के बारे में पढ़ा है। एस-ट्रेडिंग के लिए और सोच रहा था कि किसी को मुद्रा जोड़े के साथ एक ही परिणाम प्राप्त करने में सक्षम था। जब मैं कंप्यूटिंग कर रहा हूं, अक्टूबर 2008 में शामिल हुए स्थिति: पीआईपी स्लेयर काश मैं उन्हें 268 पदों को रख सकता हूं दो सप्ताह के परीक्षण के लिए यह अच्छा दिखता है परीक्षण में अगले दिन की वापसी की भविष्यवाणी करने की कोशिश की गई थी या फिर 1, 0 या 1 में लौटा दिया गया था, तब उस मूल्य के आधार पर व्यापार बहुत ही कम होगा या व्यापार नहीं होगा। आर्मैग्रार्ट मॉडल पिछले 40 बार देखता है और अर्मा मॉडल को चोदता है जिसमें सबसे कम एआईसी है। फिर अस्थिरता के लिए खाते के लिए 1,1 मार्च को लागू करें नीली रेखा EURUSD 4 घंटे चार्ट की समाप्ति मूल्य रिटर्न का प्रतिनिधित्व करती है जैसे कि आप लंबे व्यापार को खरीद और रख रहे थे। हरे रंग की रेखा ARMAGARCH मॉडल का प्रतिनिधित्व करती है जिसमें एक लंबा या छोटा व्यापार खरीदा था। यह केवल दो सप्ताह के करीब 72 बार के आंकड़ों का मूल्यांकन किया जा रहा है जो आशाजनक दिखता है। अटैचमेंट इमेज (विस्तार करने के लिए क्लिक करें) यह सुनिश्चित नहीं है कि इतने लंबे समय तक क्यों ले जाया जा सकता है क्योंकि मैं इतिहास को इतना बढ़ाता हूं। इसकी हर बार की भविष्यवाणी और हर बार फिर से भरता है अरिमि मॉडलों (0,0) - gt (5,5) की एक श्रृंखला के माध्यम से चलाया जाता है, इसलिए प्रत्येक बार 35 मॉडल की तरह कुछ पैदा करता है और एआईसी पर आधारित उन लोगों में से सबसे अच्छा फिट करता है। फिर एक चक्कर (0,0) फिट बैठता है यह सुनिश्चित करने के लिए कि वहां अस्थिरता है और अतिरिक्त गणना करने से रखने के लिए मैं मार्केट के आदेशों के माध्यम से चक्र न लगाता। काफी भारी कम्प्यूटेशनल वार बैकटेस्ट पैदा करता है। उपयोग करने के लिए लिनक्स में भी चल रहा है हैलो, कुछ महीनों के काम के बाद क्या आप कुछ हस्तक्षेप करने वाले आईडी के साथ आते हैं, जैसे एआर (एफ) (आई) एमए () गार्नेट मॉडलों की कोशिश करना, लेकिन मैं हमेशा बहुत सारे नमूनों की आवश्यकता पर रोक लगाई (जैसे कि 10000 ARFIMA)। भविष्य में पूर्वानुमान न करने में मुझे दिलचस्पी है I मेरी तरंगिका के अपघटन मुझे खराब परिणाम देता है जब अचानक अचानक भिन्न होता है, फिर कुछ समय (हमेशा बहुत लंबा) लग जाता है, फिर से एकजुट हो जाता है। आईडी देखना है कि मैं दो तरीकों को गठजोड़ कर सकता हूं (पता नहीं कैसे अभी तक) कोई लालच नहीं कोई डर नहीं। बस गणित मैं आपके साथ साझा करना चाहूंगा कि मैं एआरएमए मॉडल और मॉडल के अवशिष्ट विश्लेषण का उपयोग कर रहा हूं। मैं EURUSD पर काम कर रहा हूं, और मैं एआरएमए मॉडलिंग के आधार पर ऑर्डर करने का एक तरीका ढूंढने की कोशिश कर रहा हूं। डेटा, डेटा रूपांतरण और मॉडल फिटिंग का संग्रह करना: मैं EURUSD उपकरण के प्रत्येक ईओडी बंद का संग्रह कर रहा हूं और मैं इस समय श्रृंखला को एक स्थिर प्रक्रिया में बदलने के लिए लॉग differenिंग की गणना करता हूं। फिर, बॉक्स जेनकींस का उपयोग करके, मैं ARMA मॉडल के पैरामीटरों में फिट हूं। संलग्न छवि (विस्तार करने के लिए क्लिक करें) संलग्न छवि (बड़ा करने के लिए क्लिक करें) मॉडल फिट होने के बाद, मैं मॉडल के अवशेषों का विश्लेषण करता हूं। मॉडल अवशिष्टों की प्रक्रिया एक स्थिर प्रक्रिया है और सामान्य वितरण का पालन करती है। संलग्न छवि (बड़ा करने के लिए क्लिक करें)