منابع مقالات معتبر بین المللی
پروژه - فرمت وردمنابع مقالات معتبر بین المللی
پروژه - فرمت وردبررسی مدل های اتورگرسیون برداری مارکف سوئیچینگ…
- عنوان لاتین مقاله: Duration Dependent Markov-Switching Vector Autoregression: Properties, Bayesian Inference, Software and Application
- عنوان فارسی مقاله: مدل اتورگرسیون برداری مارکف سوئیچینگ وابسته به طول زمان: خصوصیات، استنباط بیزی، نرم افزار و برنامه کاربردی
- دسته: مهندسی صنایع
- فرمت فایل ترجمه شده: WORD (قابل ویرایش)
- تعداد صفحات فایل ترجمه شده: 27
- ترجمه سلیس و روان مقاله آماده خرید است.
خلاصه
مدل های اتورگرسیون برداری مارکف سوئیچینگ VAR (DDMS-VAR) به عنوان مدل های سری زمانی با فرایند تولید داده، شامل ادغام دو فرایند VAR (انورگرسیون برداری) می باشد. تغییر بین این دو فرایند VAR، توسط دو حالت زنجیره مارکف با احتمالات انتقال کنترل می گردد که بستگی به این دارد که چه مدتی زنجیره در یک حالت قرار می گیرد. در این مقاله، به تجزیه و تحلیل خصوصیات مرتبه دوم چنین مدل هایی پرداخته و الگوریتم مونت کارلو زنجیره مارکف را برای انجام استنباط فازی بر روی موارد مجهول مدل، مطرح می کنیم. علاوه بر این، نرم افزار منبع باز که توسط محقق برای تحلیل سری زمانی به وسیله مدل های DDMS-VAR نوشته شده است، توضیح داده می شود. ای روش و نرم افزار برای تجزیه و تحلیل چرخه کسب و کار ایالات متخده امریکا کاربرد دارد.
کلمات کلیدی: مارکف سوئیچینگ، چرخه کسب و کار، نمونه گیری گیبز، وابسته به زمان، اتورگرسیون برداری
مقدمه
از زمان بررسی های مقدماتی هامیلتون (1989) ، بسیاری از کاربردهای مدل اتورگرسیون برداری مارکف سوئیچینگ (MS-AR) برای تحلیل چرخه کسب و کار به اثبات پتانسیل های خود، به ویژه در آشنایی این سیکل به صورت هدفمند، پرداخته است. با این وجود، مدل اصلی MS-AR محدودیت هایی دارد: 1) به صورت یک متغیره می باشد، 2) احتمال تغییر از یک حالت به حالت دیگر (یه به موارد دیگر) با گذشت زمان ثابت می باشد،
3) قادر به ایجاد طیف هایی با نقطه ماکزیمم در فراوانی چرخه کسب و کار نمی باشد. از ان جایی که چرخه های کسب و کار بر مبنای نوسانات فعالیت های اقتصادی انبوه می باشد، مد نظر قرار دادن همزمان بسیاری از متغیرهای اقتصادی کلان 1) به صورت نقطه ضعف قابل اقماض نمی باشد. تعمیم چندمتغیره مدل MS توسط کرولزینگ (1997) در رساله ممتاز او در مورد مدل MS انجام شده است.
همان طور که در مورد 2 بیان شد، منطقی است تا بر این باور باشیم که احتمال خارج شدن از رکود مشابه ابتدای این فرایند بعد از چندین ماه نمی باشد. بعضی از محققان همانند دیبولد و رودباش (1990) ، دیبولد و همکارانش (1993) و واتسون (1994) شواهدی را در مورد وابستگی در طول مدت در چرخه کسب و کار ایالات متحده یافته اند و بنابراین دیبولد و همکارانش (1993) اشاره می کنند که، نتایج مدل MS استاندارد، در این چارچوب نامشخص می باشد. برای روبرو شدن با این محدودیت، دورلند، مک کاردی (1994) به معرفی اتورگرسیون مارکف سوئیچینگ یک متغیری وابسته به مدت زمان پرداخته اند، و فیلترهای دیگری را برای متغیر حالت غیرقابل مشاهده طراحی کرده اند. در مقاله کنونی، مدل سوئیچینگ وابسته به مدت زمان به صورت چندمتغیره تعمیم داده شده است، و نشان داده شده است که چگونه ابزارهای استاندارد مربوط به مدل MS-AR همانند فیلتر هامیلتون و صافی کیم، برای مدل سازی وابستگی به مدت زمان مورد استفاده قرار می گیرند. در واقع فیلتر مطرح شده توسط دورلاند و مک کاردی (1994) مشابه فیلتر هامیلتون می باشد که برای زنجیره مارکف کلی تر نشان داده شده است. درحالیکه دورلاند و مک کاردی (1994) استنباط شان را در مورد مدل با بکارگیری براورد احتمالی حداکثر انجام داده اند، تکیه ما بر روی استنباط بیزی با استفاده از تکنیک مونت کارلو زنیره مارکف (MCMC) می باشد.
- فرمت: zip
- حجم: 1.34 مگابایت
- شماره ثبت: 411
مطالب مرتبط
بررسی عدم قطعیت در پیش بینی سود…
- عنوان لاتین مقاله: A new measure of earnings forecast uncertainty
- عنوان فارسی مقاله: ارزیابی های جدید از عدم قطعیت در پیش بینی سود
- دسته: حسابداری
- فرمت فایل ترجمه شده: WORD
- تعداد صفحات فایل ترجمه شده: 25
- ترجمه سلیس و روان مقاله آماده خرید است.
خلاصه
با تکیه بر نتایج نظری معتبر که بر اساس آن عدم قطعیت دارای موئلفه های خاص و مشترکی می باشد، به طرح ارزیابی های جدید از عدم قطعیت در پیش بینی سود پرداخته، به صورتی که مجموع پراکندگی در میان تحلیل گران و واریانس پیش بینی میانگین، توسط مدل GARCH برآورد می گردد. ارزیابی های جدید بر مبنای اطلاعات خصوصی و مشترک در دسترس تحلیلگران در زمانی که پیش بینی را انجام می دهند، می باشد. از این رو، این ارزیابی بعضی از محدودیت های عوامل مورد استفاده مشترک عدم قطعیت در پیش بینی را در تحقیقات قبلی کاهش می دهد. با استفاده از پیش بینی سود توسط تحلیلگران، ما شواهد مستقیمی را از عملکرد برتر ارزیابی های جدید بدست می آوریم.
پیش بینی تحلیلگران در سطح گسترده ای در تحقیقات مربوط به مالی و حسابداری برای بررسی پیش بینی متقاضیان بازاری مورد استفاده قرار می گیرد. پژوهشگران و سرمایه گذاران مشخصا علاقمند به براورد عدم قطعیت در ارتباط با درامدهای آینده می باشند، زیرا مشخصه های مهم محیط اطلاعاتی شرکت را پیش از انتشار نتایج حسابداری آشکار می کند. از آنجایی که عدم قطعیت ذاتا غیر قابل حل می باشد، ارزیابی براورد آن مسائل روش شناختی چالش انگیزی را مطرح می کند. در نتیجه، محققان دارای تجاربی با توجه به پروکسی های (عوامل) دیگر برای عدم قطعیت پیش بینی سود دارند.
- فرمت: zip
- حجم: 0.58 مگابایت
- شماره ثبت: 411
مطالب مرتبط
رویکردهای راه حل نقطه محور بر مبنای روش محدودیت…
چکیده
در بخش 4.1 کار خود را با شرح این مورد آغاز می کنیم که چگونه می توان راه حل کیفی را برای مسائلی با محدودیت های محدب پیدا کنیم. در بخش 4.2 الگوریتم دو مرحله ای را نشان می دهیم که به طور موثر به توزیع نقاط بر روی نمودار پارتو با هدف رسیدن به بهترین برآورد زمانی که تنها تعداد محدودی از نقاط (سبد سرمایه) می توانند محاسبه شوند، می پردازیم. در بخش 4.3 به این بحث می پردازیم که آیا مسئله فرمولبندی سه نوع مسئله (مسئله با حداکثر کاردینالیته، آستانه خرید، یا محدودیت 5-10-40) می بایست به منظور امکان پذیر کردن کاربرد حل کننده مختلط عدد صحیح با عملکرد بالای تجاری موجود، اصلاح گردد، و اگر کار انجام گیرد، این اصلاحات باید چگونه باشند. بخش 4.4 روش مستدلی را برای هر یک از محدودیت های غیرجزئی ارائه می کند، که با توجه به کران پایین سود قابل پیش بینی، هدفش محاسبه سبد سرمایه ای با کمترین واریانس می باشد. این استدلال بر روی 7 مسئله مبنا تست شده است، و نتایج حاصل شده در بخش 4.5 ارائه و تحلیل شده است. همچنین در این بخش، گزارشی در مورد آزمایشاتی می دهیم که برآوردی را در ارتباط با کارایی رویکرد دومرحله ای برای توزیع نقطه ای می دهد. با توضیح مختصری در بهخش 4.6 به نتیجه گیری می پردازیم.
اندازه گیری عملکرد
اندازه گیری عملکرد در زمینه های چندمنظوره مشکل می باشد، زیرا مستلزم مقایسه مرزهای کامل یا تخمین های مربوطه و نه تنها راه حل ها یا سبد سرمایه گذاری های (پورتفولیو) مجزا می باشد. چندین اندازه گیری عملکرد احتمالی، به عنوان مثال جانسن و جاز کیویچ (HJ98) یا زیتزلر و همکارانش مورد بحث قرار می گیرد. در ادامه، به قضاوت در مورد مرزهای ایجاد شده توسط انحراف از مرز ایده ال پرداخته، که به عنوان مرزهای کارآمد مسئله بدون محدودیت های غیربرجسته تعریف می گردد. این مرز ایده ال به عنوان کران بالا در مورد عملکرد بوده و می تواند به طور موثر توسط برنامه ریزی پارامتری تابع هدف درجه دوم، برای مثال الگوریتم های نشان داده شده در فصل 3، محاسبه گردد. به منظور اندازه گیری انحراف، به محاسبه سطح بین مرزهای حاصل شده و مرز ایده ال می پردازیم. یکی از مشکلات مربوط به روش های مبتنی بر سطح، تعریف واریانس بیشینه و مرزهای برگشت کمینه برای محاسبه سطح می باشد، شکل 4.3 را مشاهده کنید. اگر این مقادیر دور از هم باشند، سبد سرمایه گذاریهای بینهایت دارای تاثیر زیادی بر روی کیفیت راه حل می شوند. اگر آن ها نزدیک به هم باشند، بعضی از بخش های مرزی احتمالا قطع می گردد. چون مرزها مناسب واضح نمی باشند، در اینجا دو مقدار را گزارش می کنیم: بخش هایی که از واریانس بیشینه و سبد سرمایه گذاریهای حاصل شده کمینه از مرزهای ایده ال (سطح دلتا ایده ال) ؛ و واریانس بیشینه و بازده کمینه هر دارایی در جهانی های موجود، استفاده می کنند.
مطالب مرتبط
مقاله پژوهشی…
چکیده
ساده ترین الگوریتم طرح کلاسیک به نام الگوریتم های جستجوی فضای حالت می باشد. این ها الگوریتم های جستجو می باشند که فضای جستجو به عنوان زیرمجموعه ای از فضای حالت می باشد. هر گره منطبق با شرایط جهانی می باشد، که هر کدام از آن ها سازگار با حالت انتقال بوده و طرح کنونی سازگار با مسیر کنونی در فضای جستجو می باشد. در این فصل، بخش 4.2 به بحث در مورد الگوریتم هایی می پردازد که به جستجوی موارد پیشرو از حالت آغازین جهانی پرداخته و به جستجوی شرایطی می پردازد که فرمول هدف را مد نظر قرار می دهد. بخش 4. 3 به بحث الگوریتم هایی می پردازد که به جستجوی موارد قبلی از فرمول هدف به منظور پیدا کردن حالت آغازین می پردازد. بخش 4.4 به توصیف الگوریتمی می پردازد که به ادغام عوامل جستجوی پیشرو و پسین می پردازد. بخش 4.5 به شرح دامین های سریع مختص به الگوریتم جستجوی پیشرو می پردازد.
جستجوی پیشرو
یکی از ساده ترین الگوریتم های طراحی به نام الگوریتم جستجوی پیشرو می باشد که در شکل 4.1 نشان داده شده است. این الگوریتم به صورت غیر قطعی می باشد (ضمیمه A را مشاهده کنید). آن به صورت داده P = (O, so, g) از مشکلات برنامه ریزی 7:' می باشد. اگر 7:' قابل حل باشد، به این ترتیب جستجوی پیشرو (O, so, g) طرح راه حل را برگشت می دهد؛ به عبارت دیگر نقص ها بر می گردند. طرح برگشتی توسط هر یک از دستورات برگشتی الگوریتم به نام راه حل نیمه تمام می باشد زیرا آن به عنوان بخشی از راه حل نهایی برگشتی توسط دستورات سطح بالا می باشد. ما از اصطلاح راه حل بخشی با مفهوم مشابه توسط دستورات سطح بالا استفاده می کنیم. اگرچه ما جستجوهای بعدی را برای کار کردن بر روی مشکلات برنامه ریزی کلاسیک مد نظر قرار می دهیم، ایده مشابهی مد نظر قرار می گیرد تا بر روی مشکلات برنامه ریزی کار کنیم که بتوانیم 1) محاسبه کنیم که آیا یک حالت بر مبنای حالت هدف می باشد یا خیر، 2) مجموعه تمام فعالیت های کاربردی برای یک حالت را مد نظر قرار دهیم و 3) به محاسبه حالت جایگزین که در نتیجه بکارگیری یک عمل نسبت به حالت می باشد، بپردازیم.
مطالب مرتبط
: تجزیه و تحلیل الگوریتم بهینه سازی ازدحام ذرات (PSO)…
چکیده
بسیاری از مسائل علمی، مهندسی و اقتصادی شامل بهینه سازی مجموعه ای از پارامترها می باشد. این مسائل شامل نمونه هایی همچون به حداقل رسانی اتلاف در شبکه برق با یافتن تنظیمات بهینه بخش ها، یا تقویت شبکه عصبی برای تشخیص تصویر چهره افراد می باشد. الگوهای بهینه سازی بیشماری مطرح شده اند تا به حل این مشکلات، با درجلت مختلفی از موفقیت بپردازند. بهینه سازی ازدحام ذرات (PSO) تکنیک نسبتا جدیدی می باشد که به صورت تجربی نشان داده شده است که دارای عملکرد خوبی بر روی بسیاری از این مسائل بهینه سازی می باشد. این مقاله مدل نظری را ارائه می دهد که می تواند برای شرح رفتار بلندمدت الگوریتم مورد استفاده قرار گیرد. نسخه پیشرفته بهینه کننده ازدحام ذرات ایجاد شده و نشان داده شده که دارای همگرایی تضمین شده ای بر روی سطح محلی می باشد.این الگوریتم رو به توسعه بوده، که منجر به الگوریتم هایی با همگرایی تضمین شده در سطح جهانی شده است. مدلی برای ایجاد الگوریتم های PSO مشترک ایجاد شده است، که منتهی به معرفی دو الگوریتم مبتنی بر PSO جدید شده است. شواهد تجربی نیز ارائه شده تا به پشتیبانی از خصوصیات نظری پیش بینی شده توسط مدل های مختلف، با استفاده از فعالیت های مبنا ترکیبی برای بررسی مشخصه های ویژه بپردازد. سپس الگوریتم های مختلف مبتنی بر PSO، در مورد فعالیت تقویت شبکه های عصبی اعمال می گردد که به ادغام نتایج حاصل شده بر روی فعالیت های مبنا ترکیبی بپردازد.
مقدمه
شما با صدای ساعتتان بیدار می شوید. ساعتی که توسط شرکتی ساخته می شود تا سود خود را با مد نظر قرار دادن تخصیص بهینه منابع تحت کنترلش به حداکثربرساند. شما کتری را روشن می کنید تا قهوه ای درست کنید، بدون اینکه در مورد مدت زمان طولانی که شرکت برق برای بهینه سازی ارائه برق وسایل تان صرف می کند، فکر کنید. هزاران متغیر در شبکه برق تلاشی را به منظور به حداقل رسانی اتلاف در شبکه به منظور به حداکثر رساندن بازدهی تجهیزات برقی تان انجام می دهد. شما وارد اتومبیلتان شده و موتور را بدون درک پیچیدگی های این معجزه کوچک مهندسی شده، روشن می کنید. هزاران پارامتر توسط سازندگان مد نظر قرار داده می شود تا وسیله نقلیه ای را تحویل دهند که متناسب با انتظارتان بوده، که شامل زیبایی بدنه تا شکل آینه بغل اتومبیل می باشد تا از تصادف جلوگیری شود.