به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

sir algorithm

در نشریات گروه صنایع
تکرار جستجوی کلیدواژه sir algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه sir algorithm در مقالات مجلات علمی
  • پرویز نصیری*، امیر حاج سلمانی، مهدیه طهماسبی
    هدف

    هدف این مقاله، برآورد دقیق پارامترهای مدل ارنشتاین-النبرگ کسری با استفاده از روش بیزی و الگوریتم شبیه سازی SIR و مقایسه عملکرد آن با روش ماکسیمم درستنمایی در زمینه مدل های دیفرانسیل تصادفی دارای حافظه بلندمدت است. همچنین، مقاله در پی بررسی کارایی روش بیزی در مدل های مشابه، به ویژه در تحلیل داده های مالی با وابستگی بلندمدت می باشد

    روش شناسی پژوهش

     در این تحقیق، پارامترهای مدل ارنشتاین-النبرگ کسری برای اولین بار به روش بیزی و با درنظر گرفتن توزیع های پیشین مناسب، توسط الگوریتم SIR شبیه سازی و برآورد شده اند. کارایی برآوردگر بیزی با برآوردگر ماکسیمم درستنمایی بر اساس شاخص هایRMSE و واریانس مقایسه شده است.

    یافته ها

    نتایج نشان دادند که برآوردگر بیزی نسبت به روش ماکسیمم درستنمایی، دقت بیشتری در برآورد پارامترهای مدل دارد. همچنین، با افزایش میزان وابستگی بلندمدت بین داده ها، دقت برآوردها در هر دو روش افزایش می یابد، اما در همه حالت ها روش بیزی عملکرد بهتری از خود نشان می دهد. دقت برآورد پارامتر σ نسبت به پارامترهای دیگر (k و μ) بیشتر بوده است.

    اصالت/ارزش افزوده علمی

     اصالت این مقاله در به کارگیری الگوریتم SIR برای برآورد پارامترهای مدل ارنشتاین-النبرگ کسری است، که در تحقیقات پیشین مورد توجه قرار نگرفته بود. این کار نوآوری مهمی در استفاده از روش های بیزی در برآورد مدل های دیفرانسیل تصادفی با حافظه بلندمدت به شمار می رود و زمینه را برای برآورد پارامترهای مدل های مشابه (مانند مدل هستون) در پژوهش های آتی فراهم می کند.

    کلید واژگان: مدل های حافظه بلند مدت، مدل هستون، مدل کسری اورنشتاین اولنبک، مدل کسری، الگوریتم SIR، تخمین بیزی، روش حداکثر درستنمایی
    Parviz Nasiri *, Amir Haj Salmani, Mahdiyeh Tahmasbi
    Purpose

    This paper aims to accurately estimate the parameters of the fractional Ornstein-Uhlenbeck model using the Bayesian method and the SIR simulation algorithm and to compare its performance with the Maximum Likelihood Estimation (MLE) method in the context of stochastic differential models with long-memory properties. The paper also seeks to evaluate the efficiency of the Bayesian approach in similar models, particularly in analyzing financial data with long-term dependencies.

    Methodology

    In this study, the parameters of the fractional Ornstein-Uhlenbeck model are estimated for the first time using the Bayesian method, with appropriate prior distributions and the SIR algorithm employed for simulation. The efficiency of the Bayesian estimator is compared to the MLE estimator based on RMSE and variance indices.

    Findings

    The results demonstrate that the Bayesian estimator provides more accurate parameter estimates than the Maximum Likelihood method. Moreover, with an increase in the degree of long-term dependency on the data, the accuracy of estimates improves under both methods; however, the Bayesian approach consistently outperforms the MLE. Additionally, the parameter σ is estimated with higher precision compared to the parameters k and μ.

    Originality/Value

     The originality of this paper lies in the application of the SIR algorithm to estimate the parameters of the fractional Ornstein-Uhlenbeck model. This approach has not been previously explored. This innovation represents a significant contribution to the application of Bayesian methods for estimating parameters in stochastic differential models with long-memory properties, and it opens new avenues for applying similar techniques to models like the Heston model in future research.

    Keywords: Long-Term Memory Models, Heston Model, Fractional Ornstein Uhlenbeck Model, Fractional Model, SIR Algorithm, Bayesian Estimation, Maximum Likelihood Method
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال