NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu araştırmanın amacı, volatilite zaman serilerindeki sıralı düzenliliğin değerlendirilmesi için yeni bir metodolojiyi tanıtmak ve iyice araştırmaktır. Günlük aralık verilerine dayanan üç volatilite tahmincisi analiz edilir: (1) Parkinson tahmincisi, (2) Garman-Klass tahmincisi ve (3) Rogers-Satchell tahmincisi. Zaman serilerinin karmaşıklık seviyesini ölçmek için, sembol dizilimi histogramlarına dayanan değiştirilmiş Shannon entropisi kullanılır. Zaman dizisi volatilite değişikliklerinin bir dizi sembole ayrılması, iki eşikli bir yeni kodlama prosedürü kullanılarak gerçekleştirilir. Beş ana borsa endeksi analiz edilir. Tüm örnek Ocak 2017 ile Aralık 2023 (yedi yıl) arasındaki dönemi kapsar. Ampirik bulgularımızın sağlamlığını kontrol etmek için, eşit uzunlukta iki alt örnek araştırılmaktadır: (1) Ocak 2017'den Şubat 2020'ye kadar COVID-19 öncesi ve (2) Mart 2020'den Nisan 2023'e kadar COVID-19 pandemisi dönemi. Sembol dizilimi histogramlarının ek bir resmi istatistiksel analizi yapılır. Tüm volatilite tahmincileri ve borsa endeksleri için ampirik sonuçlar homojendir ve günlük volatilite değişimlerinin zaman serisindeki düzenlilik seviyesinin (sıralı desenler açısından) örnekleme periyodu seçiminden bağımsız olarak yüksek olduğunu doğrular. Bu sonuçlar, volatilite değişikliklerinin zaman serisinde düzenliliğin varlığı volatilite tahmini olasılığını ima ettiğinden, akademisyenler ve uygulayıcılar için önemlidir.
Özgün kaynak özetini okuyun
The goal of this research is to introduce and thoroughly investigate a new methodology for the assessment of sequential regularity in volatility time series. Three volatility estimators based on daily range data are analyzed: (1) the Parkinson estimator, (2) the Garman-Klass estimator, and (3) the Rogers-Satchell estimator. To measure the level of complexity of time series, the modified Shannon entropy based on symbol-sequence histograms is utilized. Discretization of the time series of volatility changes into a sequence of symbols is performed using a novel encoding procedure with two thresholds. Five main stock market indexes are analyzed. The whole sample covers the period from January 2017 to December 2023 (seven years). To check the robustness of our empirical findings, two sub-samples of equal length are investigated: (1) the pre-COVID-19 period from January 2017 to February 2020 and (2) the COVID-19 pandemic period from March 2020 to April 2023. An additional formal statistical analysis of the symbol-sequence histograms is conducted. The empirical results for all volatility estimators and stock market indexes are homogeneous and confirm that the level of regularity (in terms of sequential patterns) in the time series of daily volatility changes is high, independently of the choice of sample period. These results are important for academics and practitioners since the existence of regularity in the time series of volatility changes implies the possibility of volatility prediction.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.