سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

[ 194 | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]


عنوان مقاله:تجزیه و تحلیل مولفه های اصلی پر سر و صدا برای منحنی نرخ رو به جلو
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره):246 (1)
سال انتشار:1 October 2015
شماره صفحات: 140153140-153
نشانگر دیجیتالی شیء:[ 10.1016/j.ejor.2015.04.038 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. European Journal Of Operational Research »
  4. A noisy principal component analysis for forward rate curves

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 52.55.186.225

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

خلاصه مقاله، نویسندگان و کلمات کلیدی

A Noisy Principal Component Analysis For Forward Rate Curves


مقاله: تجزیه و تحلیل مولفه های اصلی پر سر و صدا برای منحنی نرخ رو به جلو

نويسند‌گان:


خلاصه مقاله:


Principal Component Analysis (PCA) is the most common nonparametric method for estimating the volatility structure of Gaussian interest rate models. One major difficulty in the estimation of these models is the fact that forward rate curves are not directly observable from the market so that non-trivial observational errors arise in any statistical analysis. In this work, we point out that the classical PCA analysis is not suitable for estimating factors of forward rate curves due to the presence of measurement errors induced by market microstructure effects and numerical interpolation. Our analysis indicates that the PCA based on the long-run covariance matrix is capable to extract the true covariance structure of the forward rate curves in the presence of observational errors. Moreover, it provides a significant reduction in the pricing errors due to noisy data typically found in forward rate curves.


آنالیز اجزای اساسی (PCA) رایج ترین روش ناپارامتری برای برآورد ساختار نوسانات از مدل نرخ بهره گاوسی است. یکی از مشکلات عمده در برآورد این مدل این واقعیت است که منحنی نرخ رو به جلو به طور مستقیم قابل مشاهده نمی از بازار به طوری که اشتباهات مشاهده غیر بدیهی در هر تجزیه و تحلیل آماری بوجود می آیند است. در این کار، ما اشاره می کنند که تجزیه و تحلیل کلاسیک PCA است مناسب برای برآورد عوامل منحنی نرخ رو به جلو است به علت از حضور خطاهای اندازه گیری ناشی از اثرات ساختار بازار و الحاق عددی. تجزیه و تحلیل ما نشان می دهد که PCA بر اساس ماتریس کواریانس بلند مدت قادر به استخراج ساختار درست کواریانس منحنی نرخ رو به جلو در حضور خطا مشاهده است. علاوه بر این، آن را فراهم می کاهش قابل توجهی در قیمت گذاری خطا با توجه به داده های پر سر و صدا به طور معمول در منحنی نرخ رو به جلو در بر داشت.


كلمات كليدي:

HJM models, Term-structure of interest rates , Finance, HJM models, Pricing, Principal component analysis, Term-structure of interest rates
مدل HJM , مدت ساختار نرخ بهره , بودجه, مدل HJM, قیمت گذاری, تحلیل مؤلفه اصلی, مدت ساختار نرخ بهره


موضوعات:

Management Science and Operations Research, Modelling and Simulation, Information Systems and Management



[ ]

فهرست مقالات مرتبط و مشابه

  1. BERMIN, HANS-PETER (2014) 'ON DYNAMIC FORWARD RATE MODELING AND PRINCIPAL COMPONENT ANALYSIS', Int. J. Theor. Appl. Finan., World Scientific Pub Co Pte Lt, pp:1450029-0
  2. , (1991) 'Improved principal component analysis of noisy data', Analytical Chemistry, American Chemical Society (ACS), pp:1058-1063
  3. Hsieh, W.W. (2006) 'Nonlinear principal component analysis of noisy data', The 2006 IEEE International Joint Conference on Neural Network Proceedings, Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  4. Hsieh, William W. (2007) 'Nonlinear principal component analysis of noisy data', Neural Networks, Elsevier BV, pp:434-443
  5. Hsieh, W.W. (2017) 'Nonlinear principal component analysis of noisy data', The 2006 IEEE International Joint Conference on Neural Network Proceedings, Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  6. Hsieh, William W. (2007) 'Nonlinear principal component analysis of noisy data', Neural Networks, Elsevier BV, pp:434-443
  7. Barber, Joel R. , Copper, Mark L. (2010) 'Principal component analysis of yield curve movements', Journal of Economics and Finance, Springer Science + Business Media, pp:750-765
  8. , (1996) 'Nonlinear principal component analysis—Based on principal curves and neural networks', Computers & Chemical Engineering, Elsevier BV, pp:65-78
  9. Ruiz, O. , Vanegas, C. , Cadavid, C. (2010) 'Ellipse-based principal component analysis for self-intersecting curve reconstruction from noisy point sets', The Visual Computer, Springer Science + Business Media, pp:211-226
  10. Min, Eungi, Ko, Mincheol, Kim, Yongkwon, Joung, Jinhun, Lee, Kisung (2012) 'A peak detection in noisy spectrum using principal component analysis', 2012 IEEE Nuclear Science Symposium and Medical Imaging Conference Record (NSS/MIC), Institute of Electrical and Electronics Engineers (IEEE), pp:0-0

 

فهرست مراجع و منابع




 

برگشت به بالا
× 🎁
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×