Κλασικά και Σύγχρονα Υποδείγματα Χρονολογικών Σειρών Τόμος Α'

Abstract

Τις τελευταίες δεκαετίες, διάφορες κατηγορίες μη γραμμικών μοντέλων χρονοσειρών έχουν κάνει την εμφάνισή τους στη βιβλιογραφία· συγκεκριμένα, δια-γραμμικά μοντέλα χρονοσειρών (bilinear time series models), μοντέλα ορίων AR (threshold AR models), εκθετικά μοντέλα AR (exponential AR models), μοντέλα AR τυχαίου συντελεστή (random coefficient AR models), Μοντέλο Παλινδρόμησης Ομαλής Μετάβασης (Smooth Transition Regression Model), (μοντέλα STAR), εκθετικά μοντέλα κινητής μέσης τιμής (exponential moving average models), μοντέλα Νευρωνικών Δικτύων (Neural Networks model), Μοντέλα Γενετικών Αλγορίθμων (Genetic Algorithm Models), και άλλα σχετικά μοντέλα (λεπτομερής ανάλυση των υποδειγμάτων αυτών δίνεται στα ακόλουθα κεφάλαια.) Καθένα απ' αυτά τα μοντέλα αναπτύχθηκε με σκοπό να εντοπίσει και να καταγράψει συμπεριφορές οι οποίες δεν εντοπίζονται από γραμμικά μοντέλα. Το δυναμικό αυτής της έρευνας είναι η μοντελοποίηση και η πρόβλεψη οικονομικών δεδομένων, κάνοντας χρήση διαφορετικών μη γραμμικών και χαοτικών διαδικασιών. Ως εκ τούτου, στο συγκεκριμένο σύγγραμμα εξετάζουμε διάφορα μη γραμμικά μοντέλα υποδείγματα χρονολογικών σειρών, καθώς και τις ιδιότητές τους, και επιχειρούμε να τα προσαρμόσουμε σε δεδομένα και να παραγάγουμε, ως αποτέλεσμα, προβλέψεις. Εξετάζουμε επίσης και έναν αριθμό δοκιμών μη γραμμικότητας, οι οποίες αναπτύχθηκαν από διάφορους συγγραφείς. Σκοπός του συγγράμματος είναι να παρουσιάσει τα Κλασικά και Σύγχρονα Υποδείγματα Χρονολογικών Σειρών, τα οποία χρησιμοποιούνται στην πρόβλεψη των χρηματοοικονομικών μεταβλητών.

In recent decades, several classes of non-linear time series models appear in the literature; namely, bilinear time series models, threshold AR models, exponential AR models, random coefficient AR models, Smooth Transition Regression Models (STAR models), exponential moving average models, Neural Networks models, Genetic Algorithm Models, and other related models. (A detailed analysis of these models is provided in the following chapters.) Each of these models is developed to identify and capture behaviors that are not detected by linear models. The potential of this book lies in modeling and predicting economic data using different nonlinear and chaotic processes. Therefore, in this book, we examine various nonlinear time series models, as well as their properties, and attempt to fit them to data and produce forecasts. We also review a number of nonlinearity tests developed by various authors. The purpose of this paper is to present the Classical & Contemporary Time Series Models, which are used in the forecasting of economic and financial variables.