We find that defining 3-dimensional

We find that defining 3-dimensional matrix norms, summarizing large financial data set and quantifying market impression
with respect to several variables together are useful. We obtain a proxy for time evolution of market impression value,
and perform simulations for various model parameters. We see that using the volatility in terms of extreme values makes it
easy to evaluate volatilities when we perform simulations with the large real data set. According to the simulation results,
the Heston stochastic volatility model cannot promise much things at the long time interval since the initial information
lose their effect by the time.
It is challenging to compare the advantages and limitations of the higher order SDE-solvers. We present that there is inverse
relationship between speed of convergence of the methods and impression matrix norm (IMN) values while using the
annual volatilities having extreme values as in the line of literature. When we examine the numerical methods using IMN
in terms of their trade-offs, although SRK takes more time, it worths to prefer SRK to Euler–Maruyama method and Milstein
method just because that SRK’s lower cumulative error is important for our financial applications. On the other hand, it does
not matter which method is used for the applications having relatively low volatility cases with respect to the robustness.
We suggest Euler–Maruyama method because of its lowest cost for daily volatility usage or market situations at such low
volatility levels.

ผลลัพธ์ (ไทย) 1:

เราพบว่า การกำหนดบรรทัดฐาน 3 มิติเมตริกซ์ สรุปชุดข้อมูลทางการเงินขนาดใหญ่ และ quantifying ตลาดความประทับใจเกี่ยวกับตัวแปรต่าง ๆ เข้าด้วยกันจะมีประโยชน์ เราได้รับพร็อกซี่สำหรับเวลาวิวัฒนาการของตลาดความประทับใจและทำการจำลองสำหรับพารามิเตอร์รูปแบบต่าง ๆ เราเห็นว่า ใช้ความผันผวนในค่ามากทำให้มันง่ายต่อการประเมิน volatilities เมื่อเราทำการจำลอง มีการตั้งค่าข้อมูลจริงขนาดใหญ่ ตามผลการทดลองแบบสโทแคสติกผันผวน Heston ไม่สัญญาสิ่งมากในช่วงเวลานานเนื่องจากข้อมูลเริ่มต้นสูญเสียผลของการมันเป็นความท้าทายในการเปรียบเทียบข้อดีและข้อจำกัดของขั้นสูงที่กระฉับกระเฉงแก้ SDE เรานำเสนอว่า มีความผกผันค่าความสัมพันธ์ระหว่างความเร็วของการบรรจบกันของวิธีการแสดงผลปกติเมตริกซ์ (IMN) ในขณะที่ใช้การvolatilities ประจำปีที่มีค่ามากในรายการของเอกสารประกอบการ เมื่อเราตรวจสอบวิธีการแทนใช้ IMNในแง่ของทางเลือก แม้ว่า SRK ใช้เวลามากกว่า เด็ด ๆ เกี่ยวกับโรงแรมใช้ SRK Milstein และวิธีออยเลอร์ – มารุยามะวิธีเพียง เพราะของ SRK ที่ข้อผิดพลาดที่สะสมที่ต่ำกว่าเป็นสิ่งสำคัญสำหรับโปรแกรมประยุกต์ทางการเงินของเรา ในทางกลับกัน มันไม่ไม่ว่าวิธีใดจะใช้สำหรับโปรแกรมประยุกต์ที่มีความผันผวนค่อนข้างต่ำกรณีเกี่ยวกับเสถียรภาพที่เราขอแนะนำวิธีของออยเลอร์ – มารุยามะ เพราะต้นทุนต่ำที่สุดสำหรับทุกความผันผวนตลาดหรือใช้สถานการณ์ที่ต่ำเช่นระดับความผันผวน

ผลลัพธ์ (ไทย) 2:

เราพบว่าการกำหนดบรรทัดฐานเมทริกซ์ 3 มิติสรุปข้อมูลทางการเงินที่มีขนาดใหญ่และการตั้งค่าการแสดงผลเชิงปริมาณตลาด
ที่เกี่ยวกับตัวแปรหลายแห่งด้วยกันที่มีประโยชน์ เราได้รับมอบฉันทะเวลาวิวัฒนาการของค่าการแสดงผลของตลาด
และดำเนินการจำลองสำหรับพารามิเตอร์แบบต่างๆ เราจะเห็นว่าการใช้ความผันผวนในแง่ของค่ามากทำให้
ง่ายต่อการประเมินความผันผวนเมื่อเราดำเนินการจำลองกับชุดข้อมูลจริงที่มีขนาดใหญ่ ตามผลการจำลอง
รูปแบบการผันผวนสุ่มสตันไม่สามารถสัญญาว่าสิ่งที่มากช่วงเวลานานตั้งแต่ข้อมูลเบื้องต้น
สูญเสียผลของพวกเขาตามเวลา.
มันเป็นความท้าทายที่จะเปรียบเทียบข้อดีและข้อ จำกัด ของการสั่งซื้อที่สูงขึ้น SDE-แก้ เรานำเสนอว่ามีเป็นสิ่งที่ตรงกันข้าม
กับความสัมพันธ์ระหว่างความเร็วของการบรรจบกันของวิธีการและความประทับใจบรรทัดฐานเมทริกซ์ (IMN) ในขณะที่ใช้ค่า
ความผันผวนประจำปีที่มีค่ามากในขณะที่สายของวรรณกรรม เมื่อเราตรวจสอบโดยใช้วิธีการเชิงตัวเลข IMN
ในแง่ของการไม่ชอบการค้าของพวกเขาแม้ว่า SRK ต้องใช้เวลามากขึ้นก็จะชอบ worths SRK วิธีการออยเลอร์-Maruyama และ Milstein
วิธีเพียงเพราะความผิดพลาดต่ำ SRK ของสะสมที่เป็นสิ่งสำคัญสำหรับการใช้งานทางการเงินของเรา ในทางกลับกันก็ไม่
ได้เรื่องวิธีการที่จะใช้สำหรับการใช้งานที่ค่อนข้างมีความผันผวนต่ำกรณีที่เกี่ยวกับความทนทาน.
เราขอแนะนำวิธีการออยเลอร์-Maruyama เนื่องจากค่าใช้จ่ายต่ำสุดสำหรับการใช้งานในชีวิตประจำวันหรือความผันผวนของสถานการณ์ตลาดที่ต่ำเช่น
ระดับความผันผวน .

ผลลัพธ์ (ไทย) 3:

เราพบว่า การกำหนดมิติเมทริกซ์บรรทัดฐาน สรุปข้อมูลทางการเงินขนาดใหญ่ตั้งค่าตลาด
ความประทับใจเกี่ยวกับตัวแปรต่าง ๆ เข้าด้วยกันเป็นประโยชน์ เราได้รับทุกเวลาวิวัฒนาการของมูลค่าความประทับใจตลาด
และดำเนินการจำลองสำหรับพารามิเตอร์แบบต่าง ๆ เราเห็นว่าการใช้ความผันผวนในแง่ของค่าสุดขีดทำให้
ง่ายที่จะประเมินความผันผวนเมื่อเราทำการจำลองที่มีขนาดใหญ่ที่แท้จริงของชุดข้อมูล จากผลการจำลอง โมเดล stochastic
เฮสตันผวนไม่สามารถสัญญามากที่เวลานาน ช่วงตั้งแต่
ข้อมูลเริ่มต้นสูญเสียผลตามเวลา .
มันท้าทายเพื่อเปรียบเทียบข้อดีและข้อจำกัดของ sde ที่สูงเพื่อแก้ .เราเสนอว่ามีความสัมพันธ์ผกผัน
ระหว่างความเร็วการบรรจบกันของวิธีการและมาตรฐาน ความประทับใจ เมทริกซ์ ( รูปภาพ ) ค่าในขณะที่ใช้
ปีความผันผวนมีค่าสุดขีดในบรรทัดของวรรณคดี เมื่อเราศึกษาวิธีเชิงตัวเลขโดยใช้รูปภาพ
ในแง่ของการทดแทนกันของพวกเขา แม้ว่า srk ใช้เวลามากขึ้น มูลค่าชอบ srk กับออยเลอร์–มารุยาม่า
วิธีและมิลสไตน์วิธีเพียงเพราะ srk ่งสะสมความผิดพลาดเป็นสิ่งสำคัญสำหรับโปรแกรมประยุกต์ทางการเงินของเรา บนมืออื่น ๆ , มัน
ไม่เรื่องที่ใช้วิธีในการใช้งานมีกรณีความผันผวนค่อนข้างต่ำและความทนทาน .
เราแนะนำวิธีออยเลอร์–มารุยาม่า เพราะมีต้นทุนค่าใช้รายวัน หรือสถานการณ์ในตลาด ( เช่นระดับความผันผวนต่ำ