Abstract: in the prediction of quan

Abstract: in the prediction of quantiles of daily Standard&Poor’s 500 (S&P 500) returns we
consider how to use high-frequency 5-minute data. We examine methods that incorporate the
high frequency information either indirectly, through combining forecasts (using forecasts
generated from returns sampled at different intraday interval), or directly, through combining
high frequency information into one model. We consider subsample averaging, bootstrap
averaging, forecast averaging methods for the indirect case, and factor models with principal
component approach, for both direct and indirect cases. We show that in forecasting
the daily S&P 500 index return quantile (Value-at-Risk or VaR is simply the negative
of it), using high-frequency information is beneficial, often substantially and particularly
so, in forecasting downside risk. Our empirical results show that the averaging methods
(subsample averaging, bootstrap averaging, forecast averaging), which serve as different
ways of forming the ensemble average from using high-frequency intraday information,
provide an excellent forecasting performance compared to using just low-frequency daily
information.

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

Abstract: in the prediction of quantiles of daily Standard&Poor’s 500 (S&P 500) returns weconsider how to use high-frequency 5-minute data. We examine methods that incorporate thehigh frequency information either indirectly, through combining forecasts (using forecastsgenerated from returns sampled at different intraday interval), or directly, through combininghigh frequency information into one model. We consider subsample averaging, bootstrapaveraging, forecast averaging methods for the indirect case, and factor models with principalcomponent approach, for both direct and indirect cases. We show that in forecastingthe daily S&P 500 index return quantile (Value-at-Risk or VaR is simply the negativeof it), using high-frequency information is beneficial, often substantially and particularlyso, in forecasting downside risk. Our empirical results show that the averaging methods(subsample averaging, bootstrap averaging, forecast averaging), which serve as differentways of forming the ensemble average from using high-frequency intraday information,provide an excellent forecasting performance compared to using just low-frequency dailyinformation.

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

บทคัดย่อ: ในการคาดการณ์ของ quantiles ในชีวิตประจำวันของสแตนดาร์ดแอนด์พัวร์ 500 (S & P 500) ผลตอบแทนที่เรา
พิจารณาถึงวิธีการใช้ความถี่สูงข้อมูล 5 นาที เราตรวจสอบวิธีการที่รวม
ข้อมูลความถี่สูงทั้งทางอ้อมผ่านการรวมการคาดการณ์ (โดยใช้การคาดการณ์
ที่เกิดจากผลตอบแทนที่ได้ชิมในช่วงเวลาระหว่างวันที่แตกต่างกัน) หรือโดยตรงผ่านการรวม
ข้อมูลความถี่สูงเป็นหนึ่งในรูปแบบ เราพิจารณาค่าเฉลี่ย subsample, บูต
เฉลี่ยวิธีการคาดการณ์เฉลี่ยสำหรับกรณีที่ทางอ้อมและรูปแบบปัจจัยหลักที่มี
วิธีการที่องค์ประกอบทั้งสองกรณีตรงและทางอ้อม เราแสดงให้เห็นว่าในการพยากรณ์
รายวัน S & P 500 ดัชนีผลตอบแทน quantile (Value-at-Risk หรือ VaR เป็นเพียงเชิงลบ
ของมัน) โดยใช้ข้อมูลที่ความถี่สูงจะเป็นประโยชน์มักจะมีนัยสำคัญโดยเฉพาะอย่างยิ่ง
ดังนั้นในการคาดการณ์ความเสี่ยงขาลง ผลการศึกษาของเราแสดงให้เห็นว่าวิธีการหาค่าเฉลี่ย
(ค่าเฉลี่ย subsample ค่าเฉลี่ยบูตคาดการณ์เฉลี่ย) ซึ่งทำหน้าที่เป็นที่แตกต่างกัน
วิธีการของการสร้างค่าเฉลี่ยของวงดนตรีจากการใช้ข้อมูล intraday ความถี่สูง
ให้ประสิทธิภาพการคาดการณ์ที่ดีเมื่อเทียบกับการใช้เพียงความถี่ต่ำในชีวิตประจำวัน
ข้อมูล.

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

บทคัดย่อ : การคาดการณ์ของทุกวัน quantiles Standard & Poor 500 ( S & P 500 ) จะได้ เราพิจารณาว่าจะใช้ความถี่สูง 5 นาทีข้อมูล เราตรวจสอบวิธีการรวมความถี่สูงผ่านการรวมข้อมูลให้โดยอ้อม ( ใช้สำหรับการคาดการณ์ที่สร้างขึ้นจากตัวอย่างที่แตกต่างกันระหว่างผลตอบแทนช่วง ) หรือโดยตรงผ่านรวมความถี่สูงข้อมูลในรูปแบบหนึ่ง เราพิจารณา subsample เฉลี่ยเท่ากับเฉลี่ยคาดการณ์เฉลี่ยวิธีการกรณีทางอ้อม และปัจจัยรูปแบบ ด้วยหลักแนวทาง ส่วนกรณีทั้งทางตรง และทางอ้อม เราพบว่า ในการพยากรณ์ประจำวันที่ S & P 500 ดัชนีผลตอบแทนควอนไทล์ ( ค่าความเสี่ยงหรือ var เป็นเพียงแค่ลบมัน ) โดยใช้ข้อมูลความถี่สูงจะเป็นประโยชน์อย่างมาก และโดยเฉพาะอย่างยิ่ง มักจะดังนั้น ในการพยากรณ์ความเสี่ยง downside ผลของเราแสดงให้เห็นว่าโดยเฉลี่ยวิธี( subsample เฉลี่ยเท่ากับเฉลี่ยคาดการณ์เฉลี่ย ) ซึ่งให้บริการต่าง ๆ เช่นวิธีสร้างชุดข้อมูล intraday เฉลี่ยจากการใช้ความถี่สูงให้ประสิทธิภาพที่ยอดเยี่ยมเมื่อเทียบกับการใช้แค่ความถี่ต่ำทุกวันข้อมูล

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.