Összesen 1 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM094142
035-os BibID:(WoS)000493413700001 (Scopus)85070316577
Első szerző:Petneházi Gábor (közgazdász)
Cím:Exploring the predictability of range-based volatility estimators using recurrent neural networks / Petneházi Gábor, Gáll József
Dátum:2019
ISSN:1055-615X 2160-0074
Megjegyzések:We investigate the predictability of several range-based stock volatility estimates and compare them with the standard close-to-close estimate, which is most commonly acknowledged as the volatility. The patterns of volatility changes are analysed using long short-term memory recurrent neural networks, which are a state?of-the-art method of sequence learning. We implement the analysis on all current constituents of the Dow Jones Industrial Average index and report averaged evaluation results. We find that the direction of changes in the values of range-based estimates are more predictable than that of the estimate from daily closing values only.
Tárgyszavak:Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
volatility forecasting
long short-term memory
Megjelenés:Intelligent Systems in Accounting, Finance and Management. - 26 : 3 (2019), p. 109-116. -
További szerzők:Gáll József (1972-) (matematikus, közgazdász)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1