چکیده فارسی :

ما یک مدل جدید شبکه‌ی عصبی رگرسیون خودکار چندک (QARNN) را بر اساس یک معماری شبکه‌ عصبی مصنوعی توسعه می‌دهیم. مدل QARNN ارائه شده انعطاف‌پذیر است و می‌تواند برای کاوش روابط غیرخطی بالقوه در میان چندک‌ها در داده‌های سری‌های زمانی مورد استفاده قرار گیرد. با بهینه‌سازی یک تابع خطای تقریبی و الگوریتم‌های بهینه‌سازی مبتنی بر گرادیان استاندارد، خروجی‌های QARNN، توابع چندک شرطی به صورت بازگشتی هستند. کاربرد مدل جدید ما توسط مطالعات شبیه‌سازی مونت کارلو و تجزیه و تجلیل‌های تجربی سه شاخص سهام واقعی از شاخص (اندیس) هانگ سنگ (HSI) هونگ کونگ، اندیس US S&P500  (S&P500) ، و اندیس بورس اوراق بهادار فیننشال تایمز 100 (FTSE100) نشان داده می‌شود.

کلمات کلیدی: شبکه‌ی عصبی مصنوعی، شبکه‌ی عصبی رگرسیون خودکار چندک، QARNN، رگرسیون خودکار چندک، رگرسیون چندک، ارزش در ریسک.

چکیده انگلیسی:

tWe develop a new quantile autoregression neural network (QARNN) model based on an artificial neuralnetwork architecture. The proposed QARNN model is flexible and can be used to explore potential non-linear relationships among quantiles in time series data. By optimizing an approximate error functionand standard gradient based optimization algorithms, QARNN outputs conditional quantile functionsrecursively. The utility of our new model is illustrated by Monte Carlo simulation studies and empiricalanalyses of three real stock indices from the Hong Kong Hang Seng Index (HSI), the US S&P500 Index(S&P500) and the Financial Times Stock Exchange 100 Index (FTSE100).

Keywords:Artificial neural network ، Quantile autoregression neural network ، (QARNN) ، Quantile autoregression ، Quantile regression ، Value-at-riska