Abstract Predicting volatility is a critical activity for taking risk- adjusted decisions in asset trading and allocation. In order to provide effective decision-making support, this paper we investigate the profitability of deep Long Short-Term Memory (LSTM) Neural Network forecasting daily stock market using panel 28 assets representative Dow Jones Industrial Average index combined with facto...

در این پژوهش سعی می‌­شود مدلی برای شبیه‌­سازی چرخه عمر صنعت برق با استفاده از شبیه‌سازی عامل­بنیان ارائه شود، مدل، 5 عامل استخراج شد و شبیه­‌سازی به کمک نرم‌افزار Anylogic صورت پذیرفت. بهینه‌­سازی مدل چهار سناریو نظر خبرگان شد. سناریوی نخست، جذابیت نیروگاه گازی سیکل ترکیبی کاهش یافت بر دو دیگر افزوده نتیجه افزایش تولید آبی است که توجه کمبود منابع کشور به‌صرفه نیست. دوم ورود یک فناوری جدید میزان...

Cryptocurrencies are currently traded worldwide, with hundreds of different currencies in existence and even more on the way. This study implements some statistical machine learning approaches for cryptocurrency investments. First, we implement GJR-GARCH over GARCH model to estimate volatility ten popular cryptocurrencies based market capitalization: Bitcoin, Bitcoin Cash, SV, Chainlink, EOS, E...

This paper focuses on the selection and comparison of alternative non-nested volatility models. We review the traditional in-sample methods commonly applied in the volatility framework, namely diagnostic checking procedures, information criteria, and conditions for the existence of moments and asymptotic theory, as well as the out-of-sample model selection approaches, such as mean squared error...

برای دستیابی به مزیت رقابتی در شرایط عدم‌­اطمینان که آن تغییر ضروری است، یکی از چالش‌های بزرگ سازمان‌ها کاهش ریسک طریق ایجاد زنجیره‌های تأمین تاب‌آور است. تاب‌آوری زنجیره ‌تأمین توانایی مقابله با اختلال اشاره دارد یک رویداد غیرقابل‌پیش‌بینی بوده و دارای منابع داخلی خارجی مختلفی ازجمله بلایای طبیعی ریسک‌های عملیاتی پژوهش حاضر شبیه‌سازی توسط نرم‌افزار ارنا زنجیره‌ سنگ ساختمانی «کارخانه سنگبری آسم...

Background: In light of the latest global financial crisis and the ongoing sovereign debt crisis, accurate measuring of market losses has become a very current issue. One of the most popular risk measures is Value-at-Risk (VaR). Objectives: Our paper has two main purposes. The first is to test the relative performance of selected GARCH-type models in terms of their ability of delivering volatil...

Financial time series forecast has been classified as standard problem in forecasting due to its high non-linearity and high volatility in data. Statistical methods such as GARCH, GJR, EGARCH and Artificial Neural Networks (ANNs) based on standard learning algorithms such as backpropagation have been widely used for forecasting time series volatility of various fields. In this paper, we propose...