BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Orzeszko Witold (Nicolaus Copernicus University in Toruń, Poland)
Tytuł
Measuring Nonlinear Serial Dependencies Using the Mutual Information Coefficient
Współczynnik informacji wzajemnej jako miara zależności nieliniowych w szeregach czasowych
Źródło
Dynamic Econometric Models, 2010, vol. 10, s. 97-106, tab., bibliogr. 10 poz.
Słowa kluczowe
Modele nieliniowe, Informacja, Giełda, Szeregi czasowe
Nonlinear models, Information, Stock exchange, Time-series
Uwagi
summ., streszcz.
Firma/Organizacja
Giełda Papierów Wartościowych w Warszawie
Warsaw Stock Exchange
Abstrakt
W artykule scharakteryzowano konstrukcję, estymację oraz możliwości zastosowania współczynnika informacji wzajemnej. Przedstawiono wyniki symulacji, prowadzących do weryfikacji jego przydatności w procesie identyfikacji zależności nieliniowych w szeregach czasowych. Ponadto zaprezentowano wyniki zastosowania tego współczynnika do analizy indeksów Giełdy Papierów Wartościowych w Warszawie. (abstrakt oryginalny)

Construction, estimation and application of the mutual information measure have been presented in this paper. The simulations have been carried out to verify its usefulness to detect nonlinear serial dependencies. Moreover, the mutual information measure has been applied to the indices and the sector sub-indices of the Warsaw Stock Exchange. (original abstract)
Dostępne w
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Barnett W. A., Gallant A. R., Hinich M. J., Jungeilges J. A., Kaplan D., Jensen M. J. (1998), A Single-blind Controlled Competition among Tests for Nonlinearity and Chaos, Journal of Econometrics, 82.1, 157-192.
  2. Bruzda J. (2004), Miary zależności nieliniowej w identyfikacji nieliniowych procesów ekonomicznych (Measures of nonlinear relationship in identification of nonlinear economic processes), Acta Universitatis Nicolai Copernici, 34, 183-203.
  3. Darbellay G.A, Wuertz D. (2000), The entropy as a tool for analysing statistical dependencies in financial time series, Physica A, 287, 429-439.
  4. Dionisio A., Menezes R., Mendes D.A. (2003), Mutual Information: a Dependence Measure for Nonlinear Time Series, Working Paper, http://129.3.20.41/eps/em/papers/0311//0311003.pdf (10.02.2010).
  5. Fonseca N., Crovella M., Salamatian K. (2008), Long Range Mutual Information, Proceedings of the First Workshop on Hot Topics in Measurement and Modeling of Computer Systems (Hotmetrics '08), Annapolis.
  6. Fraser A.M., Swinney H.L. (1986), Independent Coordinates for Strange Attractors from Mutual Information, Physical Review A, 33.2, 1134-1140.
  7. Granger C. W. J., Terasvirta T. (1993), Modelling Nonlinear Economic Relationship, Oxford University Press, Oxford.
  8. Granger C. W. J., Lin J-L. (1994), Using the Mutual Information Coefficient to Identify Lags in Nonlinear Models, Journal of Time Series Analysis, 15, 371-384.
  9. Maasoumi E., Racine J. (2002), Entropy and Predictability of Stock Market Returns, Journal of Econometric", 107, 291-312.
  10. Orzeszko W. (2010), Detection of Nonlinear Autodependencies Using Hiemstra-Jones Test, Financial Markets. Principles of Modeling, Forecasting and Decision-Making, eds. Milo W., Szafrański G., Wdowiński P., 157-170.
Cytowane przez
Pokaż
ISSN
1234-3862
Język
eng
URI / DOI
http://dx.doi.org/10.12775/DEM.2010.008
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu