• Quantitative Bio-Science
• /
• 제37권2호
• /
• pp.73-79
• /
• 2018

As high frequency (HF, for short) time series is now prevalent in the presence of real time big data, volatility computations based on traditional ARCH/GARCH models need to be further developed to suit the high frequency characteristics. This article reviews realized volatilities (RV) and multivariate GARCH (MGARCH) to deal with high frequency volatility computations. As a (functional) infinite dimensional models, the fARCH and fGARCH are introduced to accommodate ultra high frequency (UHF) volatilities. The fARCH and fGARCH models are developed in the recent literature by Hormann et al. [1] and Aue et al. [2], respectively, and our discussions are mainly based on these two key articles. Real data applications to domestic UHF financial time series are illustrated.

• 응용통계연구
• /
• 제33권6호
• /
• pp.805-812
• /
• 2020

본 논문은 최근 금융시계열 분야에서 자주 등장하는 고빈도 시계열 변동성 분석을 다루고 있다. 고빈도 시계열 변동성 분석을 위해 차원 축소를 목적으로 하는 함수형 주성분분석을 적용하였으며 이를 수행하는 R의 두 함수를 비교하고 있다. 응용으로서, KOSPI 고빈도 자료에 적용해 보았다.

• 응용통계연구
• /
• 제30권6호
• /
• pp.983-991
• /
• 2017

본 논문은 고빈도 시계열 자료 분석을 위한 최신 함수-변동성 functional ARCH : fARCH(1) 모형을 독자들에게 소개하고 국내 자료 적합을 예시하고 있다. fARCH(1) 모형을 KOSPI/현대차 1분 단위 고빈도 수익률 자료에 적합하여 기존의 ARCH 모형에서는 할 수 없었던 다이나믹한 일중(intraday) 변동성을 추정할 수 있음을 보여주고 있다.

• 응용통계연구
• /
• 제31권5호
• /
• pp.667-675
• /
• 2018

초고빈도(ultra high frequency; UHF)시계열의 함수적 변동성 측정을 위한 최신 기법인 함수적 변동성 functional GARCH : fGARCH(1, 1) 모형을 소개하고 설명하였다. 실증분석을 위해 R-code fGARCH(1, 1) 프로그램을 KOSPI/현대차 초고빈도 수익률 자료에 적합하여 예시하였다.

• 응용통계연구
• /
• 제33권3호
• /
• pp.297-308
• /
• 2020

본 논문에서는 고빈도 함수적 ARCH 모형을 소개하고 근사모형으로써 다변량 변동성 모형을 고려하였다. 이를 기반으로 함수형 변동성 분석에서 중요한 요소인 일중 로그 수익률의 적절한 시간 간격을 찾아보았다. 또한 함수적 ARCH 모형에서 l-시차 후 변동성 예측식을 제시하고 고빈도 KOSPI 자료에 적합하여 예시하였다.

• Journal of the Korean Society for Industrial and Applied Mathematics
• /
• 제14권4호
• /
• pp.249-273
• /
• 2010

Often in practice, the implied volatility of an option is calculated to find the option price tomorrow or the prices of, nearby' options. To show that one does not need to adhere to the Black- Scholes formula in this scheme, Figlewski has provided a new pricing formula and has shown that his, alternating passive model' performs as well as the Black-Scholes formula [8]. The Figlewski model was modified by Henderson et al. so that the formula would have no static arbitrage [10]. In this paper, we show how to construct a huge class of such static no arbitrage pricing functions, making use of distortions, coherent risk measures and the pricing theory in incomplete markets by Carr et al. [4]. Through this construction, we provide a more elaborate static no arbitrage pricing formula than Black-Sholes in the above scheme. Moreover, using our pricing formula, we find a volatility curve which fits with striking accuracy the synthetic data used by Henderson et al. [10].

• Communications for Statistical Applications and Methods
• /
• 제31권1호
• /
• pp.87-104
• /
• 2024

Most functional magnetic resonance imaging (fMRI) studies in resting state have assumed that the functional connectivity (FC) between time series from distinct brain regions is constant. However, increased interest has recently been in quantifying possible dynamic changes in FC during fMRI experiments. FC study may provide insight into the fundamental workings of brain networks to brain activity. In this work, we focus on the specific problem of estimating the dynamic behavior of pairwise correlations between time courses extracted from two different brain regions. We compare the sliding-window techniques such as moving average (MA) and exponentially weighted moving average (EWMA), dynamic causality with vector autoregressive (VAR) model, dynamic conditional correlation (DCC) based on volatility, and the proposed alternative methods to use differencing and recursive residuals. We investigate the properties of those techniques in a series of simulation studies. We also provide an application with major depressive disorder (MDD) patient fMRI data to demonstrate studying dynamic correlations.

• 응용통계연구
• /
• 제32권1호
• /
• pp.69-81
• /
• 2019

본 논문에서는 딥러닝을 이용한 이변량 장기종속시계열(long-range dependent time series) 예측을 고려하였다. 시계열 데이터 예측에 적합한 LSTM(long short-term memory) 네트워크를 이용하여 이변량 장기종속시계열을 예측하고 이를 이변량 FARIMA(fractional ARIMA) 모형인 FIVARMA 모형과 VARFIMA 모형과의 예측 성능을 실증 자료 분석을 통해 비교하였다. 실증 자료로는 기능적 자기공명 영상(fMRI) 및 일일 실현 변동성(daily realized volatility) 자료를 이용하였으며 표본외 예측(out-of sample forecasting) 오차 비교를 통해 예측 성능을 측정하였다. 그 결과, FIVARMA 모형과 VARFIMA 모형의 예측값에는 미묘한 차이가 존재하며, LSTM 네트워크의 경우 초매개변수 선택으로 복잡해 보이지만 계산적으로 더 안정되면서 예측 성능도 모수적 장기종속시계열과 뒤지지 않은 좋은 예측 성능을 보였다.

• Elastomers and Composites
• /
• 제29권3호
• /
• pp.226-233
• /
• 1994

The properties of the mixed prepolymer-urethane in the range of 10-40 phr were observed. LBR and LCR have same functional group but different in structure of molecular. The viscosity of mixture depending on content of rubber, adhesive strength, thermal property and compatibility with a diluted solvent are as follows: 1. The viscosity of the mixture was influenced by solubility of the diluent for urethane resin and liquid rubber. 2. Adhesive strength showed the highest value at 30phr rubber, decreased gradually at above 30phr rubber. And LBR revealed better physical property than that of LCR. 3. The most effective factors affecting adhesive strength are molecular structure of rubber, the type of solvent, and volatility. 4. Urethane resin containing LBR showed better compatibility for solvent and faster drying velocity. 5. LBR showed more favorable compatibility and dispersion state than those of LCR by analyzing the results of SEM.

• 응용통계연구
• /
• 제27권6호
• /
• pp.959-973
• /
• 2014

자산가격의 비대칭적 변동을 설명하기 위해 최근 비대칭적 점프확산 모형이 제안되었다. 본 논문에서는 이러한 자산가격 모형을 분석하는데 사용되는 효율적인 베이지안 방법을 제안한다. 본 논문에서 제안되는 방법은 모형 요소가 쉽게 추출되는 편의성을 희생하지 않으면서도 조건부 분포들간의 함수적 비호환성을 통해 효율성을 향상시킬 수 있는 부분붕괴 깁스 샘플러를 고안함으로써 개발되었다. 제안된 방법은 모의실험 자료에 적용되어 그 효율성을 검증하였고 1980년 9월부터 2014년 8월까지 관찰된 일별 S&P 500 자료에 적용되었다.