The Causal Relationship Between Stock Markets: Awavelet Transform-Based Approach
Dalam tahun kebelakangan ini, harga pasaran saham adalah salah satu daripada petunjuk ekonomi yang paling penting yang mendedahkan status ekonomi sesuatu negara serta menerokai hubungan kalangan negara-negara di dunia. Seperti yang sedia maklum, harga pasaran saham adalah tidak menentu dan mengan...
Saved in:
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English |
| Published: |
2016
|
| Subjects: | |
| Online Access: | http://eprints.usm.my/32102/1/AMEL_ABDOULLAH_AHMED_DGHAIS_24%28NN%29.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Dalam tahun kebelakangan ini, harga pasaran saham adalah salah satu daripada
petunjuk ekonomi yang paling penting yang mendedahkan status ekonomi sesuatu negara
serta menerokai hubungan kalangan negara-negara di dunia. Seperti yang sedia
maklum, harga pasaran saham adalah tidak menentu dan mengandungi data hingar
yang memberi kesan kepada ketepatan dan kesahihan keputusan sesuatu model. Oleh
itu, para penyelidik semasa memberi tumpuan kepada memeriksa kaedah penguraian
untuk menyelesaikan masalah data hingar dan menentukan kemeruapan pasaran saham
dengan lebih tepat. Terkini, penurasan wavelet telah digunakan sebagai alat yang
berkesan untuk mengurangkan hingar dalam siri masa kewangan. Selain itu, penurasan
wavelet mempunyai beberapa ciri-ciri yang lebih berbanding penuras yang lain.
Maka dari sudut ini, tesis ini mencadangkan teknik yang berbeza untuk menyiasat hubungan
antara pasaran saham dengan menggabungkan penurasan wavelet dan model
tradisional dalam usaha menyelesaikan masalah kesan hingar dalam data siri masa kewangan,
dan mendapatkan keputusan lebih tepat.
Stock market index has recently become one of the most important economic indicators
that reveals the economic status of a country and explores the causal relationship
among countries. Stock market indices are typically chaotic and contain noise
data, which affect the accuracy and validity of the results of some models. Therefore,
this study focuses on decomposition methods to solve the problem on noisy data and
to determine stock market volatilities accurately. Recently, wavelet filtering has been
applied as an efficient tool for reducing noise in financial time series. Wavelet filtering
exhibits several properties that are not found in other filters. Thus, this thesis proposes
different techniques to investigate causal relationships among stock markets by combining
wavelet filtering and traditional models to solve the noise problem in financial
time series data and therefor to obtain accurate results.
|
|---|