می­باشد.

۴-۷-۱- ساختن داده ­ها[۷۰۹]
در این قسمت با بهره گرفتن از داده ­های ساختگی، رویکرد تغییر را برای مدل مشخصه نهفته خطی-گاوسین باینری متناهی (LG) اجرا[۷۱۰] می­کنیم. مجموعه داده ­های ساختگی شامل ماتریس­های و می­باشند که به طور تصادفی از پیشین چسباندن-شکست­های برش خورده شده[۷۱۱]، تولید شده ­اند. در این رساله، مجموعه داده ­های شبیه­سازی شده شامل تعداد ۲۰ مشاهده ساختگی از جریان عایدی­های نقدی وصول شده از تجمیع وام­ها در اوراق بهادار MBS، فرض می­ شود که آن را در قالب ماتریس نشان می­دهیم.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

هر جریان عایدی یک بردار با طول می­باشد یعنی هر مشاهده ، یک بردار ۱۶ بعدی (بعد زمان)، است. انتخاب سطح برش ۴ برای ، تعیین می­ کند که هر مشاهده از جریان عایدی­های ، از یک زیرمجموعه ۴ تایی از ابعاد مختلف تلاش­ های پنهانی (مشخصه­های نهفته) تولید شده است. به عبارت دیگر، فرض می­ شود که برای هر مشاهده ، حداکثر ۴ بعد از استانداردهای پذیره­نویسی توسط بانی برای غربال نمودن متقاضیان وام، اعمال شده است. برای اوراق بهادار MBS، ارزش­های این مشخصه­های نهفته (تلاش­ های پنهانی) متناظر با ردیف­های ماتریس وزنی هستند. ردیف­های ماتریس ، شدت اثرگذاری هر کدام از ابعاد تلاش را به صورت کمی تعیین می­ کنند.
برای هر ردیف از ماتریس باینری مشخصه نهفته ، در هر آرایه ، با احتمال ۰٫۵ مقدار ۱ و با احتمال ۰٫۵ مقدار صفر، قرار داده شده است. سپس هر مشاهده برای هر کدام از تجمیع­های مختلف از وام­ها، ، با اضافه کردن یک نویز سفید با واریانس به ترکیب خطی از ماتریس وزنی، بر اساس ماتریس مشخصه باینری، تولید می­ شود.
در روش استنباط بیز تغییر، مقدار اولیه پارامتر ، قرار دادیم و ماتریس Z را به صورت تصادفی از فرایند تصادفی به تصویر کشیدیم و مقدار اولیه قرار دادیم. نوع مدل نیز LG انتخاب شده است. نمونه گیری­ها جهت انجام بهینه­سازی به تعداد ۱۰۰۰ تکرار اجرا شده ­اند. معیار توقفی[۷۱۲] که در این رساله مورد استفاده قرار گرفته است، بهینه­سازی را هنگامی که کران پایین بین تکرارهای جاری و قبلی با ضریبی کوچک­تر از تغییر می­ کند، متوقف می­ کند.
با توضیحاتی که در بالا ذکر گردید، نتایج بهینه­سازی با بهره گرفتن از رویکرد بیز تغییر متناهی به صورت زیر گزارش می­شوند.
تعداد مشخصه­ها از داده ­های نمونه گیری شده و از طریق یک توزیع پسین، استنباط شده ­اند. نمایش کشف شده[۷۱۳] از مشخصه­های نهفته بر اساس مدل فرض شده، به صورت زیر است.
در ابتدا ملاحظه می­گردد که الگوریتم، جواب­ها را با تقریباً تعداد ۶ مشخصه نهفته یافته است. یعنی تعداد ۶ بعد معیار پذیره­نویسی جهت اعطای وام به متقاضیان، اعمال شده است. خروجی نرم افزار MATLAB برای ماتریس باینری Z از بعد ، ماتریس متوسط پسین وزن­ها (A) از بعد ، در پیوست گزارش شده ­اند. در این شبیه­سازی­ها، تعداد ردیف­ها ، ثابت در نظر گرفته شده است.
مقادیر بهینه به روز شده برای پارامترهای توزیع تغییر، ، در ادامه گزارش می­شوند.

    1. پارامترهای تخمین زده شده توزیع بتا از متغیر تصادفی ، در جدول ۱٫۴ گزارش شده ­اند.

جدول ۱٫۴٫ پارامترهای توزیع بتا برای

۰٫۱۶۶۷

۰٫۱۶۶۷

۲٫۱۶۶۷

۳٫۱۶۶۷

۹٫۱۶۶۷

۱۴٫۱۶۶۷

۲۱٫۰۰۰۰

۲۱٫۰۰۰۰

۱۹٫۰۰۰۰

۱۸٫۰۰۰۰

۱۲٫۰۰۰۰

۷٫۰۰۰۰

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...