Quantile Regression Neural Network for Forecasting Inflow and Outflow in Yogyakarta

Amalia, Farah Fajrina; Suhartono, Suhartono; Rahayu, Santi Puteri; Suhermi, Novri

doi:10.1088/1742-6596/1028/1/012232

Cited by 2 publications

(3 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…quantile regression error function. The QRNN optimization method uses a quasi-Newton algorithm to minimize E , see Amalia et al (2018).…”

Section: Quantile Regression Neural Networkmentioning

confidence: 99%

Forecasting cryptocurrencies returns: Do macroeconomic and financial variables improve tail expectation predictions?

Lawuobahsumo,

Algieri,

Leccadito

2023

Qual Quant

View full text Add to dashboard Cite

This study aims to jointly predict conditional quantiles and tail expectations for the returns of the most popular cryptocurrencies (Bitcoin, Ethereum, Ripple, Dogecoin and Litecoin) using financial and macroeconomic indicators as explanatory variables. We adopt a Monotone Composite Quantile Regression Neural Network (MCQRNN) model to make one- and five-steps-ahead predictions of Value-at-Risk (VaR) and Expected Shortfall (ES) based on a rolling window and compare the performance of our model against the Historical simulation and the standard ARMA(1,1)-GARCH(1,1) model used as benchmarks. The superior set of models is then chosen by backtesting VaR and ES using a Model Confidence Set procedure. Our results show that the MCQRNN performs better than both benchmark models for jointly predicting VaR and ES when considering daily data. Models with the implied volatility index, treasury yield spread and inflation expectations sharpen the extreme return predictions. The results are consistent for the two risk measures at the 1% and 5% level both, in the case of a long and short position and for all cryptocurrencies.

show abstract

“…quantile regression error function. The QRNN optimization method uses a quasi-Newton algorithm to minimize E , see Amalia et al (2018).…”

Section: Quantile Regression Neural Networkmentioning

confidence: 99%

Forecasting cryptocurrencies returns: Do macroeconomic and financial variables improve tail expectation predictions?

Lawuobahsumo,

Algieri,

Leccadito

2023

Qual Quant

View full text Add to dashboard Cite

show abstract

“…Akurasi peramalan dapat ditingkatkan dengan mengkombinasikan aspek linier dalam ARIMAX dan aspek non-linier. Dalam matematika, terdapat beberapa metode yang dapat digunakan untuk menangkap dinamika variabel yang tidak linier, salah satunya Artificial Neural Network (ANN) [4], [5]. Melalui kombinasi ARIMAX dan ANN sebagai model hybrid, disimpulkan bahwa ARIMAX-ANN mampu menghasilkan ramalan yang lebih akurat daripada ARIMAX dan ANN yang berdiri sendiri [9].…”

Section: Pendahuluanunclassified

“…dengan L dan N mewakili linier dan non-linier[5]. Estimasi Lt diperoleh dari model ARIMAX yang selanjutnya akan diperoleh galat model ARIMAX at.…”

unclassified

Peramalan Transaksi Pembayaran Non-Tunai Menggunakan Arimax-Ann Dengan Konfigurasi Kalender

Putera

2020

BAREKENG

View full text Add to dashboard Cite

Akses internet yang luas mendorong kian seringnya sistem pembayaran non-tunai digunakan. Di Indonesia, berbagai aktivitas dan transaksi ekonomi seringkali dipengaruhi oleh pergerakan kalender, terutama kalender Hijriyah. Tujuan penelitian ini untuk memodelkan dan meramalkan total pembayaran non-tunai di Indonesia dengan menambahkan konfigurasi kalender sebagai variabel. Digunakan metode ARIMA, ARIMAX dan hibrida ARIMAX-ANN yang akan dibandingkan akurasinya. Diperoleh model terbaik untuk peramalan jumlah pembayaran non-tunai adalah ARIMAX-ANN dengan RMSE terkecil, yaitu Rp 20,9 triliun. Spesifikasi model terbaik tersebut adalah ARIMAX(2,1,1) yang dihibrida dengan ANN yang inputnya diseleksi melalui regresi stepwise. Selain memenuhi asumsi galat yang identik, independen, dan berdistribusi normal, ARIMAX-ANN juga mampu mengikuti dinamika dan tren dari pembayaran non-tunai, khususnya pada bulan jatuhnya Idul Fitri dan periode akhir tahun.

show abstract

Quantile Regression Neural Network for Forecasting Inflow and Outflow in Yogyakarta

Cited by 2 publications

References 7 publications

Forecasting cryptocurrencies returns: Do macroeconomic and financial variables improve tail expectation predictions?

Forecasting cryptocurrencies returns: Do macroeconomic and financial variables improve tail expectation predictions?

Peramalan Transaksi Pembayaran Non-Tunai Menggunakan Arimax-Ann Dengan Konfigurasi Kalender

Contact Info

Product

Resources

About