This paper proposes a novel theory, coined as Topological Tail Dependence Theory, that links the mathematical theory behind Persistent Homology (PH) and the financial stock market theory. This study also proposes a novel algorithm to measure topological stock market changes as well as the incorporation of these topological changes into forecasting realized volatility (RV) models to improve their forecast performance during turbulent periods. The results of the empirical experimentation of this study provide evidence that the predictions drawn from the Topological Tail Dependence Theory are correct and indicate that the employment of PH information allows nonlinear and neural network models to better forecast RV during a turbulent period.
LINK
This paper investigates the application of neural basis expansion analysis with exogenous variables (NBEATSx) in the prediction of daily stock realized volatility for various time steps. It compares NBEATSx’s forecasting accuracy and robustness with several commonly used models, namely Long-Short Term Memory (LSTM) network, Temporal Neural Network (TCN), HAR, GARCH, and GJR-GARCH models. In this research, a total of six distinct stock indexes, three error measures, and four statistical tests are used, while three robustness tests are conducted to verify the outcomes of this paper. The findings of this research show that NBEATSx consistently yields statistically more accurate and robust forecasts than the other considered models. On average, NBEATSx generates forecasts that are respectively 13% and 8% more accurate for medium-term and long-term forecasting. Additionally, it produces forecasts that are respectively 43%, 60%, and 59% more robust for short-term, medium-term, and long-term forecasting. Yet, it should be noted that the superiority of NBEATSx in terms of forecast accuracy is not evident when applied to stock indexes from developing countries.
LINK
This paper introduces and examines a novel realized volatility forecasting model that makes use of Long Short-Term Memory (LSTM) neural networks and the risk metric financial turbulence (FT). The proposed model is compared to five alternative models, of which two incorporate LSTM neural networks and the remaining three include GARCH(1,1), EGARCH(1,1), and HAR models. The results of this paper demonstrate that the proposed model yields statistically significantly more accurate and robust forecasts than all other studied models when applied to stocks with middle-to-high volatility. Yet, considering low-volatility stocks, it can only be confidently affirmed that the proposed model yields statistically significantly more robust forecasts relative to all other models considered.
LINK
Since March 2013, Paul Peeters is a member of the ICAO/CAEP Working Group 3, which is responsible for setting a new fuel efficiency standard for of civil aviation. He does so for the International Coalition for Sustainable Aviation (ICSA). ICSA was established in 1998 by a group of national and international environmental NGOs as official observers. Since its inception, ICSA has contributed to CAEP’s work on technical means to reduce emissions and noise, the role of market-based measures, supporting economic and environmental analysis, modelling and forecasting, and ICAO’s carbon calculator. It has also been invited to present its views at ICAO workshops on carbon markets and bio-fuels, and has presented to the high-level Group on Internation Aviation and Climate Change (GIACC). ICSA uses the expertise within its NGO membership to formulate its co-ordinated positions. To gain the broadest level of understanding and input from environmental NGOs, ICSA communicates with, and invites comment from, other NGO networks and bodies working in related areas. ICSA’s participation in ICAO and CAEP meetings is currently provided by the Aviation Environment Federation (AEF), the International Council for Clean Transportation (ICCT) and Transport and Environment (T&E). See http://www.icsa-aviation.org
Een ziekenhuisopname voor een operatie heeft grote impact op kankerpatiënten. Ook als de ingreep medisch gezien goed is verlopen, leeft er bij patiënten vaak veel onzekerheid na ontslag uit het ziekenhuis. Dit komt door de complexiteit en veelheid aan behandelingen bij kanker en dit wordt extra versterkt als het ontslagproces sub-optimaal verloopt en niet aansluit bij de behoeften van patiënten. Dit is onwenselijk want het kan leiden tot vertraagd herstel, onnodige heropnames in het ziekenhuis (onnodige kosten) en stress en onzekerheid bij patiënten en hun naasten. Dit heeft een negatieve impact op het welzijn van mensen in hun leefomgeving en leidt tot een negatieve beleving van de zorgverlening. Zorgprofessionals weten echter niet wat mensen na een oncologische operatie nodig hebben om zich weer goed te voelen in hun leefomgeving en hoe zij daar vanuit de eerste en tweede lijn gezamenlijk aan kunnen bijdragen. Daarnaast is onbekend hoe zorgtechnologie zorgverleners en kankerpatiënten in hun leefomgeving daarbij kan ondersteunen. Het doel van dit onderzoek is het bevorderen van herstel en welzijn van mensen na een oncologische operatie en hun naasten, door kennisontwikkeling over hoe zorgprofessionals en ondersteuning middels technologie bij kunnen dragen aan een soepele overgang van ziekenhuis naar leefomgeving. Als uitgangpunt wordt de kennis en kunde uit het hotelvak gebruikt waar het uitchecken (ontslagprocedure) geperfectioneerd is en bijdraagt aan de goede waardering van het hotelbezoek. Om dit te realiseren is het onderzoek verdeeld in twee fasen: 1. Op basis van onderzoek naar de wensen en behoeften van kankerpatiënten en hun naasten, alsmede de ervaring van zorgprofessionals, wordt het ontslagproces herzien. 2. Er wordt onderzocht op welke wijze technologische ontwikkelingen (zoals zelfmonitoring) kunnen bijdragen aan het herstel van kankerpatiënten in de eigen leefomgeving.
