Аннотації
30.05.2014
Побудовано автоматизовану персональну локальну інформаційну систему обробки даних як систему прогнозування і підтримки прийняття рішень у фінансовому секторі, в якій синтезовані запропоновані математичні моделі та методи прогнозування фінансових часових рядів. Інформаційна система забезпечує виконання таких задач: передпрогнозний фрактальний аналіз часового ряду, реалізація комбінованих моделей прогнозування рівнів та знаків приростів часових рядів, ідентифікація моментів зміни їх тенденцій для прийняття фінансових рішень.
Построена автоматизированная персональная локальная информационная система обработки данных как система прогнозирования и поддержки принятия решений в финансовом секторе, в которой синтезированы предложенные математические модели и методы прогнозирования финансовых временных рядов. Информационная система обеспечивает выполнение следующих задач: предпрогнозный фрактальный анализ временного ряда, реализация комбинированных моделей прогнозирования уровней и знаков приростов временных рядов, идентификация моментов изменения их тенденций для принятия финансовых решений.
The forecasting information system that is based on adaptive combined models of hybrid and selective types according to various criteria of selection, the previous history indexing methods for nearest neighbor and K-nearest neighbors was suggested. Indexing options, proximity measure, other models indicators can be defined by users in the course of the forecast. Information system solves three actual problems: time values series forecasting with determined predicted horizon, time series increments forecasting to one point forward and identification of time series moments of variation trends. Results of the comparative analysis suggest that the proposed models, which are the components of information system provide a higher accuracy. Under this information system the method of pre-forecasting fractal time series analysis, based on the sequential R/S-analysis is offered. Developing of effective time series forecasting information systems is an urgent task for both for theory and practice. In particular, this system can be used by analysts, investors and traders to solve problems of money management, investment, planning and so on.
1. Fernández-Rodríguez, F. Nearest-Neighbour Predictions in Foreign Exchange Markets / F. Fernández-Rodríguez,
S. Sosvilla-Rivero, J. Andrada-Félix // Fundacion de Estudios de Economia Aplicada. – 2002. – no.5. – 36 p.
2. Лукашин, Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. Пособие /
Ю.П. Лукашин. – М.: Финансы и статистика, 2003. – 416 с.
3. Box, G.E.P., Jenkins, G.M., Time series analysis: forecasting and control / G. Box, G. Jenkins. – San Francisco: Holden-Day, 1976. – 575 p.
4. Singh, S. Pattern Modeling in Time-Series Forecasting / S. Singh // Cybernetics and Systems. An International Journal. – 2000. – Vol. 31, no. 1. – P. 49-65.
5. Vercellis, C. Business intelligence: data mining and optimization for decision making / С. Vercellis. – Cornwall: John Wiley & Sons Ltd. Publication, 2009. – 417 p.
6. Peters, E. E. Fractal market analysis: applying chaos theory to investment and economic / E. Peters. – John Wiley & Sons, Inc, 1994. – 336 p.
7. Берзлев, О.Ю. Методика передпрогнозного фрактального аналізу часових рядів / О.Ю. Берзлев // Управління розвитком складних систем, КНУБА. – 2013. – Вип. 16. – С. 76-81.
8. Берзлев, А.Ю. Разработка комбинированных моделей прогнозирования с кластеризацией временных рядов по методу ближайшего соседа / А.Ю. Берзлев // Автоматизированные системы управления и приборы автоматики, Харьковский национальный университет радиоэлектроники. – 2012. – Вып. 161. – С. 51-59.
9. Берзлев, О.Ю. Метод прогнозування знаків приростів часових рядів / О.Ю. Берзлев // Eastern-European Journal of Enterprise Technologies. – 2013. – Вип. 2/4, ном. 62. – С. 8-11.
10. Берзлев, О.Ю. Методи ідентифікації моментів зміни тенденцій часового ряду для вироблення стратегій прийняття рішень на фінансовому ринку / О.Ю. Берзлев // Системы обработки информации. – 2013. – Вип. 9(116). – С. 194-199.
11. Берзлев, О.Ю. Сучасний стан інформаційних систем прогнозування часових рядів / О.Ю. Берзлев // Управління розвитком складних систем, КНУБА. – 2013. – Вип. 13. – С. 78-82.
1. Fernández-Rodríguez, F. Sosvilla-Rivero, S. Andrada-Félix, J. (2002). Nearest-Neighbour Predictions in Foreign Exchange Markets. Fundacion de Estudios de Economia Aplicada, no.5, 36 p.
2. Lukashin, Yu. P. (2003) Adaptive methods of near-term time series forecasting. Moscow: Finanse and Statistics. 416 p.
3. Box G.E.P. Jenkins, G.M. (1976). Time series analysis: forecasting and control. San Francisco: Holden-Day, 575 p.
4. Singh, S. (2000) Pattern Modeling in Time-Series Forecasting. Cybernetics and Systems. An International Journal. Vol. 31, no. 1. P. 49-65.
5. Vercellis, C. (2009). Business intelligence: data mining and optimization for decision making. John Wiley & Sons, Ltd., Publication, 417 p.
6. Peters, E. E. (1994) Fractal market analysis: applying chaos theory to investment and economics. John Wiley & Sons, Inc, 336 p.
7. Berzlev, A. (2013) Methods of pre-forecasting fractal time series analysis. Management of development of difficult systems, Kyiv, Ukraine: KNUCA, 16, P. 76-81.
8. Berzlev, A. (2012) Development of combined forecasting models from time series clustering method for nearest neighbor. Management Information System and Devices,161, P. 51-59
9. Berzlev, A. (2013) A method of increments sings forecasting of time series. Eastern-European Journal of Enterprise Technologies, 2/4, 62. P. 8-11.
10. Berzlev, A. (2013) Method of identification of the time series moments of trends variation for decision strategies on the financial market. Systems of information processing, 9(116), P. 194-199.
11. Berzlev, A. (2013) The current state of information systems of time series forecasting. Management of development of difficult systems, Kyiv, Ukraine: KNUCA, 13, P. 78-82.