Аннотації

ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ МЕТОДОМ ЗІСТАВЛЕННЯ ЗІ ЗРАЗКОМ

Автор(и):
Кучанський О. Ю., Ніколенко В. В.
Дата публікації:

20.03.2015

Анотація (укр):

Розглянуто альтернативні формули для знаходження оцінок прогнозів за цим методом часових рядів, які є персистентними, проте близькі до випадкових. Дослідження на персистентність може бути проведене на основі фрактального R/S-аналізу часового ряду шляхом розрахунку показника Херста. В даному дослідженні введені поняття рівності, -еквівалентності та -еквівалентності часових рядів. Наведені теоретичні викладки можуть бути використані для прогнозування булевих часових рядів та дискретних часових рядів, які приймають скінченні цілі значення з деякого заданого відрізку. Наведено формули для розрахунку довірчих інтервалів прогнозів для даних часових рядів.

Анотація (рус):

Рассмотрены альтернативные формулы для расчета оценок прогнозов по этому методу для персистентных, но близким к случайным, временных рядов. Исследование на персистентность может быть проведено на базе фрактального R/S-анализа временного ряда методом расчета показателя Херста. В этом исследовании введены понятия равенства, -эквивалентности и -эквивалентности временных рядов. Теоретические обоснования могут быть использованы для прогнозирования булевых временных рядов и дискретных временных рядов, которые принимают конечные целые значения с фиксированного отрезка. Приведены формулы для расчета доверительных интервалов прогнозов для данных временных рядов.

Анотація (англ):

The problem of discrete time series prediction often occurs in the management of complex systems and projects, and decision-making in the economy and finance, particularly in the pre-investment analysis, risk management etc. In the case when these time series are close to random is difficult to calculate forecast estimates based on classical models and econometric methods. So problem is to build new forecasting methods and modifications of known techniques that are designed to work with such time series. One method, which is used in such circumstances is the pattern matching method. In this study considered alternative formulas for estimates forecasts of time series (which is persistent but close to random) according to this method. Research on persystentnist can be made based on fractal R / S-analysis of time series by calculating the index Hurst. In this study introduced the notions of equality, -equivalence and - equivalence of time series. These theoretical calculations can be used to forecast boolean and discrete time series. The formula to calculate confidence intervals for forecasts data time series is given.

Література:

  1. Берзлев (Кучанский) А.Ю. Разработка комбинированных моделей прогнозирования с кластеризацией временных рядов по методу ближайшего соседа [Текст] / А.Ю. Берзлев // Автоматизированные системы управления и приборы автоматики: сб. науч. трудов. – Харьков: ХНУРЭ, 2012. – Вып. 161. – С. 51-59.
  2. Берзлев (Кучанський) О.Ю. Метод прогнозування знаків приростів часових рядів [Текст] / О.Ю. Берзлев // Eastern-European Journal of Enterprise Technologies. – Харків, 2013. – Вип. 2/4, ном. 62. – С. 8-11.
  3. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов [Текст]: Учеб. пособие / Ю.П. Лукашин. – М.: Финансы и статистика, 2003. –  416 с.
  4. Vercellis, C. Business intelligence: data mining and optimization for decision making [Текст] / С. Vercellis. – Cornwall: John Wiley & Sons Ltd. Publication, 2009. – 417 p. 
  5. Azoff, M. E. Neural Network Time Series Forecasting of Financial Markets [Текст] / M. E. Azoff. – John Wiley and Sons, 1994. – 212 p.
  6. Снитюк В.Є. Прогнозування. Моделі. Методи. Алгоритми [Текст]: Навчальний посібник / В. Снитюк. – К.: «Маклаут», 2008. –  364 с.
  7. Ferreira C. Gene Expression Programming. A new adaptive Algorithm for solving Problems [Текст] / C. Fereira // Complex Systems. – 2001. – Vol. 13, No. 2. – pp 87–129.
  8. Barbulescu A. Time Series Modeling Using an Adaptive Gene Expression Programming Algorithm [Текст] / A. Barbulesku, E. Bautu // International Journal of Mathematics and Computation. – 2009. – Vol. 3, Issue 2. – P. 85–93.
  9. Матвійчук А.В. Моделювання економічних процесів із застосуванням методів нечіткої логіки [Текст] / А.В. Матвійчук. – К.: КНЕУ, 2007. – 264 с.
  10. Berzlev (Kuchansky) A. Information system of forecasting based on combined models with time series clustering [Текст] / A. Berzlev // International Journal «Information Models and Analysіs». – ITHEA, 2014. – Vol. 3, Num. 1. P. 16-23.
  11. Берзлев (Кучанський) О.Ю. Інформаційна система для прогнозування і прийняття рішень у фінансовій сфері [Текст] / О.Ю. Берзлев, А.О. Білощицький // Управління розвитком складних систем. – Київ, 2014. – Вип. 18.
    – С. 106-111.
  12. Берзлев (Кучанський) О.Ю. Сучасний стан інформаційних систем прогнозування часових рядів [Текст] / О.Ю. Берзлев // Управління розвитком складних систем: зб. наук. праць. – Київ, 2013.  – Вип. 13. – С. 78-82.
  13. Singh S. Pattern Modeling in Time-Series Forecasting [Текст] / S. Singh // Cybernetics and Systems. An International Journal. – 2000. – Vol. 31, no. 1. – P. 49–65.
  14. Perlin M.S. Nearest neighbor method [Текст] / M.S. Perlin // Revista   Eletrônica   de Administração. – 2007. – Vol. 13, No. 2. – 15  p.
  15. Fernández-Rodríguez F. Nearest-Neighbour Predictions in Foreign Exchange Markets [Текст] / F. Fernández-Rodríguez, S. Sosvilla-Rivero, J. Andrada-Félix  // Fundacion de Estudios de Economia Aplicada. – 2002. – no.5. – 36 p.
  16. Chang C.L.E. Clustering for approximate similarity search in high-dimensional spaces [Текст] / C.L.E. Chang, H. Garcia-Molina, G. Wiederhold // IEEE Transactions on Knowledge and Data Engineering. – 2002. – Vol. 14, no.4.
     – P. 792–808.
  17. Peters E. E. Fractal market analysis: applying chaos theory to investment and economics [Текст] / E. Peters. – John Wiley & Sons Inc, 1994. – 336 p. 
  18. Берзлев (Кучанський) О.Ю. Методика передпрогнозного фрактального аналізу часових рядів [Текст] / О.Ю. Берзлев // Управління розвитком складних систем. – Київ, 2013. – Вип. 16. – С. 76-81.
  19. Hurst H.E. Long-term storage capacity of reservoirs [Текст] / Н. Hurst // Transactions of the American Society of Civil Engineers. –  1951. – Vol. 116. –   P. 770–799.
  20. Anis A. The expected value of the adjusted rescaled Hurst Range of independent normal summands [Текст] / A. Anis, E. Lloyd // Biometrika. – 1976. – Vol. 63. – P. 111–116.

References:

  1. Berzlev (Kuchansky), A. (2012). Development of combined forecasting models from time series clustering method for nearest neighbor. Management Information System and Devices,161, P. 51–59.
  2. Berzlev (Kuchansky), A. (2013). A method of increments sings forecasting of time series. Eastern-European Journal of Enterprise Technologies, 2/4, 62. P. 8–11.
  3. Lukashin, Yu. P. (2003). Adaptive methods of near-term time series forecasting. Moscow: Finanse and Statistics. 416 p.
  4. Vercellis, C. (2009). Business intelligence: data mining and optimization for decision making. John Wiley & Sons, Ltd., Publication, 417 p.
  5. Azoff, M.E.(1994). Neural Network Time Series Forecasting of Financial Markets. John Wiley & Sons, Ltd., Publication, 212 p.
  6. Snytyuk, V.E. (2008). Forecasting. Models. Methods. Algorithms. Kyiv: Maklaut, 364 p.
  7. Ferreira, C. (2001). Gene expression programming. A new adaptive algorithm for solving problems. Complex Systems, 13(2), P. 87–129.
  8. Barbulescu, A., & Bautu, E. (2009). Time series modeling using an adaptive gene expression programming algorithm. International Journal of Mathematics and Computation, 3(2), P. 85–93.
  9. Matviychuk, A.V. Economic processes modeling using fuzzy logic methods, Kyiv: KNEU, 264 p.
  10. Berzlev (Kuchansky), A. (2014). Information system of forecasting based on combined models with time series clustering. International Journal «Information Models and Analysіs», ITHEA, 3(1), P. 16-23.
  11. Berzlev (Kuchansky), A.Yu, & Biloshchytskyy A.O. (2014). Forecasting information system for financial decision making, 18, P. 106-111.
  12. Berzlev (Kuchansky), A. (2013). The current state of information systems of time series forecasting. Management of development of difficult systems, 13, P. 78-82.
  13. Singh, S. (2000). Pattern modeling in time-series forecasting. Cybernetics and Systems. An International Journal, 31(1), P. 49-65.
  14. Perlin, M.S. (2007). Nearest neighbor method. Revista   Eletrônica   de Administração, 13(2), 15  p.  
  15. Fernández-Rodríguez, F., Sosvilla-Rivero, S., & Andrada-Félix, J. (2002). Nearest-neighbour predictions in foreign exchange markets. Fundacion de Estudios de Economia Aplicada, 5, 36 p.
  16. Chang, C.L.E., Garcia-Molina, H., & Wiederhold, G. (2002). Clustering for approximate similarity search in high-dimensional spaces, IEEE Transactions on Knowledge and Data Engineering, 14 (4),  P. 792-808.
  17. Peters, E. E. (1994). Fractal market analysis: applying chaos theory to investment and economics. John Wiley & Sons Inc,  336 p. 
  18. Berzlev (Kuchansky), A. (2013). Methods of pre-forecasting fractal time series analysis. Management of development of difficult systems, 16, P. 76-81.
  19. Hurst, H.E. (1951). Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers, 116,  P. 770–799.
  20. Anis, A., & Lloyd, E. (1976). The expected value of the adjusted rescaled Hurst Range of independent normal summands. Biometrika, 63, P. 111–116.