Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. · № 3 · 2020 сер 13, 2020 статті

БАЙЄСІВСЬКИЙ АНАЛІЗ ДАНИХ У МОДЕЛЮВАННІ ТА ПРОГНОЗУВАННІ НЕЛІНІЙНИХ НЕСТАЦІОНАРНИХ ПРОЦЕСІВ

LL
Liudmyla B. Levenchuk Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна
PB
Petro I. Bidyuk Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна
Опублікованосер 13, 2020
PDF
НВКПІ 3 ТОМ · 3
ТОМ · № 3 · 2020 Переглянути випуск

Анотація

Проблематика. Нелінійні нестаціонарні процеси, що виникають у різних сферах діяльності людини, пов’язані з великою кількістю невизначеностей, нечіткістю, неповнотою та неточністю даних. Для прогнозування таких процесів необхідно коректно опрацьовувати дані такого типу, тому актуальною є задача розробки і застосування нових методів, які дають можливість здійснювати належну обробку вхідних даних з метою моделювання і прогнозування досліджуваних процесів. Мета дослідження. Виконати короткий огляд методів байєсівського аналізу даних, розробити методику ідентифікації та врахування можливих невизначеностей у моделюванні й прогнозуванні, а також запропонувати комплексну імовірнісно-статистичну модель для прогнозування нелінійних нестаціонарних процесів. Методика реалізації. Комплексно застосовано: байєсівський метод обробки даних, оптимальний фільтр для попередньої обробки даних та їх підготовки до побудови моделей, лінійну та нелінійну регресійні моделі для формального опису і прогнозування умовної дисперсії та ймовірнісну модель у формі байєсівської мережі для прогнозування нелінійного нестаціонарного процесу. Результати дослідження. Запропонований метод моделювання апробовано на задачі оцінювання прогнозів фінансового процесу на фондовому ринку. Використані статистичні дані описують еволюцію цін на акції для відомої компанії. В результаті виконання обчислювальних експериментів було встановлено, що якість короткострокових прогнозів волатильності й самого нелінійного нестаціонарного процесу значно поліпшується завдяки оптимальній фільтрації даних і раціональній структурі моделі. Застосування побудованої комплексної моделі з використанням байєсівської мережі надало можливість удосконалити ймовірнісне оцінювання прогнозів при здійсненні торговельних операцій на фондовому ринку. Висновки. Оцінювання прогнозів нелінійних нестаціонарних процесів є актуальною задачею, що може розв’язуватися різними методами. Високоефективним виявився запропонований ймовірнісно-статистичний метод для оцінювання ймовірнісних прогнозів при здійсненні торговельних операцій на фондовому ринку акцій, а тому в подальшому перспективним буде розширення та удосконалення його застосування.

Ключові слова

Посилання

  1. P.D. Hoff, A First Course in Bayesian Statistical Methods . London, UK: Springer-Verlag, 2009, pp. 31–65.
  2. J. Pearl, Probabilistic Reasoning in Intelligent Systems . San Francisco: Morgan Kaufmann Publishers, 1988, pp. 77–141.
  3. S.J. Press, Subjective and Objective Bayesian Statistics . Hoboken: Wiley-Interscience, 2002, pp. 264–280.
  4. M.Z. Zgurovskii and P.I. Bidyuk, Bayesian Networks in Decision Support Systems . Kyiv, Ukraine: Edelweiss, 2015, pp. 12–23.
  5. S.O. Dovgiy et al. , Decision Support Systems Based on Statistical and Probabilistic Methods . Kyiv, Ukraine: Logos, 2014, pp. 94–107.
  6. P.I. Bidyuk et al. , Mathematical Statistics . Kyiv, Ukraine: Personal, 2018, pp. 138–243.
  7. B. Chen, “A Bayesian sampling approach to decision fusion using hierarchical models”, IEEE Trans. Signal Process. vol. 50, no. 8, pp. 1809–1818, 2002. doi: 10.1109/TSP.2002.800419
  8. J.H. Dorfman, Bayesian Economics Through Numerical Methods: A Guide to Econometrics and Decision Making with Prior Information . New York: Springer-Verlag, 1997, pp. 88–96.
  9. W.R. Gilks et al. , Markov Chain Monte Carlo in Practice . Boca Raton: Chapman & Hall/CRC, 1995, pp. 45–59.
  10. A.C. Harvey, Forecasting, Structural Time Series Models and the Kalman Filter . Cambridge, UK: University of Cambridge, 1990, pp. 100–167.
  11. R.S. Tsay, Multivariate Time Series Analysis with R and Financial Applications . Hoboken: Wiley-Interscience, 2014, pp. 279–319.
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ

Валерій Лось, Олександр Ряхін

Проблематика. Параболічні диференціальні рівняння є математичними моделями інженерії, призначеними для дослідження широкого кола прикладних задач. Це приводить до…

#рівняння теплопровідності #мішана параболічна задача #еліптична область #фізико-інформативна нейронна мережа
10.20535/kpisn.2026.3.367316

ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ ПАРКОВОК

Олександр Гончарук, Надія Недашківська

Проблематика. Точна оцінка площі асфальтованих парковок є важливою для містобудування та екологічного моніторингу. Однак спектральна подібність асфальту паркувальних…

#семантична сегментація #супутникові знімки #паркінг #нейронна мережа
10.20535/kpisn.2026.3.367540

ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ

Вадим Романюк

Проблематика. Задачі розподілу обмежених ресурсів між взаємозалежними однорідними об’єктами виникають у багатьох прикладних сферах — зокрема, під час конкурсного…

#розподіл ресурсів #однорідні компоненти #взаємозалежності #аналітичний мережевий процес
10.20535/kpisn.2026.3.368158

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 54

Ви також можете розпочати розширений пошук схожих статей для цієї статті.