Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. 137 · № 1-4 · 2024 гру 31, 2024 статті

ІНФОРМАЦІЙНА СИСТЕМА ДЛЯ ПРОГНОЗУВАННЯ НЕЛІНІЙНИХ НЕСТАЦІОНАРНИХ ПРОЦЕСІВ У ФІНАНСАХ

ПБ
Петро Бідюк Відповідальний National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, IASA, MMSA, Ukraine Україна
РТ
Роман Тертичний National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, IASA, MMSA, Ukraine Україна
ДЧ
Денис Чупрін National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, IASA, MMSA, Ukraine Україна
Опублікованогру 31, 2024
PDF
НВКПІ 1-4 ТОМ 137 · 1-4
ТОМ 137 · № 1-4 · 2024 Переглянути випуск

Анотація

Проблематика. Фінансові процеси часто характеризуються нелінійністю та нестаціонарністю, що ускладнює їх моделювання та прогнозування. Традиційні методи не можуть адекватно врахувати складні взаємозв'язки та мінливість таких процесів, що призводить до підвищеної невизначеності і появи ризиків. Це зумовлює необхідність розробки нових інформаційних систем і методів для підвищення точності і надійності прогнозів. Мета дослідження. Виконати короткий огляд характеристик нелінійних нестаціонарних процесів, розробити методологію їх моделювання, а також виконати побудову математичних моделей на фактичних статистичних даних і отримати практично корисні результати моделювання і прогнозування вибраних процесів. Методика реалізації. Застосовано методологію моделювання й прогнозування нелінійних нестаціонарних процесів, побудовано моделі за допомогою методів інтелектуального аналізу даних, а саме регресійні моделі та нейронну мережу, також використано основні метрики для оцінювання адекватності моделі та прогнозу. Результати дослідження. Розроблену інформаційну систему для моделювання та прогнозування нелінійних нестаціонарних процесів апробовано на реальних статистичних даних. На основі методів інтелектуального аналізу даних було побудовано моделі динаміки цін акцій однієї з відомих компаній. Результати дослідження продемонстрували, що використання комплексного підходу, який включає регресійні моделі та нейронні мережі, значно покращує якість прогнозування змінної в часі дисперсії і самого нелінійного нестаціонарного процесу. Висновки. Задача високоякісного прогнозування процесів внаслідок швидких, часом погано передбачуваних змін зовнішнього середовища, тобто збурюючих впливів, що характерне для нелінійних нестаціонарних фінансових процесів є актуальною і сьогодні. У літературі подана достатня варіативність методів моделювання даних процесів. Проте в даному дослідженні обрані саме ті методи, які продемонстрували свої переваги в моделюванні фінансових операцій на фондовому ринку, а тому є сенс розширювати та вдосконалювати перспективи даного підходу.

Посилання

  1. C. Cheng, et al. Time series forecasting for nonlinear and non-stationary processes: a review and comparative study. Iie Transactions, 2015, pp. 1053-1071.
  2. A. Hasanzadeh, et al. Piecewise stationary modeling of random processes over graphs with an application to traffic prediction. In: 2019 IEEE International Conference on Big Data (Big Data). IEEE, 2019, pp. 3779-3788.
  3. Y. Chang, J. Y. Park, P. C. Phillips. Nonlinear econometric models with cointegrated and deterministically trending regressors. The Econometrics Journal, 4.1, 2001, pp. 1-36.
  4. J. Y. Park. Nonstationary nonlinearity: An outlook for new opportunities. mimeographed, Deparment of Economics, Rice University, pp. 21-23, 2003.
  5. P.I. Bidyuk, L.O. Korshevnyuk. Design of computer information systems for decision support. Kyiv: Educational book, ESC "IASA" NTUU "KPI", 2010, p. 340.
  6. K. Turkman, M. G. Scotto, Z. B. Patrícia. Non-linear time series (Vol. 30). Switzerland: Springer Publications, 2014, pp. 121-193.
  7. H. Tsai, K. S. Chan. Testing for nonlinearity with partially observed time series. Great Britain: Biometrika, 2000, pp. 805-821.
  8. C. He, R. Sandberg. Dickey–Fuller type of tests against nonlinear dynamic models. Stockholm: Oxford Bulletin of Economics and Statistics, 2006, pp. 835-861.
  9. A. B. Abdul-Hameed, O. G. Matanmi. A modified Breusch–Pagan test for detecting heteroskedasticity in the presence of outliers. Nigeria: Pure and Applied Mathematics Journal, 2021, pp. 139-149.
  10. J. A. Visek. Empirical distribution function under heteroscedasticity. Czech Republic: Statistics, 45(5), 2011, pp. 497-508.
  11. S. Bianconcini, E. B. Dagum, P. Maass, T. Alexandrov, T. S. McElroy. A review of some modern approaches to the problem of trend extraction. Washington: Econometric Reviews, 31(6), 2012, pp. 593-624.
  12. T. Alexandrov. A method of trend extraction using singular spectrum analysis. Germany: Center for Industrial Mathematics, 2008, pp. 1-23.
  13. J. M. Dufour, M. G. Dagenais. Durbin-Watson tests for serial correlation in regressions with missing observations. Canada: Journal of Econometrics, 27(3), 1985, pp. 371-381.
  14. J. E. Cavanaugh, A. A. Neath. The Akaike information criterion: Background, derivation, properties, application, interpretation, and refinements. Iowa: Wiley Interdisciplinary Reviews, Computational Statistics, 11(3), 2019, pp. 1-11.
  15. T. O. Hodson. Root mean square error (RMSE) or mean absolute error (MAE): When to use them or not. USA: Geoscientific Model Development Discussions, 2022, pp. 5481-5487.
  16. P.I. Bidyuk, et al. Adaptive modeling and forecasting economic and financial processes. Ukraine: Informatics and Mathematical Methods in Simulation
  17. Vol. 9, No. 4, 2019, pp. 231-250.
  18. J. Fan, Q. Yao. Nonlinear Time Series: Nonparametric and Parametric Methods. New York: Springer, 2003, pp. 143—179.
  19. R.S. Tsay, Analysis of financial time series. Chicago: Wiley & Sons, Ltd., 2010, pp. 115—140.
  20. A. Sagheer, M. Kotb, Time series forecasting of petroleum production using deep LSTM recurrent networks. Neurocomputing, 2019, pp. 203-213.
  21. S. Siami-Namini, N. Tavakoli, A. S. Namin. A comparison of ARIMA and LSTM in forecasting time series. Texas: International conference on machine learning and applications (ICMLA), 2018. pp. 1394-1401.
§ 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