|
DOI: 10.14489/vkit.2020.06.pp.003-011
Сай Ван Квонг, Щербаков М. В.
ПРОГНОЗИРОВАНИЕ ВЫСОКОЧАСТОТНЫХ ВРЕМЕННЫ́Х РЯДОВ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ И СТАТИСТИЧЕСКИМИ МЕТОДАМИ В АВТОМАТИЧЕСКОМ РЕЖИМЕ
(c. 3-11)
Аннотация. В процессе анализа проблемы прогнозирования высокочастотных временны́х рядов в автоматическом режиме (без участия эксперта) исследуется эффективность их прогнозирования с использованием различных статистических моделей и моделей машинного обучения. Классические статистические методы прогнозирования сравниваются с моделями нейронных сетей на основе 1000 наборов синтетических высокочастотных данных при различных горизонтах прогнозирования. Нейросетевые модели дают лучшие результаты прогнозирования, однако требуется больше времени для вычисления по сравнению со статистическими подходами.
Ключевые слова: прогнозирование высокочастотных временны́х рядов; качество прогнозирования; статистические методы прогнозирования; методы машинного обучения; нейронные сети.
Sai Van Cuong, Shcherbakov M. V.
STATISTICAL AND MACHINE LEARNING HIGH-FREQUENCY TIME SERIES FORECASTING METHODS IN AUTOMATIC MODE
(pp. 3-11)
Abstract. The research of the problem of automatic high-frequency time series forecasting (without expert) is devoted. The efficiency of high-frequency time series forecasting using different statistical and machine learning modelsis investigated. Theclassical statistical forecasting methods are compared with neural network models based on 1000 synthetic sets of high-frequency data. The neural network models give better prediction results, however, it takes more time to compute compared to statistical approaches.
Keywords: Forecasting high-frequency time series; Forecasting Quality; Statistical forecasting methods; Machine learning methods; Neural networks.
Сай Ван Квонг, М. В. Щербаков (Волгоградский государственный технический университет, Волгоград, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
Sai Van Cuong, M. V. Shcherbakov (Volgograd State Technical University, Volgograd, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Majid R., Mir S. A. Advances in Statistical Forecasting Methods: An Overview // Economic Affairs. 2018. No. 63(4). P. 815 – 831.
2. Prochazka J., Flimmel S., Milan Jantos, Basta M. Long Seasonal Periods Modeling // 19th Applications of Mathematics and Statistics in Economics. BanskaStiavnica. Slovakia. 31 Aug – 4 Sep 2016. Slovakia, 2016. P. 292 – 301.
3. Adaptive Time Series Forecasting of Energy Consumption Using Optimized Cluster Analysis / P. Laurinec, M. Loderer, P. Vrablecova et al. // IEEE 16th International Conference on Data Mining Workshops (ICDMW). December 2016. P. 398 – 405.
4. Wong W. K., Xia M. & Chu W. C. Adaptive Neural Network Model for Time-series Forecasting // European Journal of Operational Research. 2010. No. 207(2). P. 807 – 816.
5. Electric Load Forecasting Using an Artificial Neural Network / D. C. Park, M. A. El-Sharkawi, R. J. Marks et al. // IEEE Transactions on Power Systems. 1991. No. 6(2). P. 442 – 449.
6. Ortega L., Khashanah K. A Neuro‐wavelet Model for the Short‐term Forecasting of High‐frequency Time Series of Stock Returns // Journal of Forecasting. 2014. No. 33(2). P. 134 – 146.
7. Forecast Package. URL: https://cran.r-project.org/ web/packages/forecast/index.html (accessed: 08.12.2019).
8. A Survey of Forecast Error Measures / M. Shcherbakov, A. Brebels, N. Shcherbakova et al. // Information Technologies in Modern Industry. Education & Society. 2013. No. 24. P. 171 – 176.
9. Sai C., Davydenko A., Shcherbakov M. Data Schemas for Forecasting (with Examples in R) // Seventh International Conference on System Modelling & Advancement on Research Trends Moradabad. India. 23–24 November, 2018. P. 145 – 149.
10. Krasheninnikov V. R., Kuvayskova Yu. E., Shunina Yu. S., Klyachkin V. N. Updating of Models Predicting Objects’ State as Time Series Systems and Multivariate Classifier // Herald of Computer and Information Technologies. 2017. P. 11 – 16.
1. Majid R., Mir S. A. (2018). Advances in Statistical Forecasting Methods: An Overview. Economic Affairs, 63(4), pp. 815 – 831.
2. Prochazka J., Flimmel S., Milan Jantos, Basta M. (2016). Long Seasonal Periods Modeling. 19th Applications of Mathematics and Statistics in Economics. BanskaStiavnica, pp. 292 – 301. Slovakia.
3. Laurinec P., Loderer M., Vrablecova P. et al. (2016). Adaptive Time Series Forecasting of Energy Consumption Using Optimized Cluster Analysis. IEEE 16th International Conference on Data Mining Workshops (ICDMW), pp. 398 – 405.
4. Wong W. K., Xia M. & Chu W. C. (2010). Adaptive Neural Network Model for Time-series Forecasting. European Journal of Operational Research, 207(2), pp. 807 – 816.
5. Park D. C., El-Sharkawi M. A., Marks R. J. et al. (1991). Electric Load Forecasting Using an Artificial Neural Network. IEEE Transactions on Power Systems, 6(2), pp. 442 – 449.
6. Ortega L., Khashanah K. (2014). A Neuro‐wavelet Model for the Short‐term Forecasting of High‐frequency Time Series of Stock Returns. Journal of Forecasting, 33(2), pp. 134 – 146.
7. Forecast Package. Available at: https://cran.r-project.org/ web/packages/forecast/index.html (Accessed: 08.12.2019).
8. Shcherbakov M., Brebels A., Shcherbakova N. et al. (2013). A Survey of Forecast Error Measures. Information Technologies in Modern Industry. Education & Society, 24, pp. 171 – 176.
9. Sai C., Davydenko A., Shcherbakov M. (2018). Data Schemas for Forecasting (with Examples in R). Seventh International Conference on System Modelling & Advancement on Research Trends Moradabad, pp. 145 – 149. India.
10. Krasheninnikov V. R., Kuvayskova Yu. E., Shunina Yu. S., Klyachkin V. N. (2017). Updating of Models Predicting Objects’ State as Time Series Systems and Multivariate Classifier. Herald of Computer and Information Technologies, pp. 11 – 16.
|
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»