Интернет конференция по проблемам теории и практики управленияНазвание: Прогнозирование высокочастотных временных рядов в автоматическом режиме пакетами R
Автор: Квонг Сай Ван
Соавторы:
Максим Владимирович Щербаков
Аннотация:
В работе анализируется проблема прогнозирования высокочастотных временных рядов в автоматическом режиме (без участия эксперта). Исследуется эффективность прогнозирования высокочастотных временных рядов с использованием различных моделей, реализованных в пакетах R: нейронные сети, TBATS, и ансамбля известных статистических моделей (комбинированных моделей. Выделены инвариантные этапы автоматического прогнозирования. В результате экспериментов на различных выборках высокочастотных синтетических данных подтверждена гипотеза о превосходстве моделей нейронных сетей по точности прогнозирования. Тем не менее следует отметить незначительное, но статистически значимое превосходство нейросетевых подходов по отношению к другим, более простым и лучше интерпретируемым. Подходы автоматического прогнозирования целесообразно использовать для сравнительно простых временных рядов, целесообразно начинать эксперименты с ансамблей простых статистических моделей.
Ключевые слова:
прогнозирование высокочастотных данных, генерация синтетических данных, TBATS, ARIMA, STL-декомпозиция, экспоненциальное сглаживание (ETS), ряд Фурье, нейронные сети, качество прогнозирования, ошибка прогнозирования
Автор: Квонг Сай Ван
Соавторы:
Максим Владимирович Щербаков
Аннотация:
В работе анализируется проблема прогнозирования высокочастотных временных рядов в автоматическом режиме (без участия эксперта). Исследуется эффективность прогнозирования высокочастотных временных рядов с использованием различных моделей, реализованных в пакетах R: нейронные сети, TBATS, и ансамбля известных статистических моделей (комбинированных моделей. Выделены инвариантные этапы автоматического прогнозирования. В результате экспериментов на различных выборках высокочастотных синтетических данных подтверждена гипотеза о превосходстве моделей нейронных сетей по точности прогнозирования. Тем не менее следует отметить незначительное, но статистически значимое превосходство нейросетевых подходов по отношению к другим, более простым и лучше интерпретируемым. Подходы автоматического прогнозирования целесообразно использовать для сравнительно простых временных рядов, целесообразно начинать эксперименты с ансамблей простых статистических моделей.
Ключевые слова:
прогнозирование высокочастотных данных, генерация синтетических данных, TBATS, ARIMA, STL-декомпозиция, экспоненциальное сглаживание (ETS), ряд Фурье, нейронные сети, качество прогнозирования, ошибка прогнозирования
Изменено:
Квонг Сай Ван - 06.11.2020 07:20:51