Прогнозування часових рядів методом селективного зіставлення зі зразком

Автор(и)

  • Олександр Юрійович Кучанський Київський національний університет будівництва і архітектури просп. Повітрофлотський, 31, м. Київ, Україна, 03680, Україна https://orcid.org/0000-0003-1277-8031
  • Андрій Олександрович Білощицький Київський національний університет будівництва і архітектури просп. Повітрофлотський, 31, м. Київ, Україна, 03680, Україна https://orcid.org/0000-0001-9548-1959

DOI:

https://doi.org/10.15587/1729-4061.2015.54812

Ключові слова:

часовий ряд, прогнозування, індексація, знак приросту, зіставлення зі зразком

Анотація

Пропонується метод селективного зіставлення зі зразком для прогнозування знаків приростів фінансових часових рядів. Підхід базується на індексації часових рядів для знаходження в їх динаміці подібних ділянок на основі методу К-найближчих сусідів, а також селективного групування цих ділянок за знаками приростів, які спостерігаються після їх завершення.

Біографії авторів

Олександр Юрійович Кучанський, Київський національний університет будівництва і архітектури просп. Повітрофлотський, 31, м. Київ, Україна, 03680

Кандидат технічних наук, доцент кафедри інформаційних технологій

Кафедра інформаційних технологій

Андрій Олександрович Білощицький, Київський національний університет будівництва і архітектури просп. Повітрофлотський, 31, м. Київ, Україна, 03680

Доктор технічних наук, професор, завідувач кафедри інформаційних технологій

Кафедра інформаційних технологій

Посилання

  1. Azoff, M. E. (1994). Neural Network Time Series Forecasting of Financial Markets. Cornwall: John Wiley & Sons, 212.
  2. Ferreira, C. (2001). Gene expression programming. A new adaptive algorithm for solving problems. Complex Systems, 13 (2), 87–129.
  3. Barbulescu, A., Bautu, E. (2009). Time series modeling using an adaptive gene expression programming algorithm. International Journal of Mathematics and Computation, 3 (2), 85–93.
  4. Matviychuk, A. V. (2007). Economic processes modeling using fuzzy logic methods. Kyiv: KNEU, 264.
  5. Snytyuk, V. E. (2008). Forecasting. Models. Methods. Algorithms. Kyiv: Maklaut, 364.
  6. Lukashin, Yu. P. (2003). Adaptive methods of near-term time series forecasting. Moscow: Finanсe and Statistics, 416.
  7. Box, G. E. P., Jenkins, G. M. (1976). Time series analysis: forecasting and control. San Francisco: Holden-Day, 575.
  8. Brown, R. G. (1959). Statistical forecasting for inventory control. US: McGraw-Hill Inc., 223.
  9. Holt, C. C. (1957). Forecasting trends and seasonal by exponentially weighted averages. International. Journal of Forecasting, 20 (1), 5–10.
  10. Vercellis, C. (2009). Business intelligence: data mining and optimization for decision making. Cornwall: John Wiley & Sons, 417. doi: 10.1002/9780470753866
  11. Berzlev, A. (2013). A method of increments sings forecasting of time series. Eastern-European Journal of Enterprise Technologies, 2 (4 (62)), 8–11. Available at: http://journals.uran.ua/eejet/article/view/12362/10250
  12. Berzlev, A. (2012) Development of combined forecasting models from time series clustering method for nearest neighbor. Management Information System and Devices, 161, 51–59.
  13. Singh, S. (2000). Pattern modeling in time-series forecasting. Cybernetics and Systems. An International Journal, 31 (1), 49–65. doi: 10.1080/019697200124919
  14. Perlin, M. S. (2007). Nearest neighbor method. Revista Eletrônica de Administração, 13 (2), 15.
  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.
  16. Peters, E. E. (1994). Fractal market analysis: applying chaos theory to investment and economics. Cornwall: John Wiley & Sons, 36.
  17. Hurst, H. E. (1951). Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers, 116, 770–799.
  18. Berzlev, A. (2013). Methods of pre-forecasting fractal time series analysis. Management of development of difficult systems, 16, 76–81.
  19. Anis, A., Lloyd, E. (1976). The expected value of the adjusted rescaled Hurst Range of independent normal summands. Biometrika, 63, 111–116. doi: 10.2307/2335090
  20. Kahveci, T., Singh, A. (2001). Variable length queries for time series data. Proceedings of the 17th International Conference on Data Engineering, Heidelberg, Germany, 273–282. doi: 10.1109/icde.2001.914838
  21. 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), 792–808. doi: 10.1109/tkde.2002.1019214
  22. Zaychenko, Y. (2008). Fuzzy models and methods in intelligent systems. Kiev: Slovo, 344.
  23. Goldin, D. Q., Kanellakis, P. C. (1995). On Similarity Queries for Time-Series Data: Constraint Specification and Implementation. Proceedings of the 1-st International Conference on the Principles and Practice of Constraint Programming. Cassis, France, 137–153. doi: 10.1007/3-540-60299-2_9
  24. Kuchansky, A., Nikolenko, V. (2015). Pattern matching method for time-series forecasting. Management of Development of Complex Systems, 22, 101–106.
  25. Berzlev, A. (2013). The current state of information systems of time series forecasting. Management of development of difficult systems, 13, 78–82.

##submission.downloads##

Опубліковано

2015-12-22

Як цитувати

Кучанський, О. Ю., & Білощицький, А. О. (2015). Прогнозування часових рядів методом селективного зіставлення зі зразком. Eastern-European Journal of Enterprise Technologies, 6(4(78), 13–18. https://doi.org/10.15587/1729-4061.2015.54812

Номер

Том 6 № 4(78) (2015): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2015 Олександр Юрійович Кучанський, Андрій Олександрович Білощицький

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.