| Русский Русский | English English |
   
Главная Текущий номер
06 | 07 | 2020
10.14489/vkit.2020.06.pp.003-011

DOI: 10.14489/vkit.2020.06.pp.003-011

Сай Ван Квонг, Щербаков М. В.
ПРОГРАММИРОВАНИЕ 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.

Рус

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  

Eng

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  

Рус

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.

Eng

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.

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2020.06.pp.003-011

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2020.06.pp.003-011

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Rambler's Top100 Яндекс цитирования