Применение кинетического подхода к прогнозированию цен закрытия акций

Авторы: Сайкова Е.Р.
Опубликовано в выпуске: #4(93)/2024
DOI:
Раздел: Математика | Рубрика: Вычислительная математика
Ключевые слова: нестационарные временные ряды, выборочная плотность функции распределения, уравнение Лиувилля, прогнозирование значений временного ряда, кинетический подход к прогнозированию, цена закрытия акции
Опубликовано: 19.09.2024

Рассмотрена задача прогнозирования значений временного ряда на основе кинетического подхода. Проблема незамкнутости системы уравнений для моделирования эволюции выборочной плотности функции распределения решена с помощью введения прогнозного предположения. Предложен альтернативный способ получения прогноза на более чем один шаг по времени вперед с использованием базовой модели на основе уравнения Лиувилля. Реализован программный код для построения прогноза с использованием кинетического подхода для цен закрытия акций различных компаний. Представлены результаты его работы (в виде оценки ошибки прогнозирования как средней абсолютной ошибки — MAPE) для десяти нестационарных временных рядов.

Литература

[1] Орлов Ю.Н., Осминин К.П. Нестационарные временные ряды: Методы прогнозирования с примерами анализа финансовых и сырьевых рынков. Москва, ЛЕНАНД, 2023, 384 с.

[2] Орлов Ю.Н., Осминин К.П. Методика определения оптимального объема выборки для прогнозирования нестационарного временного ряда. Информационные технологии и вычислительные системы, 2008, № 3, с. 3–13.

[3] Lerasle M., Magalh?es N., Reynaud-Bouret P. Optimal kernel selection for density estimation. High Dimensional Probability VII. The Cargese. Prog. Probab. Birkhauser, 2016, vol. 71, pp. 425–460. https://doi.org/10.1007/978-3-319-40519-3_19

[4] Мэрфи К.П. Вероятностное машинное обучение: введение. Москва, ДМК Пресс, 2022, 990 с.

[5] Горлач Б.А. Математический анализ. Санкт-Петербург, Лань, 2022, 608 с.

[6] Фондовая биржа Nasdaq. URL: https://www.nasdaq.com/ (дата обращения 25.02.2023).

[7] Хапке Х., Нельсон К. Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow. Москва, ДМК Пресс, 2021, 346 c.