Прогнозирование рядов динамики рыночных индикаторов на основе нелинейной авторегрессионной нейронной сети


https://doi.org/10.21686/2500-3925-2017-3-4-9

Полный текст:


Аннотация

Современная практика экономических исследований активно полагается на математические модели, позволяющие выявлять в статистических данных скрытые закономерности и строить на их основании прогнозы. Линейные модели прогнозирования рядов динамики, основанные на векторной авторегрессии (VAR) являются наиболее распространенными. Однако связи между рядами динамики в экономике часто имеют сложно идентифицируемый характер, поэтому нелинейные авторегрессионные (NAR) модели показывают более достоверные результаты. Для их реализации обычно используются нейронные сети, которые не предоставляют возможности оценки прогноза в виде математического ожидания и стандартного отклонения. Поэтому предлагаемая в статье модель сочетает в себе два блока: VAR и NAR. NAR используется для построения прогноза на заданное количество точек, а VAR для оценки прогноза в виде математического ожидания и стандартного отклонения. Оценка достоверности модели проводилась на дневных данных валютного курса USD/RUB и цен на нефть марки «Брент» с 1.01.2016 по 1.03.2017. Средняя точность прогнозирования тренда для курса доллара США к рублю составила 54,9%, для цены нефти – 54,0%. При этом относительная ошибка прогнозирования курса доллара составила от 1,09% (для первой точки) до 2,01% (для десятой точки), относительная ошибка прогнозирования цен на нефть составила от 1,28% (для первой точки) до 4,58% (для десятой точки). Таким образом, модель представляет достаточно точные для принятия инвестиционных решений прогнозы, при этом производится оценка прогнозов на основании тестирования NAR блока на исторических данных и на основании прогноза VAR блока в форме математического ожидания и стандартного отклонения.

Об авторах

Д. В. Домащенко
Российский экономический университет имени Г.В. Плеханова
Россия
Кандидат экономических наук, Доцент


Э. Е. Никулин
Российский экономический университет имени Г.В. Плеханова
Россия


Список литературы

1. Sims C. A. Macroeconomics and reality // Econometrica: Journal of the Econometric Society. 1980. P. 1–48.

2. Johansen S. Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models // Econometrica: Journal of the Econometric Society. 1991. P. 1551–1580.

3. Box G. E. P., Jenkins G. M. Time Series Models for Forecasting and Control // San Francisco. 1970.

4. Engle R. F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation // Econometrica: Journal of the Econometric Society. 1982. P. 987–1007.

5. Zhang X. and Frey R. Improving ARMAGARCH forecasts for high frequency data with regime-switching ARMA-GARCH // Journal of Computational Analysis & Applications. 2015. 18(1).

6. Kambouroudis D.S., McMillan D.G. and Tsakou K. Forecasting Stock Return Volatility: A Comparison of GARCH, Implied Volatility, and Realized Volatility Models // Journal of Futures Markets. 2016. 36(12). P. 1127–1163.

7. Corrêa J.M., Neto A.C., Júnior L.T., Franco E.M.C. and Faria A.E. Time series forecasting with the WARIMAX-GARCH method. Neurocomputing. 2016. P. 805–815.

8. Leontaritis I. J., Stephen A. Billings. Inputoutput parametric models for non-linear systems part I: deterministic non-linear systems. // International journal of control. 1985. 41.2. P. 303–328.

9. Chen S., Billings S. A. Representations of non-linear systems: the NARMAX model // International Journal of Control. 1989. Т. 49. No. 3. P. 1013–1032.

10. Darrat A. F., Zhong M. On testing the randomwalk Hypothesis: A model-comparison approach // Financial Review. 2000. Т. 35. No. 3. P. 105–124.

11. Jiang C. and Song F. Sunspot Forecasting by Using Chaotic Time-series Analysis and NARX Network // JCP. 2011. 6(7). P. 1424–1429.

12. Diaconescu E. The use of NARX neural networks to predict chaotic time series // Wseas Transactions on computer research. 2008. 3(3). P.182–191.

13. Chaudhuri T.D. and Ghosh I. Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework // arXiv preprint. 2016.arXiv:1607.02093

14. Akaike H. Maximum likelihood identification of Gaussian autoregressive moving average models // Biometrika. 1973. P. 255–265.

15. Adkinson M. D. et al. Alternative models of climatic effects on sockeye salmon, Oncorhynchus nerka, productivity in Bristol Bay, Alaska, and the Fraser River, British Columbia // Fisheries Oceanography. 1996. Т. 5. No. 3–4. P. 137–152.


Дополнительные файлы

Для цитирования: Домащенко Д.В., Никулин Э.Е. Прогнозирование рядов динамики рыночных индикаторов на основе нелинейной авторегрессионной нейронной сети. Статистика и Экономика. 2017;(3):4-9. https://doi.org/10.21686/2500-3925-2017-3-4-9

For citation: Domashchenko D.V., Nikulin E.E. Forecasting time series of the market indicators based on a nonlinear autoregressive neural network. Statistics and Economics. 2017;(3):4-9. (In Russ.) https://doi.org/10.21686/2500-3925-2017-3-4-9

Просмотров: 226

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2500-3925 (Print)