Прогнозирование рядов динамики рыночных индикаторов на основе нелинейной авторегрессионной нейронной сети

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.

искусственная нейронная сеть, векторная авторегрессия, прогнозирование, курс доллара, цены на нефть

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.