Образец для цитирования:

Чернышова Г. Ю., Самаркина Е. А. Методы интеллектуального анализа данных для прогнозирования финансовых временных рядов // Изв. Сарат. ун-та. Нов. сер. Сер. Экономика. Управление. Право. 2019. Т. 19, вып. 2. С. 181-188. DOI: https://doi.org/10.18500/1994-2540-2019-19-2-181-188


Рубрика: 
УДК: 
330.4+004.8
Язык публикации: 
русский

Методы интеллектуального анализа данных для прогнозирования финансовых временных рядов

Введение. Совершенствование алгоритмов интеллектуального анализа данных позволяет решать задачи прогнозной аналитики более эффективными способами. Ансамбли моделей – одно из активно развивающихся направлений, особенно в тех задачах, где прогностическая точность более важная, чем интерпретируемость модели. Теоретический анализ. Задача прогнозирования требует тщательного исследования исходного набора данных и методов, подходящих для анализа. Она включает решение таких подзадач, как выбор модели прогнозирования, анализ точности построенного прогноза. Ансамблевые модели позволяют сочетать прогнозы нескольких базовых моделей с целью уменьшения ошибок прогнозирования и повышения обобщающей способности моделей. Для основных методов построения ансамблей (бэггинг, бустинг, стекинг) представлены концептуальные схемы. Эмпирический анализ. В статье исследованы практические аспекты прогнозирования финансовых временных рядов, реализован набор ансамблевых моделей для решения прогностических задач. Результаты. Для по- строения ансамблей моделей разработано приложение с web-интерфейсом, которое позволяет оценить модели с применением различных функционалов ошибки, осуществить выбор более точной ансамблевой модели. С помощью приложения можно осуществлять выбор и настройку моделей для формирования прогнозных ансамблей, тестировать полученные модели, визуализировать результаты. Представлено тестирование ансамблевых моделей на реальных данных для анализа финансовых временны́х рядов.

Список литературы: 

1. Чернышова Г. Ю. Применение гибридных моделей для решения задач прогнозирования // Саратовской области – 80 лет : история, опыт развития, перспективы роста : сб. науч. тр. по итогам Междунар. науч.-практ. конф. : в 3 ч. Саратов : ССЭИ РЭУ им. Г. В. Плеханова, 2016. Ч. 2. С. 109–110.
2. Zhang Ch., Ma Yu. Ensemble Machine Learning. Methods and Applications. N. Y. : Springer Science Business Media, 2012. 331 p.
3. Seni G., Elder J. Ensemble Methods in Data Mining : Improving Accuracy Through Combining Predictions. San Rafael : Morgan & Claypool Publishers, 2010. 126 p.
4. Zhou Z. Ensemble Methods Foundations and Algorithms. Taylor & Francis Group, Chapman & Hall, 2012. 233 p.
5. Shalev-Shwartz S., Ben-David S. Understanding Machine Learning from Theory to Algorithms. Cambridge University Press, 2014. 449 p.
6. Sagi O., Rokach L. Ensemble learning : A survey. John Wiley and Sons, 2018. 18 p. 7. Yahoo Finance. URL: https://finance.yahoo.com/ (дата обращения: 15.10.2018).

Текст в формате PDF: 
Статус: 
опубликована
Краткое содержание (PDF):