Покращення прогнозування часових рядів за допомогою підходу з використанням bootstrap aggregating
Вантажиться...
Дата
2020-06
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Дипломна робота: 64 с., 30 рис., 6 табл., 2 дод., 7 джерел.
Метою даної роботи: дослідження можливості та властивостей застосування моделей bagging, Random Forest та AdaBoost для прогнозу фінансового часового ряду в умовах корельованих даних та порівняння помилки роботи кожної з моделей.
Актуальність дослідження: прогнозування фінансового часового ряду компанії Yahoo Finance за великий проміжок часу (більше 20 років) з можливістю включення найактуальніших на сьогодні даних у ряд. Моделі тренуються на даних, котрі містять інформацію про економічну кризу 2007-2008 років, що робить їх стійкими в умовах можливої кризи після пандемії коронавірусу.
Об’єкт дослідження: набір фінансових даних компанії Yahoo! Finance з 1998 року.
Предмет дослідження: моделі Bagging, Random Forest та AdaBoost для прогнозування часового ряду, засновані на бустрепінгу та бустингу, їх особливості та застосування на реальному фінансовому часовому ряді. Методи дослідження: застосовані моделі прогнозування різної природи для часового фінансового ряду, виконані на мові програмування Python у середовищі Jupyter Notebook з використанням пакету sklearn.
Отримані результати: Побудовано модель бустингу AdaBoost з непоганим значенням помилки, котра не перенавчилась на вибірці. Досягнено кращого за Random Forest результату, котрий вважається оптимальним алгоритмом для ряду такої природи як у Yahoo! Finance.
Опис
Ключові слова
прогнозування, часові ряди, bootstrap aggregating
Бібліографічний опис
Островерхий, А. С. Покращення прогнозування часових рядів за допомогою підходу з використанням bootstrap aggregating : дипломна робота ... бакалавра : 124 Системний аналіз / Островерхий Антон Сергійович. - Київ, 2020. - 78 с.