Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних процесів

Скорочена інформація про документ
dc.contributor.authorЛевенчук, Людмила Борисівна
dc.contributor.authorБідюк, Петро Іванович
dc.date.accessioned2021-04-06T11:56:04Z
dc.date.available2021-04-06T11:56:04Z
dc.date.issued2020
dc.description.abstractenBackground. Nonlinear nonstationary processes that are available in various spheres of human activity are characterized by numerous uncertainties, fuzziness, incompleteness and low precision data. To perform forecasting of such processes it is necessary to carry out correctly the data processing that is why the problem of development and practical use of the new processing methods is very urgent. The methods should provide a possibility for performing high quality input data processing aiming to quality modeling and forecasting the processes under study. Objective. A short review of the Bayesian data analysis methods will be provided and an original methodology for identification and taking into consideration of possible uncertainties that are available in the problems of modeling and forecasting developed. And a new combined probabilistic and statistical model will be proposed for modeling and forecasting nonlinear nonstationary processes. Methods. A combined implementation methodology has been proposed that includes the following: Bayesian data processing technics, an optimal filter for preliminary data processing, linear and nonlinear regression for formal description and forecasting conditional variance and probabilistic model in the form of Bayesian network to forecast nonlinear nonstationary processes. Results. The proposed modeling method was tested on the problem of forecast estimation using the financial market data. The statistical data hired describe evolution of stock prices for well-known company. The computational experiments performed showed that quality of the short-term forecasts for volatility and the nonlinear nonstationary financial process itself are improved substantially thanks to the optimal filtering procedure and rational model structure selection. Application of the complex model that uses Bayesian network provided a possibility for improvement of probabilistic forecasts used for performing trade operations at the stock market. Conclusions. Forecasts estimation for nonlinear nonstationary processes is an urgent problem that can be solved in various ways. The proposed probabilistic and statistical method for estimating probabilistic forecasts used for performing trade operations at the stock market generated high quality results and will be extended and improved in the future.uk
dc.description.abstractruПроблематика. Нелинейные нестационарные процессы, которые возникают в различных сферах деятельности человека, связаны с большим количеством неопределенностей, нечеткостью, неполнотой и неточностью данных. Для прогнозирования таких процессов необходимо корректно обрабатывать данные такого типа, поэтому актуальной задачей является разработка и применение новых методов, которые дают возможность осуществлять надлежащую обработку данных с целью моделирования и прогнозирования исследуемых процессов. Цель исследования. Выполнить краткий обзор методов байесовского анализа данных, разработать методику идентификации и учета возможных неопределенностей в моделировании и прогнозировании, а также предложить комплексную вероятностно-статистическую модель для прогнозирования нелинейных нестационарных процессов. Методика реализации. Комплексно использованы: байесовский метод обработки данных, оптимальный фильтр для предварительной обработки данных и их подготовки к построению моделей; линейная и нелинейная регрессионные модели для формального описания и прогнозирования условной дисперсии и вероятностная модель в форме байесовской сети для прогнозирования нелинейного нестационарного процесса. Результаты исследования. Предложенный метод моделирования апробирован на задаче оценивания прогнозов финансового процесса на фондовом рынке. Использованные статистические данные описывают эволюцию цен акций известной компании. В результате выполнения вычислительных экспериментов установлено, что качество краткосрочных прогнозов волатильности и самого нелинейного нестационарного процесса существенно улучшаются благодаря оптимальной фильтрации данных и рациональной структуре модели. Применение построенной комплексной модели с использованием байесовской сети дало возможность усовершенствовать вероятностное оценивание прогнозов при выполнении торговых операций на фондовом рынке. Выводы. Оценивание прогнозов нелинейных нестационарных процессов – актуальная задача, которая может быть решена различными методами. Высокоэффективным оказался предложенный вероятностно-статистический метод для оценивания вероятностных прогнозов при выполнении торговых операций на фондовом рынке акций, а поэтому в дальнейшем перспективным будет расширение и усовершенствование его использования.uk
dc.description.abstractukПроблематика. Нелінійні нестаціонарні процеси, що виникають у різних сферах діяльності людини, пов’язані з великою кількістю невизначеностей, нечіткістю, неповнотою та неточністю даних. Для прогнозування таких процесів необхідно коректно опрацьовувати дані такого типу, тому актуальною є задача розробки і застосування нових методів, які дають можливість здійснювати належну обробку вхідних даних з метою моделювання і прогнозування досліджуваних процесів. Мета дослідження. Виконати короткий огляд методів байєсівського аналізу даних, розробити методику ідентифікації та врахування можливих невизначеностей у моделюванні й прогнозуванні, а також запропонувати комплексну імовірнісно-статистичну модель для прогнозування нелінійних нестаціонарних процесів. Методика реалізації. Комплексно застосовано: байєсівський метод обробки даних, оптимальний фільтр для попередньої обробки даних та їх підготовки до побудови моделей, лінійну та нелінійну регресійні моделі для формального опису і прогнозування умовної дисперсії та ймовірнісну модель у формі байєсівської мережі для прогнозування нелінійного нестаціонарного процесу. Результати дослідження. Запропонований метод моделювання апробовано на задачі оцінювання прогнозів фінансового процесу на фондовому ринку. Використані статистичні дані описують еволюцію цін на акції для відомої компанії. В результаті виконання обчислювальних експериментів було встановлено, що якість короткострокових прогнозів волатильності й самого нелінійного нестаціонарного процесу значно поліпшується завдяки оптимальній фільтрації даних і раціональній структурі моделі. Застосування побудованої комплексної моделі з використанням байєсівської мережі надало можливість удосконалити ймовірнісне оцінювання прогнозів при здійсненні торговельних операцій на фондовому ринку. Висновки. Оцінювання прогнозів нелінійних нестаціонарних процесів є актуальною задачею, що може розв’язуватися різними методами. Високоефективним виявився запропонований ймовірнісно-статистичний метод для оцінювання ймовірнісних прогнозів при здійсненні торговельних операцій на фондовому ринку акцій, а тому в подальшому перспективним буде розширення та удосконалення його застосування.uk
dc.format.pagerangeС. 14-23uk
dc.identifier.citationЛевенчук, Л. Б. Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних процесів / Л. Б. Левенчук, П. І. Бідюк // Наукові вісті КПІ : міжнародний науково-технічний журнал. – 2020. – № 3(130). – С. 14–23. – Бібліогр.: 11 назв.uk
dc.identifier.doihttps://doi.org/10.20535/kpi-sn.2020.3.209877
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/40443
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofНаукові вісті КПІ : міжнародний науково-технічний журнал, 2020, № 3(130)uk
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/uk
dc.subjectбайєсівський аналіз данихuk
dc.subjectнелінійні нестаціонарні процесиuk
dc.subjectфільтр Калманаuk
dc.subjectмережа Байєсаuk
dc.subjectрегресійна модельuk
dc.subjectкомбінування прогнозівuk
dc.subjectBayesian data analysisuk
dc.subjectnonlinear nonstationary processesuk
dc.subjectKalman filteruk
dc.subjectBayesian networkuk
dc.subjectregression modeluk
dc.subjectforecasts combininguk
dc.subjectбайесовский анализ данныхuk
dc.subjectнелинейные нестационарные процессыuk
dc.subjectфильтр Калманаuk
dc.subjectсеть Байесаuk
dc.subjectрегрессионная модельuk
dc.subjectкомбинирование прогнозовuk
dc.subject.udc519.766.4, 519.25uk
dc.titleБайєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних процесівuk
dc.title.alternativeBayesian Data Analysis in Modeling and Forecasting Nonlinear Nonstationary Processesuk
dc.title.alternativeБайесовские методы анализа данных в моделировании и прогнозировании нелинейных нестационарных процессовuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
NVKPI2020-3_02.pdf
Розмір:
407.04 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Наукові вісті КПІ: міжнародний науково-технічний журнал, № 3(130)