ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ З СКЛАДНОЮ ПОВЕДІНКОЮ ЗА ДОПОМОГОЮ УЗАГАЛЬНЕНОЇ ТРИГОНОМЕТРИЧНОЇ МОДЕЛІ З ВИПАДКОВИМИ ПАРАМЕТРАМИ

Автор(и)

DOI:

https://doi.org/10.31392/iscs.2024.24.003

Ключові слова:

стаціонарість часового ряду, ARIMA та SARIMA моделі, тригонометричні моделі, імітаційне моделювання, прогнозування часових рядiв

Анотація

Досліджено можливості застосування різних методів моделювання часового ряду щоквартальних значень ВВП України, зокрема автокореляційні моделі з різними наборами параметрів. Для цього побудовано та протестовано якість 16 моделей. Досліджено модель  та використано її для прогнозування значень часового ряду, оцінено точність прогнозу. Розроблено узагальнену тригонометричну модель з випадковими компонентами для моделювання ряду перших різниць з врахуванням випадкових збурень. Отриману модель застосовано до аналізу показників ВВП України, виконано прогнозування за двома сценаріями: песимістичним та найбільш очікуваним, порівняно результати прогнозування з емпіричними даними.  Показано, що дана модель може ефективно використовуватись для моделювання та прогнозування деяких часових рядів з випадковими збуреннями.Досліджено можливості застосування різних методів моделювання часового ряду щоквартальних значень ВВП України, зокрема автокореляційні моделі з різними наборами параметрів. Для цього побудовано та протестовано якість 16 моделей. Досліджено модель  та використано її для прогнозування значень часового ряду, оцінено точність прогнозу. Розроблено узагальнену тригонометричну модель з випадковими компонентами для моделювання ряду перших різниць з врахуванням випадкових збурень. Отриману модель застосовано до аналізу показників ВВП України, виконано прогнозування за двома сценаріями: песимістичним та найбільш очікуваним, порівняно результати прогнозування з емпіричними даними.  Показано, що дана модель може ефективно використовуватись для моделювання та прогнозування деяких часових рядів з випадковими збуреннями.

Посилання

State debt assessment and forecasting: time series analysis 2021 / F. Zhuravka et al. Investment Management and Financial Innovations. Vol. 18, no. 1. P. 65–75. https://doi.org/10.21511/imfi.18(1).2021.06

Chukurna, O., et al. (2019). Modelling and managing the effect of transferring the dynamics of exchange rates on prices of machine-building enterprises in Ukraine. Polish Journal of Management Studies, 19(1), 117–129. https://doi.org/10.17512/pjms.2019.19.1.09

Matskul, V., Okara, D., & Podvalna, N. (2020). The Ukraine and EU trade balance: prediction via various models of time series. SHS Web of Conferences, 73, 01020. https://doi.org/10.1051/shsconf/20207301020

NABU. (n.d.). Ukraine's GDP by year: chart, growth, structure. Retrieved from https://nabu.ua/ua/vvp-2.html

Alysha De Livera, Rob J. Hyndman, Ralph Shyder, Forecasting Time Series With Complex Seasonal Patterns Using Exponential Smoothing. Journal of the American Statistical Association. 2010. Vol. 106. P. 1513-1527. DOI:10.1198/jasa.2011.tm09771.

Lukyanenko, I. G., & Horodnichenko, Yu. O. (2002). Modern econometric methods in finance: a textbook. Kyiv: Litera LTD.

Artley, B. (n.d.). Time series forecasting with ARIMA, SARIMA, and SARIMAX. Medium. Retrieved from https://towardsdatascience.com/time-series-forecasting-with-arima-sarima-and-sarimax-ee61099e78f6.

Huk, V. M. (2024, April 11). Modeling time series using the method of discrete Fourier transform with a stochastic parameter. Proceedings of XXII International Scientific-Practical Conference "Shevchenkivska Vesna – 2024", Kyiv, Ukraine.

##submission.downloads##

Опубліковано

2024-12-29

Номер

Розділ

Математика