Применение многомерных моделей ARIMA при прогнозировании биржевых осцилляторов
Автор: studentbog • Январь 14, 2023 • Курсовая работа • 5,565 Слов (23 Страниц) • 188 Просмотры
МИНИСТЕРСТВО ОБРАЗОВАНИЯ РЕСПУБЛИКИ БЕЛАРУСЬ
БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ И ИНФОРМАТИКИ
Кафедра компьютерный технологий и систем
ПРИМЕНЕНИЕ МНОГОМЕРНЫХ МОДЕЛЕЙ ARIMA ПРИ ПРОГНОЗИРОВАНИИ БИРЖЕВЫХ ОСЦИЛЛЯТОРОВ
Курсовой проект
Калинина Валентина Андреевича
К. М. Василевский |
Минск, 2022
АННОТАЦИЯ
Калинин В.А. Применение многомерных моделей ARIMA при прогнозировании биржевых осцилляторов: Курсовой проект / Минск: БГУ, 2022. – 31 стр.
В данной работе проводится построение и реализация двухмерных и четырехмерных моделей ARIMA прогнозирования для прогноза временных рядов с учетом минимизации ошибок и высокой точности прогноза.
АНАТАЦЫЯ
Калінін В. А. Ужыванне шматмерных мадэляў ARIMA пры прагназаванні біржавых асцылятара: Курсавы праэкт / Мінск: БДУ, 2022. – 31 стар.
У дадзенай працы праводзіцца пабудова і рэалізацыя двухмерных і четырехмерных мадэляў ARIMA прагназавання для прагнозу часовых шэрагаў з улікам мінімізацыі памылак і высокай дакладнасці прагнозу.
ANNOTATION
Kalinin V.A. Application of multidimensional ARIMA models in forecasting stock oscillators: Term project/ Minsk: BSU, 2022. – 31 p.
In this paper, the construction and implementation of two-dimensional and four-dimensional ARIMA forecasting models for time series forecasting is carried out, taking into account the minimization of errors and high accuracy of the forecast.
РЕФЕРАТ
Проект включает 31 страницу, использованы 18 источников, содержит 9 графиков, 8 формул и 2 приложения.
Ключевые слова: ARIMA; VARMA; ВРЕМЕННЫЙ РЯДЫ; МОДЕЛИ ПРОГНОЗИРОВАНИЯ; PYTHON; АНАЛИЗ; АЛГОРИТМЫ; ФИНАН-СОВЫЕ ИНДИКАТОРЫ
Объект исследования – двухмерная и четырехмерная модели прогнозирования ARIMA индикаторов SMA, SMMA, LWMA от (OpenPrices ClosePrices) и (OpenPrices ClosePrices, HighPrices, LowPrices) в режиме реального времени с помощью Python.
Цель работы – построить многомерные модели для прогноза временных рядов с учетом минимизации ошибок и высокой точности прогноза.
Методы исследования – алгоритмы реализованы в среде программирования Python с подключенными библиотеками Pandas, Keras, Theano и Statsmodels, а также алгоритмы для прогноза временных рядов, основанные на подходе “Rolling forecasting origin” («прогнозирование происхождения»)
Результаты:
Результатами исследования являются построенные многомерные модели ARIMA, при которой средняя квадратическая ошибка RMSE в четырехмерной модели на 25% меньше, чем при использовании двумерной модели ARIMA.
Сделан вывод, что для повышения качества прогноза временных рядов предпочтительно применять алгоритм на основе четырехмерной модели ARIMA.
ОГЛАВЛЕНИЕ
АННОТАЦИЯ 2
АНАТАЦЫЯ 2
ANNOTATION 2
РЕФЕРАТ 3
ОГЛАВЛЕНИЕ 4
ВВЕДЕНИЕ 6
Глава 1. АЛГОРИТМИЧЕСКАЯ ТОРГОВЛЯ И МАШИННОЕ ОБУЧЕНИЕ 7
1.1 Алгоритмическая торговля 7
1.2 Машинное обучение на крипто валютных биржах 7
1.3 Способы машинного обучения 8
Глава 2. АНАЛИЗ ДВУХМЕРНЫХ И МНОГОМЕРНЫХ МОДЕЛЕЙ ARIMA 10
2.1 Исследование временных рядов 10
2.2 Многомерные модели ARIMA, их особенности и влияние на точность прогнозирования 10
2.3 Подходы, используемые при построении многомерных моделей прогнозирования VARMA 12
2.4 Сравнительный анализ многомерных моделей VARMA 13
Глава 3. ПОСТРОЕНИЕ, РЕАЛИЗАЦИЯ И АНАЛИЗ РЕЗУЛЬТАТОВ ВЫПОЛНЕНИЯ АЛГОРИТМА ARIMA 16
...