Registration Number
0824U001930, PhD dissertation
Status
Доктор філософії
Date
23-05-2024
popup.evolution
o
Title
Hybrid and ensemble machine learning methods and models for forecasting financial time series
Author
Kateryna A. Tokarieva,
popup.head Mykola Y. Kushnir
popup.opponent Olena Arsirii
popup.opponent Volodymyr I. Norkin
popup.review Igor V. Malyk
popup.review Dmytro Uhryn
popup.rada
Yuriy Fedkovych Chernivtsi National University
Description
Дисертаційна робота присвячена побудові гібридних алгоритмів на основі методів та моделей машинного начання та класичних алгоритмів часових рядів.
Результати дисертаційної роботи є підґрунтям для подальших теоретичних і практичних наукових розробок у дослідженні гібридних алгоритмів побудови прогнозу для фінансових часових рядів.
Дисертацiя складається iз вступу, чотирьох роздiлiв, висновкiв, перелiку використаних джерел та додатку.
У вступі обґрунтовано актуальнiсть теми дослiдження, сформульовано мету, завдання, предмет, об’єкт та методи дослiдження, вказано наукову новизну, теоретичне та практичне значення отриманих результатiв, проаналізовано зв’язок роботи з науковими дослiдженнями та особистий внесок здобувача, а також наведено відомості про апробацію та публікації основних результатів дисертацiї. Описано структуру та обсяг дисертаційної роботи.
У першому розділі здiйснено огляд наукової лiтератури, присвяченої основним напрямкам дослiджень часових рядів вцілому та фінансових часових рядів зокрема, розглянуто ключові вiдомостi з теорії часових рядів та методів машинного навчання, наведено опис основних напрямів досліджень та визначено завдання, якими займається теорія часових рядів включаючи основні проблеми побудови прогнозу фінансових часових рядів. Проведено детальний огляд основних класичних алгоритмів побудови прогнозу для часового ряду, зокрема, а також їх сфери застосування. Детально проаналiзовано хронологiю розвитку теорії часових рядів та умовні періоди ускладнення моделей. У другому розділі даного розділу розглянуто основні моделі штучного інтелекту та машинного навчання для аналізу часових рядів, описано топології нейронних мереж, які будуть використовуатися при побудові гібридних алгоритмів.
У другому розділі проведено дослідження гібридних моделей, в яких основний процес оцінювався на основі моделі часового ряду, а залишки моделі оцінювалися на основі нейронних мереж. Використання такого підходу дало змогу розширення використання класичних моделей часових рядів на випадок відсутніості гомоскедастичності у залишках та відсутності незалажності залишків часового ряду. А саме показано, що
часові ряди фондових індексів містять як лінійну, так і не лінійну складову, а отже, окремо лінійна модель ARIMA та нелінійна модель ANN не можуть дати точну оцінку таких часових рядів;
розроблено гібридну модель моделі авторегресії-ковзної середньої та штучної нейронної мережі прогнозування часових рядів фондових індексів;
доведено, якщо часовий ряд є строго стаціонарним, то ARIMA модель є більш адекватною для гауссівських рядів в розробленій гібридній моделі.
здійснено порівняльний аналіз запропонованого алгоритму із класичними алгоритмами оцінки прогнозу фінансових часових рядів, в результаті чого розроблений метод продемонстрував більшу точність порівняно з іншими гібридними моделями, оскільки ряд даних розкладається на компоненти з низькою та високою волатильністю (лінійну та нелінійну), а отже сумарна похибка моделі є низькою.
У третьому розділі розглянуто зв’язок хаотичних динамічних систем та часових. Проаналізовано основні підходи до визначення детермінованого хаосу та основні методи врахування наявності детермінованого хаосу при оцінці прогнозу фінансового часового ряду. Для визначення існування хаосу в системі були представлені чотири методи:
перетворення Фур’є;
показник Ляпунова;
показник Герста;
фрактальна розмірність.
Основним підходом для застосування теорії хаосу, а саме детермінованого хаосу, є використання теореми вкладення Такенса, згідно якої структуру хаотичного детермінованого процесу можна спростити використовуючи розбиття векторного простору (x(t),…,x(t+T)). Метод реконструкції фазового простору використовується для реконструкції точок фазового простору з хаотичних часових рядів з використанням розмірності вкладення D та часової затримки T. Відповідно до методу реконструкції фазового простору, точки фазового простору відтворюють ключові характеристики вихідного часового ряду. Для підтвердження ефективності запропонованої методики в даному розділі було досліджено три різні класичні хаотичні часових ряді:, Маккея-Глесса, логістичного та Ено. Запропонований метод об’єднувався з генетичними алгоритмами для покращення результатів прогнозування. Було показано, що новий метод прогнозування, покращений за допомогою GA, демонструє визначні результати. Порівняння результатів запропонованої методики з результатами, наведеними в літературі, обґрунтовує ефективність запропонованого методу.
У розділі 4 дослідженно дві гібридні моделі, які ґрунтуються на моделях часових рядів. Перша модель являє собою неперервний та нелінійний аналог класичної лінійної ARMA моделі, друга модель являє собою узагальнення класичної LSTM нейронної мережі із врахуванням довільної скінченної передісторії. Перша модель базується на новому методі оцінки прогнозу процесів фінансових ринків в основі якого лежать моделі стохастичних диференціальних рівнянь із запізненням.
Registration Date
2024-05-15
popup.nrat_date
2024-05-15 / 2026-07-01
