Пошук академічних текстів

Інформація × Реєстраційний номер 2120U008117, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Покращення прогнозування часових рядів за допомогою підходу з використанням bootstrap aggregating Автор Островерхий Антон СергійовичOstroverkhyi Anton Serhiiovych Дата публікації 01-06-2020 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/37366 Видання Київ Опис 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. Thesis on 65 pages, contains 30 figures, 6 tables, 2 appendices, 7 sources. The purpose of this work: to study the feasibility and properties of using models of bagging, Random Forest and AdaBoost to forecast the financial time series in the context of correlated data and compare the error of each model. Relevance of the study: forecasting the financial time series of Yahoo Finance for a long period of time (more than 20 years) with the possibility of including the most relevant data in the series. The models are based on data that contain information about the economic crisis of 2007-2008, which makes them resilient in the event of a possible crisis after a coronavirus pandemic. Object of study: a set of financial data from Yahoo! Finance since 1998. Subject of research: Bagging, Random Forest and AdaBoost models for time series forecasting, based on boosting and boosting, their features and application on a real financial time series. Research methods: applied forecasting models of different nature for the financial time series, made in the Python programming language in the Jupyter Notebook environment using the sklearn package. Results obtained: The AdaBoost boosting model was built with a good error value, which was not retrained in the sample. Achieved a better result than Random Forest, which is considered the optimal algorithm for a number of such nature as Yahoo! Finance. The best result was achieved with the bootstrap aggregating approach. Додано в НРАТ 2025-11-05 Закрити