Библиографическое описание:АЛГОРИТМ КОМБИНИРОВАНИЯ МОДЕЛЕЙ ARIMA И GARCH ДЛЯ ПРОГНОЗИРОВАНИЯ БИРЖЕВЫХ КОТИРОВОК : научное издание / А. В. Зиненко. - Текст : непосредственный // Экономика и менеджмент систем управления. - 2024. - №3. - С. 32-41. - ISSN 2223-0432.
Аннотация:Динамика финансовых временных рядов не является случайным процессом, поэтому для их анализа и прогнозирования требуются особые статистические методы. Модель интегрированного авторегрессионного скользящего среднего (ARIMA) учитывает зависимость значений временной ряда от прошлой динамики, а также нестационарность. Модель обобщенной авторегрессионной условной гетероскедестичности (GARCH) рассчитывает условную волатильность, распределение которой не подчиняется правилу трех сигм, что также характерно для финансовых временных рядов. Комбинированная модель ARIMA/GARCH на данный момент осуществляет наиболее точные прогнозы. В работе предложен новый подход к конструированию данной модели и описан соответствующий алгоритм. Модель протестирована на пяти индексах, суммарно включающих около 2000 акций и валютных пар. В результате предложенная модель показала по каждому индексу в среднем ошибку прогноза от 4 до %, что является положительным результатом
The dynamics of financial time series is not a random process, so their analysis and forecasting requires special statistical methods. The integrated autoregressive moving average (ARIMA) model takes into account the dependence of time series values on past dynamics, as well as non-stationarity. The generalized autoregressive conditional heteroscedesticity (GARCH) model calculates conditional volatility, the distribution of which does not obey the three-sigma rule, which is also typical for financial time series. The combined ARIMA/GARCH model currently provides the most accurate forecasts. The paper proposes a new approach to constructing this model and describes the corresponding algorithm. The model was tested on five indices, totaling about 2,000 stocks and currency pairs. As a result, the proposed model showed an average forecast error of 4 to 8% for each index, which is a positive result.
