ОБОСНОВАНИЕ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ МЕТОДАМИ АВТОРЕГРЕССИИ - СКОЛЬЗЯЩЕГО СРЕДНЕГО И ИНТЕГРИРОВАННОЙ АВТОРЕГРЕССИИ - СКОЛЬЗЯЩЕГО СРЕДНЕГО В ЗАВИСИМОСТИ ОТ ПОКАЗАТЕЛЯ ХЕРСТА
Библиографическое описание:ОБОСНОВАНИЕ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ МЕТОДАМИ АВТОРЕГРЕССИИ - СКОЛЬЗЯЩЕГО СРЕДНЕГО И ИНТЕГРИРОВАННОЙ АВТОРЕГРЕССИИ - СКОЛЬЗЯЩЕГО СРЕДНЕГО В ЗАВИСИМОСТИ ОТ ПОКАЗАТЕЛЯ ХЕРСТА : научное издание / А. В. Зиненко. - Текст : непосредственный // Современные наукоемкие технологии. - 2025. - № 6. - С. 23-28. - ISSN 1812-7320, DOI 10.17513/snt.40418.
Аннотация:В работе рассматривается применение статистических методов авторегрессии - скользящего среднего и интегрированной авторегрессии - скользящего среднего к прогнозированию финансовых временных рядов. Данные модели отличаются тем, что в интегрированной модели в целях обеспечения стационарности берутся не фактические уровни ряда, а разности. Финансовые ряды могут быть как случайными, так и персистентными - зависящими от прошлых значений. Цель работы - обоснование использования моделей авторегрессии - скользящего среднего и интегрированной авторегрессии - скользящего среднего для прогнозирования финансовых временных рядов, исходя из того, зависят ли текущие значения временных рядов от прошлых, иными словами, являются ли временные ряды персистентными. Для осуществления прогнозов в работе использованы методы авторегрессии - скользящего среднего и интегрированной авторегрессии - скользящего среднего, а для определения персистентности временного ряда - метод R/S анализа. Результаты апробированы на четырех индексах крупнейших бирж, метрикой качества прогноза выступила средняя абсолютная ошибка в процентах. Для случайных временных рядов модель авторегрессии - скользящего среднего, в которой не осуществляется взятие разностей, показала лучший результат, чем модель интегрированной авторегрессии - скользящего среднего, которую целесообразно применять для персистентных временных рядов.
The paper considers the application of statistical methods of autoregression - moving average and integrated autoregression - moving average to forecasting financial time series. These models differ in that in the integrated model, in order to ensure stationarity, not the actual levels of the series are taken, but the differences. Financial series can be both random and persistent - dependent on past values. The purpose of the work is to justify the use of autoregression - moving average and integrated autoregression - moving average models for forecasting financial time series, based on whether the current values of the time series depend on the past ones, in other words, whether the time series are persistent. To implement forecasts, the paper uses the methods of autoregression - moving average and integrated autoregression - moving average, and to determine the persistence of the time series - the R / S analysis method. The results are tested on four indices of the largest stock exchanges, the forecast quality metric is the average absolute error in percent. For random time series, the autoregressive moving average model, which does not take differences, showed higher accuracy than the integrated autoregressive moving average model, which is appropriate for persistent time series.
