МЕСТО МАТЕМАТИЧЕСКИХ МЕТОДОВ ЭКСТРАПОЛЯЦИИ В СИСТЕМА МЕТОДОВ ЭКОНОМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

ЭКОНОМИЧЕСКИЕ НАУКИ

УДК 519.6

Волобуев Н.В.

Студент магистратуры Финансовый университет при правительстве Российской Федерации

(Россия, г. Москва)

МЕСТО МАТЕМАТИЧЕСКИХ МЕТОДОВ ЭКСТРАПОЛЯЦИИ В СИСТЕМА МЕТОДОВ ЭКОНОМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ

Аннотация: в данной статье рассматриваются особенности математических методов прогнозирования, анализируется место математических методов в системе прогнозирования финансовых временных рядов.

Ключевые слова: прогнозирование, нелинейные модели, нейронные сети, экспертные оценки.

Математические методы прогнозирования как парадигма экономического анализа является активно развивающимся направлением. Наблюдается постепенный отказ от методов на основе экспертных оценок и переход на математические методы, которые показывают большую точность в прогнозирование.

Мировое научное сообщество активно исследует перспективы математических методов, в том числе методов на основе искусственного интеллекта, сравнивают их между собой, в том числе и с методов на основе экспертных оценок. Например, KATARÎNA HIEOVSKÂ и PETER KONCZ в работе «Application of Artificial Intelligence and Data Mining Techniques to Financial Market» проанализировали и сравнили нелинейной модели, например, АРПСС и искусственной нейронной сети. В результате данной работы, исследователи сделали вывод, что методы на основе искусственного и интеллекта показывают результат лучше [6, c.12].

В 2018 году издательство Hindawi опубликовало статью, автором которой являются Yajiao Tang и Junkau Ji, а темой которой является «A Pruning Neural Network Model in Credit Classification Analysis». Цель исследования - сравнение нелинейных

моделей (в том числе АРПСС) и моделей на основе искусственного интеллекта (как динамических так и экзогенных). В результате работы приводятся доказательства, что модели на основе искусственного интеллекта являются более точными на реальных данных [7, c. 3].

В 2017 году статья под авторством Pyo S, Lee J, Cha M и Jang H на тему «Predictability of machine learning techniques to forecast the trends of markets index prices: Hypothesis testing for the Korean stock markets» показала новый взгляд на прогнозирование. Новизной данного исследования является то, что авторы пересмотрели подходы к финансового прогнозирования: использовали индикаторы как источники основных рыночных тенденций, а в качестве архитектуры нейронной сети использовали модель классификации с непрерывным входом. В результате были сделаны выводы, что предложенная авторами архитектора сети показывает результат значительно выше, чем модели традиционного прогнозирования.

Под методом прогнозирования принято понимать совокупность приемов, которые основываются на ретроспективу, с целью поиска закономерностей между временным рядом и его элементами. Сейчас отсутствует точная классификация методов, однако многие выделяют следующие:

1. Линейные или нелинейные

Линейная модель описывает зависимость между переменными в виде линейной функции, и имеет вид (1):

У = Р o+^PÍXÍ + £Í (1)

Нелинейная модель описывает нелинейные связи между зависимыми переменными и имеет вид (2):

y = f(X,p) + E (2

2. Сосредоточенные или распределенные [1, c.67].

Сосредоточенные модели описывают динамику систем и состоят из нескольких компонент.

3. Детерминированные или стохастические [2, c.41].

Детерминированные модели - предопределенные или уникальные модели. Стохастические - это случайные модели.

4. Статические или динамические [3, с.125].

5. Дискретные (модели с конечным целом значений) или непрерывные (процессы, протекающие во времени) [4, c. 67].

Дискретные модели - это такие модели, где есть конечное число значений, а непрерывные это модели, которые протекают во времени.

Методы математического прогнозирования выступают основным элементом в системе прогнозирования, так как способны задать строгую математическую модель изменений и вычислить будущее значение с высокой точностью.

Список литературы:

1. Ni LP, Ni ZW, Gao YZ. Stock trend prediction based on fractal feature selection and support vector machine. Expert Syst Appl. 2011.

2. Kumar D, Meghwani SS, Thakur M. Proximal support vector machine based hybrid prediction models for trend forecasting in financial markets. J Comput Sci. 2016.

3. Alizadeh, Elaheh; Lyons, Samanthe M; Castle, Jordan M; Prasad, Ashok (2016). "Measuring systematic changes in invasive cancer cell shape using Zernike moments". Integrative Biology.

4. Yaser S. Abu-Mostafa. Learning From Data Hardcover. 2012.

5. Орлов А.И. Экспертные оценки. Учебное пособие. М., 2002.

6. KATARiNA HIEOVSKA, PETER KONCZ. «Application of Artificial Intelligence and Data Mining Techniques to Financial Market». P. 12

7. Yajiao Tang, Junkau Ji. «A Pruning Neural Network Model in Credit Classification Analysis». - 2018. P. 3