Багатоетапний алгоритм з DTW та кластеризацією для прогнозування середньої депозитної ставки в Україні
DOI:
https://doi.org/10.17721/1812-5409.2022/4.7Ключові слова:
Dynamic Time Warping, Кластеризація, ARIMA, Випадковий ліс, Депозитні ставки, Веб-скрепінгАнотація
Стаття присвячена розробці багатоетапного методу прогнозування, котриий базується на методах Dynamic Time Warping, кластеризації та AutoARIMA, що порівнюється з кількома традиційними методами на унікальному наборі даних.
Мета полягає в тому, щоб спрогнозувати середню ставку за депозитами в Україні, використовуючи дані, зібрані з веб-сайтів банків про їхні індивідуальні ставки за депозитами на щоденній основі. З цього багатого набору даних, стаття зосереджена лише на 12-місячних депозитних ставках у гривні для кожного банку. Більшість проблем, що є традиційними для підходу веб-скреппінгу, не мають значення в нашому випадку через особливості набору даних.
Ці показники об’єднуються в групи за схожістю в динаміці, прогнозуються окремо за допомогою AutoARIMA моделі і, нарешті, об’єднуються в загальний прогноз з використанням вагових коефіцієнтів, отриманих за допомогою оцінки OLS.
У статті представлено результат і порівняння з кількома іншими моделями, починаючи від простого випадкового блукання, кількох специфікацій ARIMA та простого випадкового лісу. Багатоетапний підхід перевершує бенчмарки за оцінкою RMSE та графічним аналізом за останній період даних.
Посилання
KHALIL, S., FAKIR, M. (2017): RCrawler: An R Package for Parallel Web Crawling and Scraping. "SoftwareX”, Volume 6, pp.98-106.
KHDER, M. (2021): Web Scraping or Web Crawling: State of Art, Techniques, Approaches and Application. International Journal of Advances in Soft Computing and its Applications, 13(3), pp.145-168.
PESARAN, H., SHIN, Y. (1995): An Autoregressive Distributed Lag Modeling Approach to Co-integration Analysis. “In S. Strøm (Ed.), Econometrics and Economic Theory in the 20th Century: The Ragnar Frisch Centennial Symposium (Econometric Society Monographs), Cambridge: Cambridge University Press”, pp. 371-413.
NATIONAL BANK OF UKRAINE (2022): Inflation Report, October 2022.
DSHALALOW, J., WHITE, R. (2021): Current Trends in Random Walks on Random Lattices. “Mathematics”, 9(10), pp. 11-48.
GANDHI, P. (2020): 7 Statistical Tests to validate and help to fit ARIMA model.
ALMASARWEH, M., WADI, S. (2018): ARIMA Model in Predicting Banking Stock Market Data. “Modern Applied Science”, Vol. 12, No. 11.
YOON, J. (2020): Forecasting of Real GDP Growth Using Machine Learning Models: Gradient Boosting and Random Forest Approach. “Computational Economics”, volume 57, pp. 247–265.
BIAU, G. (2012): Analysis of a Random Forests Model. “Journal of Machine Learning”, Volume 13, pp. 1063-1095.
KRUKOVETS, D. (2020): Analysis of similarity between artificially simulated time series with Dynamic Time Warping. “Proceedings of Workshop on Intelligent Information Systems WIIS2020”, pp.97-108.
SALVADOR, S., CHAN, P. (2004): FastDTW: Toward Accurate Dynamic Time Warping in Linear Time and Space. “Intelligent Data Analysis”, 11(5), pp.70-80.
GIORGINO, T. (2009): Computing and Visualizing Dynamic Time Warping Alignments in R: The dtw Package. “Journal of Statistical Software”, 31(7), pp. 1–24.
DATORRO, J. (2019): Convex optimization and Euclidean distance geometry.
JIE, C., JIYUE, Z., JUNHUI, W., YUSHENG, W., HUIPING, S., KAIYAN, L. (2020): Review on the Research of K-means Clustering Algorithm in Big Data. “2020 IEEE 3rd International Conference on Electronics and Communication Engineering (ICECE)”, Xi'An, China, 107-111.
HYNDMAN, R., KHANDAKAR, Y. (2008): Automatic Time Series Forecasting: The forecast Package for R. “Journal of Statistical Software”, 27(3), 1-22.
MCANDREW, T., WATTANACHIT, N., GIBSON, GC., REICH, NG. (2021): Aggregating predictions from experts: a review of statistical methods, experiments, and applications. Wiley Interdiscip Rev Comput Stat, 13(2), e1514.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Автор(-и)
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, роботи яких публікуються у цьому журналі, погоджуються з такими умовами:
- Автори зберігають авторські права та надають журналу право на першу публікацію роботи, яка одночасно ліцензується згідно із Creative Commons Attribution License, тобто надається дозвіл іншим ділитися роботою з визнанням авторства роботи та першої публікації в цьому журналі.
- Автори можуть укладати окремі додаткові угоди щодо невиключного розповсюдження опублікованої журналом версії роботи (наприклад, розмістити її у репозитарії наукової установи чи опублікувати у книзі) з підтвердженням її початкової публікації у цьому журналі.
- Дозволяється та заохочується розміщення своїх робіт в мережі Інтернет авторами (наприклад, у репозитаріях наукових установ або на особистих веб-сторінках) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш ранніх цитувань опублікованої роботи та їх більшої кількості (див. The Effect of Open Access).
