Оновлений DTW+K-Means підхід з LSTM та ARIMA моделями для прогнозування базової інфляції
DOI:
https://doi.org/10.17721/1812-5409.2023/2.38Ключові слова:
Dynamic Time Warping, Кластеризація, ARIMA, Рекурентні Нейронні Мережі, LSTM, Прогнозування, ІнфляціяАнотація
Стаття присвячена оцінці ефективності у проблемах з прогнозування в нової процедури, яка включає адаптований DTW + K-Means підхід для агрегування рядів із подібною динамікою. Алгоритм розроблявся протягом декількох статей. Його новизна полягає в дизайні, що працює з періодичними рядами, місячними в нашому випадку. Ми використовуємо його для агрегації сотень основних компонентів базової інфляції за подібністю їхньої динаміки. Надалі агреговані ряди використовуються в традиційних моделях ARIMA та SARIMA, а також в доволі нестандартній для економетрики, моделі LSTM, для прогнозування загальної базової інфляції. Такий вибір базується на необхідності вловлювати нелінійні відносини між рядами. Датасет відносно багатий, вміщає сотні компонент Базової Інфляції, себто рівня цін на різні товари. Дані мають низку нюансів, зокрема сезонність, тому контроль в цьому необхідний або додатковими моделями як Х-12, або за допомогою, власне, структури прогнозної моделі. Важливість цієї вправи велика з низки причин, залежно від агента. Приватні бізнеси жадають спланувати власне ціноутворення, а уряд намагається впроваджувати політику в стилі, керованому даними, себто проактивно. Результат вказує, що наразі SARIMA перевершує інші моделі. LSTM в поєднанні з процедурою DTW + K-Means дає гірші результати, проте має здатність вловлювати нелінійності на відміну від традиційних моделей. Подальше дослідження LSTM+DTW/K-Means є необхідним.
Посилання
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.
KRUKOVETS, D. (2022): Multi-stage approach with DTW and clustering for forecasting of average deposit rate in Ukraine. “Bulletin of Taras Shevchenko National University of Kyiv. Series: Physics and Mathematics”, pp. 55-65.
KRUKOVETS, D. (2021): Dynamic Time Warping for uncovering dissimilarity of regional wages in Ukraine. “Proceedings MFOI-2020”, pp. 168-185.
KRUKOVETS, D., VERCHENKO, O. (2019): Short-run forecasting of core inflation in ukraine: a combined arma approach. “Visnyk of the National Bank of Ukraine 248”, pp. 1-10.
ALMOSOVA, A., ANDRESEN, N. (2019): Nonlinear Inflation Forecasting with Recurrent Neural Networks. “European Central Bank (ECB)”, pp. 1-45.
LONGO, L., RICCABONI, M., RUNGI, A. (2022): A neural network ensemble approach for GDP forecasting. “Journal of Economic Dynamics and Control”.
KRUKOVETS, D. (2020): Data science opportunities at central banks: overview. “Visnyk of the National Bank of Ukraine 249”, pp. 13-24.
EUROPEAN CENTRAL BANK (ECB) (2007): Guide to Seasonal adjustment with -12-ARIMA, March 2007, pp. 1-169.
THE COUNCIL OF THE NATIONAL BANK OF UKRAINE (2018): Monetary Policy Strategy Of The National Bank Of Ukraine, pp. 1-9.
TENREYRO, S. (2023): Macroeconomic stabilisation in a volatile inflation environment. “ECB forum on Central Banking”, pp. 1-37.
PROFATSKA, N. (2021): Standard quality report state statistical observation "changes in prices (tariffs) for consumer goods (services)" 2.06.01.01. “State Statistics Service of Ukraine”, pp. 1-11.
STOCK, J., WATSON, M. (2019): Trend, Seasonal, and Sectoral Inflation in the Euro Area. “Princeton University”, pp.1-32.
SHAPOVALENKO, N. (2021): A Suite of Models for CPI Forecasting. “Visnyk of the National Bank of Ukraine”, pp. 252,4-36.
SIAMI-NAMINI, S., TAVAKOLI, N., SIAMI-NAMINI, A. (2018): A Comparison of ARIMA and LSTM in Forecasting Time Series. “17th IEEE International Conference on Machine Learning and Applications”, pp. 1-8.
KUMAR, M., THENMOZHI, M. (2014). Forecasting stock index returns using ARIMA- SVM, ARIMA-ANN, and ARIMA-random forest hybrid models. “International Journal of Banking Accounting and Finance” 5(3):284.
FAN, G., ZHANG, L., YU, M., HONG, W., DONG. S. (2022). Applications of random forest in multivariable response surface for short-term load forecasting. “International Journal of Electrical Power & Energy Systems”, Volume 139.
VALIPOUR, M. (2014): Long-term runoff study using SARIMA and ARIMA models in the United States. “Meteorol. Appl. 22”, pp. 592–598.
HYNDMAN, R., KHANDAKAR, Y. (2008): Automatic Time Series Forecasting: The forecast Package for R. “Journal of Statistical Software”, 27(3), pp. 1-22.
SHERSTINSKY, A. (2018): Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network. “Cornell University”, pp. 1–43.
GIORGINO, T. (2009): Computing and Visualizing Dynamic Time Warping Alignments in R: The dtw Package. “Journal of Statistical Software”, 31(7), pp. 1–24.
SALVADOR, S., CHAN, PH. (2007): Toward accurate dynamic time warping in linear time and space. “Intelligent Data Analysis”, 11(5), pp. 561-580.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2023 D. Krukovets
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).
