Системний підхід до прогнозування на основі моделей часових рядів

• Published in: Системні дослідження та інформаційні технології
• Date: 2003
• Main Author: Бідюк, П.І.
• Format: Article
• Language: Ukrainian
• Published: Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2003
• Subjects: Математичні методи, моделі, проблеми і технології дослідження складних систем
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/50316
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Системний підхід до прогнозування на основі моделей часових рядів / П.І. Бідюк // Систем. дослідж. та інформ. технології. — 2003. — № 3. — С. 88-110. — Бібліогр.: 7 назв. — укр.

Розглянуто побудову функцій прогнозування для стаціонарних процесів авторегресії та авторегресії з ковзним середнім, процесів з детермінованими та стохастичними трендами, гетероскедастичних та коінтегрованих процесів. Наведено функції прогнозування, які отримані без розв'язку рівнянь та на основі їх розв'язку. Для опису стохастичного тренду використано модель випадкового кроку з шумом та дрейфом, а також модель лінійного локального тренду. Розглянуто основні типи рівнянь для опису гетероскедастичних та коінтегрованих процесів. Рассмотрено построение функций прогнозирования для стационарных процессов авторегрессии и авторегрессии со скользящим средним, процессов с детерминированными и стохастическими трендами, гетероскедастических и коинтегрированных процессов. Приведены функции прогнозирования, полученные без решений и на основе решений разностных уравнений. Для описания случайного тренда использована модель случайного шага с шумом и дрейфом, а также модель линейного локального тренда. Рассмотрены основные типы уравнений для описания гетероскедастических и коинтегрированных процессов. Constructing of forecasting functions is considered for the following classes of processes: stationary autoregression and autoregression with moving average part, processes with deterministic and stochastic trends, heteroscedastic and cointegrated processes. The forecasting functions are given derived with and without the difference equation solution. To describe the stochastic trend, the random step model with noise and drift and the model of linear local trend are used. The basic types of equations are given for describing heteroscedastic and cointegrated processes.