Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів
The study focuses on some aspects of modeling and forecasting the nonlinear nonstationary processes (NNP) of applying the modern Bayesian methods of data, in particular, generalized linear model (GLM) that are popular in analysis of NNP. All Bayesian techniques of data analysis are very popular toda...
Gespeichert in:
| Datum: | 2023 |
|---|---|
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | English |
| Veröffentlicht: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2023
|
| Schlagworte: | |
| Online Zugang: | https://jais.net.ua/index.php/files/article/view/114 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Problems of Control and Informatics |
Institution
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-114 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2024-03-14T10:16:44Z |
| collection |
OJS |
| language |
English |
| topic |
нелінійні нестаціонарні процеси байєсівські методи моделювання прогнозування узагальнені лінійні моделі |
| spellingShingle |
нелінійні нестаціонарні процеси байєсівські методи моделювання прогнозування узагальнені лінійні моделі Trofymchuk, Oleksandr Bidyuk, Petro Prosyankina-Zharova , Tetyana Terentiev, Oleksandr Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів |
| topic_facet |
нелінійні нестаціонарні процеси байєсівські методи моделювання прогнозування узагальнені лінійні моделі nonlinear nonstationary processes Bayesian methods modeling forecasting generalized linear models нелинейные нестационарные процессы байесовские методы моделирование прогнозирование обобщенные линейные модели |
| format |
Article |
| author |
Trofymchuk, Oleksandr Bidyuk, Petro Prosyankina-Zharova , Tetyana Terentiev, Oleksandr |
| author_facet |
Trofymchuk, Oleksandr Bidyuk, Petro Prosyankina-Zharova , Tetyana Terentiev, Oleksandr |
| author_sort |
Trofymchuk, Oleksandr |
| title |
Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів |
| title_short |
Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів |
| title_full |
Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів |
| title_fullStr |
Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів |
| title_full_unstemmed |
Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів |
| title_sort |
байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів |
| title_alt |
Bayesian data analysis in modeling and forecasting nonlinear nonstationary financial and economic processes Байесовский анализ данных в моделировании и прогнозировании нелинейных нестационарных финансово-экономических процессов |
| description |
The study focuses on some aspects of modeling and forecasting the nonlinear nonstationary processes (NNP) of applying the modern Bayesian methods of data, in particular, generalized linear model (GLM) that are popular in analysis of NNP. All Bayesian techniques of data analysis are very popular today thanks to their flexibility, high quality of results, availability of possibilities for structural and parametric optimization and adaptation to new data and conditions of functioning. The structural and parametric adaptation of Bayesian generalized linear models supposes taking into consideration the following elements: number of equations that are necessary for adequate formal description of the processes under study; availability of nonlinearity and nonstationarity; type of random disturbance — its probability distribution and corresponding parameters; order of model equations, and some other structural elements. Such approach to modeling improves model adequacy and quality of final result of their application. Parameter estimation of the models can be performed by making use of rather wide set of methods, more precisely the following: ordinary LS (OLS), nonlinear LS (NLS), maximum likelihood (ML), the method of additional variable (MAV), and Monte Carlo for Markov Chain (MCMC). The last method is distinguished by universality of application to estimation of linear and nonlinear models. Besides, each of Bayesian approaches to data analysis is well supported by appropriate sets of statistical criteria that make it possible thorough quality analysis of intermediate and final results of computations. Illustrative examples are presented the usage of the Bayesian approach for analysis and forecasting of NNP, in particular, in specialized intellectual decision support system. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2023 |
| url |
https://jais.net.ua/index.php/files/article/view/114 |
| work_keys_str_mv |
AT trofymchukoleksandr bayesiandataanalysisinmodelingandforecastingnonlinearnonstationaryfinancialandeconomicprocesses AT bidyukpetro bayesiandataanalysisinmodelingandforecastingnonlinearnonstationaryfinancialandeconomicprocesses AT prosyankinazharovatetyana bayesiandataanalysisinmodelingandforecastingnonlinearnonstationaryfinancialandeconomicprocesses AT terentievoleksandr bayesiandataanalysisinmodelingandforecastingnonlinearnonstationaryfinancialandeconomicprocesses AT trofymchukoleksandr bajêsívsʹkijanalízdanihumodelûvannítaprognozuvannínelíníjnihnestacíonarnihfínansovoekonomíčnihprocesív AT bidyukpetro bajêsívsʹkijanalízdanihumodelûvannítaprognozuvannínelíníjnihnestacíonarnihfínansovoekonomíčnihprocesív AT prosyankinazharovatetyana bajêsívsʹkijanalízdanihumodelûvannítaprognozuvannínelíníjnihnestacíonarnihfínansovoekonomíčnihprocesív AT terentievoleksandr bajêsívsʹkijanalízdanihumodelûvannítaprognozuvannínelíníjnihnestacíonarnihfínansovoekonomíčnihprocesív AT trofymchukoleksandr bajesovskijanalizdannyhvmodelirovaniiiprognozirovaniinelinejnyhnestacionarnyhfinansovoékonomičeskihprocessov AT bidyukpetro bajesovskijanalizdannyhvmodelirovaniiiprognozirovaniinelinejnyhnestacionarnyhfinansovoékonomičeskihprocessov AT prosyankinazharovatetyana bajesovskijanalizdannyhvmodelirovaniiiprognozirovaniinelinejnyhnestacionarnyhfinansovoékonomičeskihprocessov AT terentievoleksandr bajesovskijanalizdannyhvmodelirovaniiiprognozirovaniinelinejnyhnestacionarnyhfinansovoékonomičeskihprocessov |
| first_indexed |
2025-10-30T02:48:39Z |
| last_indexed |
2025-10-30T02:48:39Z |
| _version_ |
1847373352811888640 |
| spelling |
oai:ojs2.jais.net.ua:article-1142024-03-14T10:16:44Z Bayesian data analysis in modeling and forecasting nonlinear nonstationary financial and economic processes Байєсівський аналіз даних у моделюванні та прогнозуванні нелінійних нестаціонарних фінансово-економічних процесів Байесовский анализ данных в моделировании и прогнозировании нелинейных нестационарных финансово-экономических процессов Trofymchuk, Oleksandr Bidyuk, Petro Prosyankina-Zharova , Tetyana Terentiev, Oleksandr нелінійні нестаціонарні процеси байєсівські методи моделювання прогнозування узагальнені лінійні моделі nonlinear nonstationary processes Bayesian methods modeling forecasting generalized linear models нелинейные нестационарные процессы байесовские методы моделирование прогнозирование обобщенные линейные модели The study focuses on some aspects of modeling and forecasting the nonlinear nonstationary processes (NNP) of applying the modern Bayesian methods of data, in particular, generalized linear model (GLM) that are popular in analysis of NNP. All Bayesian techniques of data analysis are very popular today thanks to their flexibility, high quality of results, availability of possibilities for structural and parametric optimization and adaptation to new data and conditions of functioning. The structural and parametric adaptation of Bayesian generalized linear models supposes taking into consideration the following elements: number of equations that are necessary for adequate formal description of the processes under study; availability of nonlinearity and nonstationarity; type of random disturbance — its probability distribution and corresponding parameters; order of model equations, and some other structural elements. Such approach to modeling improves model adequacy and quality of final result of their application. Parameter estimation of the models can be performed by making use of rather wide set of methods, more precisely the following: ordinary LS (OLS), nonlinear LS (NLS), maximum likelihood (ML), the method of additional variable (MAV), and Monte Carlo for Markov Chain (MCMC). The last method is distinguished by universality of application to estimation of linear and nonlinear models. Besides, each of Bayesian approaches to data analysis is well supported by appropriate sets of statistical criteria that make it possible thorough quality analysis of intermediate and final results of computations. Illustrative examples are presented the usage of the Bayesian approach for analysis and forecasting of NNP, in particular, in specialized intellectual decision support system. У статті представлено короткий огляд сучасних байєсівських методів аналізу даних, наведено особливості застосування узагальнених лінійних моделей (УЛМ) в аналізі нелінійних нестаціонарних процесів, підкреслено їхні можливості та особливості застосування до процесів різної природи. Усі байєсівські методи аналізу даних сьогодні дуже популярні завдяки своїй гнучкості, високій якості результатів, можливості структурно-пара-метричної оптимізації та адаптації до нових даних і умов функціонування. Структурно-параметрична адаптація байєсівських УЛМ передбачає врахування кількості рівнянь, які необхідні для адекватного опису досліджуваних процесів; наявності нелінійності та нестаціонарності; типу випадкового збурення — його розподілу ймовірностей; порядку використаних рівнянь та деяких інших елементів структури. Все це сприяє підвищенню адекватності моделей, що будуються, і якості остаточного результату їх застосування. Для оцінювання параметрів цих моделей можна примінити досить широку множину методів, зокрема таких: звичайний метод найменших квадратів (МНК), нелінійний МНК (НМНК), метод максимальної правдоподібності (ММП), метод допоміжної змінної (МДП) і метод Монте–Карло для марковських ланцюгів (МКМЛ), який відрізняється універсальністю застосування до оцінювання параметрів лінійних та нелінійних моделей. Крім того, кожен з байєсівських методів аналізу даних добре підтримується відповідними множинами статистичних критеріїв, які роблять можливим ретельний якісний аналіз проміжних і кінцевих результатів. У статті наведено приклад застосування GLM для прогнозування фінансових втрат у страхуванні, запропоновано використання байєсівського аналізу даних у спеціалізованій інтелектуальній системі підтримки прийняття рішень, що дозволило підвищити якість результатів обчислень. В статье представлен краткий обзор современных байесовских методов анализа данных, приведены особенности применения обобщенных линейных моделей (УЛМ) в анализе нелинейных нестационарных процессов, подчеркнут их возможности и особенности применения к процессам различной природы. Все байесовские методы анализа данных сегодня очень популярны благодаря своей гибкости, высокому качеству результатов, возможности структурно-параметрической оптимизации и адаптации к новым данным и условиям функционирования. Структурно-параметрическая адаптация байесовских УЛМ предполагает учет количества уравнений, необходимых для адекватного описания исследуемых процессов; наличия нелинейности и нестационарности; типа случайного возмущения – его распределения вероятностей; порядка использованных уравнений и других элементов структуры. Все это способствует повышению адекватности строящихся моделей и качеству окончательного результата их применения. Для оценки параметров этих моделей можно применить достаточно широкое множество методов, в том числе таких: обычный метод наименьших квадратов (МНК), нелинейный МНК (НМНК), метод максимального правдоподобия (ММП), метод вспомогательной переменной (МДП) и метод Монте-Карло для марковских цепей (МКМЛ), отличающийся универсальностью применения для оценки параметров линейных и нелинейных моделей. Кроме того, каждый из байесовских методов анализа данных хорошо поддерживается соответствующими множествами статистических критериев, которые делают возможным тщательный качественный анализ промежуточных и конечных результатов. В статье представлен пример применения GLM для прогнозирования финансовых потерь в страховании, предложено использование байесовского анализа данных в специализированной интеллектуальной системе поддержки принятия решений, что позволило повысить качество результатов вычислений. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2023-07-21 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/114 10.34229/1028-0979-2023-4-6 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 68 № 4 (2023): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 71-83 International Scientific Technical Journal "Problems of Control and Informatics; Том 68 № 4 (2023): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 71-83 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 68 No. 4 (2023): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 71-83 2786-6505 2786-6491 10.34229/1028-0979-2023-4 en https://jais.net.ua/index.php/files/article/view/114/207 Copyright (c) 2023 Oleksandr Trofymchuk, Petro Bidyuk, Tetyana Prosyankina-Zharova , Oleksandr Terentiev https://creativecommons.org/licenses/by-nc-nd/4.0 |