Прогнозирование финансовых временных рядов на много шагов вперёд

Дипломная работа на тему: “Прогнозирование финансовых временных рядов на много шагов вперед”. Автор: Воронцов Александр Алексеевич. Работа состоит из теоретической части, постановки задачи, описания реализации выбранного алгоритма прогнозирования на много шагов вперед и описания проведенных экспериментов. Эксперименты проводились на модельном хаотическом ряде Лоренца и на реальном финансовом ряде – курсе BTC/USD за июль-октябрь 2018. В теоретической части приведены основные понятия и свойства хаотических временных рядов и динамических систем, которые их порождают. Также описаны основные подходы к прогнозированию хаотических временных рядов. Предложен подход прогнозирования на основе кластеризации ряда, в качестве прогнозирующего алгоритма выбран алгоритм Zahn, который использует инструменты теории графов для кластеризации временного ряда. Во второй главе ставится математическая постановка задачи прогнозирования на много шагов вперед и математическая задача прогнозирования на основе кластеризации. Также были приведены метрики, с помощью которых будет оцениваться качество прогнозирования. В главе, посвященной описанию реализации выбранного алгоритма приводится формальное описание алгоритма Zahn, а также его особенности в работе с выбранными временными рядами. Приводится реализация алгоритма на языке Python, а также алгоритм подбора оптимальных параметров. В данной главе в том числе описана техника прогнозирования временного ряда по шаблонам, описание шаблонов и способы их получения. В четвертой главе приводится описание временных рядов, на которых проводятся эксперименты. Для каждого временного ряда выбираются шаблоны и оценивается ошибка прогнозирования в зависимости от количества шагов вперед, на которое дается прогноз. Также приводится метод прогнозирования с использованием априорной информации и техника использования классификаторов для прогнозирования ошибки, что в конечном счете приводит к улучшению прогноза. В заключении дается обобщенный вывод об эффективности алгоритма Zahn и возможных путях, которые помогут улучшить качество прогнозирования.