OPTYMALIZACJA PROGNOZOWANIA SZEREGÓW CZASOWYCH: WYKORZYSTANIE MODELI UCZENIA MASZYNOWEGO W CELU ZWIĘKSZENIA DOKŁADNOŚCI PREDYKCYJNEJ
Waldemar Wójcik
Politechnika Lubelska (Polska)
Assem Shayakhmetova
Al-Farabi Kazakh National University (Kazachstan)
https://orcid.org/0000-0002-4072-3671
Ardak Akhmetova
Al-Farabi Kazakh National University (Kazachstan)
Assel Abdildayeva
asselabdildayeva5@gmail.comAl-Farabi Kazakh National University (Kazachstan)
https://orcid.org/0000-0002-6381-9350
Galymzhan Nurtugan
Al-Farabi Kazakh National University (Kazachstan)
Abstrakt
Zaangażowanie w działalność inwestycyjną odgrywa kluczową i strategiczną rolę we wspieraniu rozwoju przedsiębiorstw i zapewnianiu ich stabilności na rynku. Zaangażowanie to pociąga za sobą wydatki na nabycie aktywów, wdrażanie postępu technologicznego, zwiększanie zdolności produkcyjnych, prowadzenie badań i rozwoju oraz wiele innych obszarów. Łącznie aspekty te stanowią podstawę trwałego sukcesu organizacji w perspektywie długoterminowej. Niniejsza rozprawa dotyczy wykorzystania technik uczenia maszynowego do prognozowania kluczowych parametrów w biznesie, w tym inwestycji i ich wpływu na kondycję finansową firmy. W tym artykule zbadano różne modele szeregów czasowych i stwierdzono, że zarówno modele Random Forest Regressor, jak i Decision Tree Regressor zapewniają najwyższą dokładność, wykazując identyczne wartości RMSE wynoszące 88,36 w zbiorze danych walidacyjnych. Co więcej, modele Cat Boost i Light GBM wykazały się godną pochwały wydajnością, rejestrując wartości RMSE odpowiednio 92,47 i 104,69. Wyniki te podkreślają solidną wydajność regresorów Random Forest Regressor i Decision Tree Regressor, podkreślając ich zdolność do dostarczania dokładnych prognoz. Należy zauważyć, że Random Forest Regressor i Decision Tree Regressor wyróżniają się wysoką dokładnością w prognozowaniu szeregów czasowych, a wybór między nimi powinien uwzględniać kompromisy między wydajnością obliczeniową a interpretowalnością modelu. Wyniki te pozwalają nam zaproponować praktyczne strategie zarządzania zasobami inwestycyjnymi w celu zapewnienia zrównoważonego rozwoju i dobrobytu przedsiębiorstwa w perspektywie długoterminowej.
Słowa kluczowe:
autoregresja, ARIMA, szereg czasowy, regresor drzewa decyzyjnego, regresor Random Forest, regresor Cat BoostBibliografia
[1] Adebiyi A. A. et al.: Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics, 2014, 2014.
Google Scholar
[2] Adebiyi A. A. et al.: Stock price prediction using the ARIMA model. UKSim-AMSS 16th International Conference on Computer Modelling and Simulation, IEEE, 2014, 106–112.
Google Scholar
[3] Chia-Cheng C., Chun-Hung C., Ting-Yin L.: Investment performance of machine learning: Analysis of S&P 500 index. International Journal of Economics and Financial Issues 10(1), 2020, 59–66.
Google Scholar
[4] Deng Y. et al.: Deep direct reinforcement learning for financial signal representation and trading. IEEE Transactions on Neural Networks and Learning Systems 28(3), 2017, 653–664.
Google Scholar
[5] Gamboa J. C. B.: Deep learning for time-series analysis. 2017, arXiv:1701.01887.
Google Scholar
[6] Hyndman R. et al.: Forecasting with Exponential Smoothing. Springer, Berlin Heidelberg 2008.
Google Scholar
[7] Leung C. K.-S., MacKinnon R. K., Wang Y.: A machine learning approach for stock price prediction. 18th International Database Engineering & Applications Symposium – IDEAS'14, 2014, 274–277.
Google Scholar
[8] Nabipour M. et al.: Predicting stock market trends using machine learning and deep learning algorithms via continuous and binary data; a comparative analysis. IEEE Access 8, 2020, 150199-150212.
Google Scholar
[9] Nelson D., Pereira A., de Oliveira R.: Stock market’s price movement prediction with LSTM neural networks. IEEE International Joint Conference on Neural Networks (IJCNN). 2017, 1419–1426.
Google Scholar
[10] Qingsong W. et al.: Transformers in Time Series: A Survey. 32nd International Joint Conference on Artificial Intelligence (IJCAI 2023), 2023.
Google Scholar
[11] Shi J. et al.: Time Series Forecasting (TSF) Using Various Deep Learning Models. World Academy of Science, Engineering and Technology. International Journal of Computer and Systems Engineering, 2022.
Google Scholar
[12] Smyl S.: A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. Int. J. Forecast. 36(1), 2020, 75–85.
Google Scholar
[13] Sutton R. S., Barto A. G.: Reinforcement learning – an introduction. Adaptive computation and machine learning. MIT Press, 2014.
Google Scholar
[14] Szepesvari C.: Algorithms for Reinforcement Learning. Morgan & Claypool Publishers, 4, 2010.
Google Scholar
[15] Usmani M. et al.: Stock market prediction using machine learning techniques. 3rd International Conference on Computer and Information Sciences. 2018, 146–158.
Google Scholar
[16] Vijh M. et al.: Stock Closing Price Prediction using Machine Learning Techniques. International Conference on Computational Intelligence and Data Science. 2022, 599–606.
Google Scholar
[17] Yawei L., Peipei L., Ze W.: Stock Trading Strategies Based on Deep Reinforcement. Learning Hindawi Scientific Programming. 2022, 1–15.
Google Scholar
[18] Zhang K. T. et al.: AlphaStock: A Buying-Winners-and-Selling-Losers Invest-ment Strategy using Interpretable Deep Reinforcement Attention Networks. Decision Support Systems, 2019, 14–28.
Google Scholar
Autorzy
Waldemar WójcikPolitechnika Lubelska Polska
Autorzy
Assem ShayakhmetovaAl-Farabi Kazakh National University Kazachstan
https://orcid.org/0000-0002-4072-3671
Autorzy
Ardak AkhmetovaAl-Farabi Kazakh National University Kazachstan
Autorzy
Assel Abdildayevaasselabdildayeva5@gmail.com
Al-Farabi Kazakh National University Kazachstan
https://orcid.org/0000-0002-6381-9350
Autorzy
Galymzhan NurtuganAl-Farabi Kazakh National University Kazachstan
Statystyki
Abstract views: 2PDF downloads: 3
Inne teksty tego samego autora
- Madina Bazarova, Waldemar Wójcik, Gulnaz Zhomartkyzy, Saule Kumargazhanova, Galina Popova , TRANSFER WIEDZY JAKO JEDEN Z CZYNNIKÓW ZWIĘKSZANIA KONKURENCYJNOŚCI UNIWERSYTETU , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 3 (2019)
- Vasyl Kukharchuk, Waldemar Wójcik, Sergii Pavlov, Samoil Katsyv, Volodymyr Holodiuk, Oleksandr Reyda, Ainur Kozbakova, Gaukhar Borankulova , CECHY POMIARÓW DYNAMICZNYCH PRĘDKOŚCI KĄTOWEJ Z WYKORZYSTANIEM ENKODERA , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 3 (2022)
- Liudmyla Shkilniak, Waldemar Wójcik, Sergii Pavlov, Oleg Vlasenko, Tetiana Kanishyna, Irina Khomyuk, Oleh Bezverkhyi, Sofia Dembitska, Orken Mamyrbayev, Aigul Iskakova, EKSPERCKIE SYSTEMY ROZMYTE DO OCENY INTENSYWNOŚCI REAKTYWNEGO OBRZĘKU TKANEK MIĘKKICH U PACJENTÓW Z CUKRZYCĄ , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 3 (2022)
- Waldemar Wójcik, Aliya Kalizhanova, Gulzhan Kashaganova, Ainur Kozbakova, Zhalau Aitkulov, Zhassulan Orazbekov, BADANIE PARAMETRÓW ŚWIATŁOWODOWYCH SYSTEMÓW POMIAROWYCH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 2 (2019)
- Waldemar Wójcik, Maksat Kalimoldayev, Yedilkhan Amirgaliyev, Murat Kunelbayev, Aliya Kalizhanova, Ainur Kozbakova, Timur Merembayev, ANALIZA EGZERGETYCZNA KOLEKTORA SŁONECZNEGO DWUOBWODOWEGO Z OBIEGIEM TERMOSYFONU , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 3 (2019)
- Serhii Kondratiuk, Iurii Krak, Waldemar Wójcik, СROSS-PLATFORMOWE NARZĘDZIA DO MODELOWANIA I ROZPOZNAWANIA ALFABETU PALCOWEGO JĘZYKA GESTÓW , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 2 (2019)
- Zbigniew Omiotek, Waldemar Wójcik, ZASTOSOWANIE METODY HELLWIGA DO REDUKCJI WYMIARU PRZESTRZENI CECH OBRAZÓW USG TARCZYCY , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 4 Nr 3 (2014)
- Alexander Litvinenko, Natalya Litvinenko, Orken Mamyrbayev, Assem Shayakhmetova, GENERACJE W SIECIACH BAYESOWSKICH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 3 (2019)
- Saltanat Adikanova, Waldemar Wójcik, Natalya Denissova, Yerzhan Malgazhdarov, Ainagul Kadyrova, WYZNACZENIE WSPÓŁCZYNNIKA PRAWDOPODOBIEŃSTWA RUCHU CZĄSTEK STAŁYCH W TURBULENTNYM PRZEPŁYWIE DYSPERSYJNYM W FAZIE GAZOWEJ , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 2 (2019)
- Ainur Orazayeva , Jamalbek Tussupov, Waldemar Wójcik, Sergii Pavlov, Gulzira Abdikerimova, Liudmyla Savytska, METODY WYKRYWANIA I WYRÓŻNIANIA OBSZARÓW W TEKSTUROWANYCH OBRAZACH BIOMEDYCZNYCH RAKA PIERSI , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 2 (2022)
