PL EN


2015 | 227 | 41-58
Article title

Wpływ metody redukcji szumu losowego na dokładność prognoz ekonomicznych szeregów czasowych

Content
Title variants
EN
The Effect of Random Noise Reduction Method on the Accuracy of Forecasting Economic Time Series
Languages of publication
PL
Abstracts
PL
Od momentu pojawienia się w literaturze pojęcia deterministycznego chaosu można zaobserwować ogromny wzrost zainteresowania wielu badaczy teorią nieliniowych układów dynamicznych. Owo zainteresowanie zaowocowało pojawieniem się nowych metod predykcji szeregów czasowych, tj. metody największego wykładnika Lapunowa oraz metody najbliższych sąsiadów. Rzeczywiste szeregi czasowe są zwykle zaburzone przez szum losowy, który może komplikować problem ich prognozowania. Obecność szumu w danych może znacząco wpływać na jakość otrzymanych prognoz, dlatego głównym celem artykułu będzie ocena dokładności prognozowania szeregów czasowych poddanych procesowi redukcji szumu losowego oraz ocena efektywoności wybranej metody redukcji.
EN
Since the deterministic chaos appeared in the literature, we have observed a huge increase of interest in nonlinear dynamic systems theory among researchers. This interest has led to the creation of new methods of time series prediction, e.g. the method of the largest Lyapunov exponent and the nearest neighbors. Real time series are usually distributed by random noise, which can complicate the problem of time series forecasting. As the presence of noise in the data can significantly affect the quality of forecasts, the aim of the article is to evaluate the accuracy of predicting the time series filtered using the nearest neighbor method and the effectiveness of the chosen method of reduction.
Year
Volume
227
Pages
41-58
Physical description
Contributors
References
  • Abarbanel H.D. (1996), Analysis of Observed Chaotic Data, Springer Verlag, Berlin, Heidelberg, New York.
  • Broomhead D.S., King P. (1986), Extracting Qualitative Dynamics from Experimental Data, „Physica D”, Vol. 20, s. 217-236.
  • Cao L. (2001), Method of False Nearest Neighbors [w:] A.S. Soofi, L. Cao, red., Modeling and Forecasting Financial Data, Kluwer, Boston.
  • Chun S.H., Kim K.J., Kim S.H. (2002), Chaotic Analysis of Predictability versus Knowledge Discovery Techniques: Case Study of the Polish Stock Market, „Expert Systems”, Vol. 19, No. 5, s. 264-272.
  • Devaney R.L. (1987), An Introduction to Chaotic Dynamical Systems, Addison-Wesley Publishing Company, Redwood City.
  • Guégan D., Leroux J. (2009), Forecasting Chaotic Systems: The Role of Local Lyapunov Exponents, „Chaos, Solitons & Fractals”, Vol. 41, s. 2401-2404.
  • Kantz H., Schreiber T. (2004), Nonlinear Time Series Analysis, Cambridge University Press, Cambridge.
  • Kennel M.B., Brown R., Abarbanel H.D.I. (1992), Determining Embedding Dimension for Phase Space Reconstruction Using a Geometrical Construction, „Physical Review A” 1992, Vol. 45(6), s. 3404-3411.
  • Miśkiewicz-Nawrocka M. (2012), Zastosowanie wykładników Lapunowa do analizy ekonomicznych szeregów czasowych, Wydawnictwo UE, Katowice.
  • Miśkiewicz-Nawrocka M. (2013a), The Application of Random Noise Reduction by Nearest Neighbor Method of Forecasting of Economic Time Series, “Folia Oeconomica Stetinensia”, 13(21) 2013/2, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, s. 96-108.
  • Miśkiewicz-Nawrocka M. (2013b), Wpływ redukcji szumu losowego metoda najbliższych sąsiadów na wyniki prognoz otrzymanych za pomocą największego wykładnika Lapunowa, „Studia Ekonomiczne”, nr 159, Wydawnictwo UE, Katowice, s. 82-98.
  • Miśkiewicz-Nawrocka M., Zeug-Żebro K. (2014), The Effect of the NRL Indicator on the Accuracy of Financial Series Forecasts, Conference Proceedings. 32nd International Conference Mathematical Methods in Economics MME 2014, Olomouc.
  • Nowiński M. (2007), Nieliniowa dynamika szeregów czasowych, Wydawnictwo AE, Wrocław.
  • Orzeszko W. (2005), Identyfikacja i prognozowanie chaosu deterministycznego w ekonomicznych szeregach czasowych, PTE, Warszawa.
  • Orzeszko W. (2008), The New Method of Measuring the Effects of Noise Reduction in Chaotic Data, „Chaos, Solitons and Fractals”, 38, s. 1355-1368.
  • Packard N.H., Crutchfield J.P., Farmer J.D., Shaw R.S. (1980), Geometry from a Time Series, „Physical Review Letters”, Vol. 45, s. 712-716.
  • Ramsey J.B., Sayers C.L., Rothman P. (1990), The Statistical Properties of Dimension Calculations Using Small Data Sets: Some Economic Applications, „International Economic Review”, 31, No. 4.
  • Small M. (2005), Applied Nonlinear Time Series Analysis. Applications in Physics, Physiology and Finance, „World Scientific Series on Nonlinear Science”, Series A, Vol. 52, World Scientific Publishing Co. Pte. Ltd., Singapore.
  • Stawicki J. (1993), Metody filtracji w modelowaniu procesów ekonomicznych, Wydawnictwo Uniwersytetu Mikołaja Kopernika, Toruń.
  • Takens F. (1981), Detecting Strange Attractors in Turbulence [w:] D.A. Rand, L.S. Young, Lecture Notes in Mathematics, Springer, Berlin, s. 366-381.
  • Wiggins S. (1990), Introduction to Applied Nonlinear Dynamical Systems and Chaos, Springer-Verlag, New York, Berlin, Heidelberg.
  • Zawadzki H. (1996), Chaotyczne systemy dynamiczne, Wydawnictwo AE, Katowice.
  • Zhang J., Lam K.C., Yan W.J., Gao H., Li Y. (2004), Time Series Prediction Using Lyapunov Exponents in Embedding Phase Space, „Computers and Electrical Engineering”, 30, s. 1-15.
Document Type
Publication order reference
Identifiers
ISSN
2083-8611
YADDA identifier
bwmeta1.element.desklight-271d2da8-59a1-40c9-9798-69f40b7f36ac
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.