Results found: 2

Search results

Search:
in the keywords: nieujemna faktoryzacja macierzy

Sort By:

Limit search:

FILTRACJA FINANSOWYCH SZEREGÓW CZASOWYCH METODAMI NIEUJEMNEJ FAKTORYZACJI MACIERZY

100%

Szupiluk R., Rubach P.

Metody Ilościowe w Badaniach Ekonomicznych

2018

vol. 19

issue 3

284-292

W niniejszym artykule przedstawimy metodę wielowy¬miarowej filtracji do eliminacji szumów oraz estymacji trendów z finansowych szeregów czasowych. Jednym z istotnych elementów procesu filtracji będzie dekompozycja szeregów czasowych przy wykorzystaniu nieujemnej faktoryzacji macierzy. Prezentowana metoda może być wykorzystana w wielu praktycznych obszarach finansów i zarządzania jak analiza techniczna rynków, systemy inwestycyjne czy modele ryzyka.

In this paper, we will present a method of multivariate filtration that may be used to eliminate noise and estimate trends in financial time-series. A significant element of the filtration process is the decomposition of time-series using nonnegative matrix factorization. The presented method may be applied in many practical aspects of finance and management, in particular for use in technical analysis of financial markets, trading systems or risk models.

Log-Quad divergence for Non-negative Matrix Factorization in multi-model prediction

67%

Szupiluk R., Rubach P.

Wiadomości Statystyczne. The Polish Statistician

2024

vol. 69

issue 5

14-24

Celem niniejszego artykułu jest przedstawienie nowego algorytmu nieujemnej faktoryzacji macierzy (Non-negative Matrix Factorization – NMF) opartego na dywergencji Log-Quad i możliwości zastosowania go do separacji ukrytych komponentów destrukcyjnych zawartych w predykcjach w ujęciu wielomodelowym. Jako przykład wykorzystania go w praktyce wybrano prognozowanie zużycia energii elektrycznej na podstawie danych dotyczących godzinowego zużycia energii elektrycznej w Polsce w latach 1988–1997. Proponowany algorytm oceniono i porównano z innymi technikami z obszaru ślepej separacji sygnałów (źródeł), takimi jak analiza składowych niezależnych (Independent Component Analysis – ICA) oraz algorytm dekorelacji wieloetapowej (Algorithm for Multiple Unknown Signals Extraction – AMUSE). Wyniki pokazują, że algorytm NMF oparty na dywergencji Log-Quad charakteryzuje się ciekawą właściwością poprawiania predykcji w przypadku niedużych wolumenów danych.

The aim of this paper is to present a new Non-negative Matrix Factorization (NMF) algorithm based on Log-Quad divergence, and to demonstrate its application to the separation of latent destructive components contained in prediction results in a multi-model approach. We provide an example of its application to a real economic problem, i.e. forecasting electricity consumption on the basis of information about hourly use of electricity in Poland in the period of 1988–1997. We evaluated and compared this method with other blind signal (source) separation techniques, such as Independent Component Analysis (ICA) and Algorithm for Multiple Unknown Signals Extraction (AMUSE). The results show that the NMF algorithm based on Log-Quad divergence has an interesting ability to improve predictions for small volumes of data.

Refine search results

1 Metody Ilościowe w Badaniach Ekonomicznych

1 Wiadomości Statystyczne. The Polish Statistician

2 Rubach P.

2 Szupiluk R.

1 2024

1 2018

Search results

FILTRACJA FINANSOWYCH SZEREGÓW CZASOWYCH METODAMI NIEUJEMNEJ FAKTORYZACJI MACIERZY

Log-Quad divergence for Non-negative Matrix Factorization in multi-model prediction