Search results

1

Wavelet-based forecasting of ARIMA time series - an empirical comparison of different methods

100%

Schlüter S., Deuschle C.

Managerial Economics

|

2014

|

vol. 15

|

issue 1

107-131

EN

By means of wavelet transform, an ARIMA time series can be split into different frequency components. In doing so, one is able to identify relevant patters within this time series, and there are different ways to utilize this feature to improve existing time series forecasting methods. However, despite a considerable amount of literature on the topic, there is hardly any work that compares the different wavelet-based methods with each other. In this paper, we try to close this gap. We test various wavelet-based methods on four data sets, each with its own characteristics. Eventually, we come to the conclusion that using wavelets does improve forecasting quality, especially for time horizons longer than one-day-ahead. However, there is no single superior method: either wavelet-based denoising or wavelet-based time series decomposition is best. Performance depends on the data set as well as the forecasting time horizon.

2

Wavelets in the prediction of short-time series

100%

Hadaś-Dyduch M.

Mathematical Economics

|

2015

|

issue 11(18)

43-54

EN

The aim of this article is to present original application wavelets to the prediction of short-term of time series. The model proposed to predict short-term time series (in particular for predicting macroeconomic indicators) is a model of copyright. The model is based on wavelet analysis, the Haar wavelet, the Daubechies wavelet and adaptive models. The Daubechies wavelets are a family of orthogonal wavelets and are characterized by a maximal number of vanishing moments for some given support. Adaptive models have been appropriately modified by the introduction of a wavelet function and combined into one predictive model. The results obtained from the study results indicate that the authorial model is an effective tool for short-term predictions. The model was applied to predict macroeconomic indicators.

3

The Wavelet Transform in Regression

100%

Trzęsiok J., The Karol Adamiecki University of Economics in Katowice

Acta Universitatis Lodziensis. Folia Oeconomica

|

2009

|

vol. 225

EN

The wavelet transform was introduced in the 19S0's and it was developed as an alternative in tin short time Fourier transform. The wavelets theory is very popular in signal processing and pattern recognition and its applications are still growing. This paper presents the wavelet transform in nonparametric regression. The use of wavelets, in statistical applications was pioneered by D. Donoho and I. Johnstone. Here we discuss their methodology - wavelet shrinkage. The wavelet transform is compared with another nonparametric regression method - splines.

PL

Transformacja falkowa została zaproponowana na początku lat osiemdziesiątych, jako alternatywa do transformacji Fouriera. Metoda ta szybko znalazła swoje zastosowanie w teorii sygnałów oraz w rozpoznawaniu obrazów, a zakres jej aplikacji nadal dynamicznie się rozwija. Autorami pionierskich prac z zakresu zastosowań teorii lalek w statystyce są David Donoho and Iain Johnstone. Zaproponowali oni w roku 1994 procedurę WaveShrink wykorzystywaną do estymacji funkcji gęstości oraz budowy nieparametrycznych modeli regresji oparła na transformacji falkowej. W artykule przedstawione zostało zastosowanie transformacji falkowej oraz procedury WaveShrink do budowy modelu regresyjnego. Omawianą metodę porównano z inną nieparametryczny metodą regresji - krzywymi sklejanymi.

4

Approximating Financial Time Series with Wavelets

63%

Hadaś-Dyduch M.

Argumenta Oeconomica Cracoviensia

|

2017

|

issue 16

9-22

EN

Financial time series show many characteristic properties including the phenomenon of clustering of variance, fat-tail distribution, and negative correlation between the rates of return and the volatility of their variance. These facts often render standard methods of parameter estimation and forecasting ineffective. An important feature of financial time series is that they can be characterized by long samples. This causes the models used for their estimation to potentially be more extensive. The aim of the article is to use wavelets to approximate and predict a series. The article describes the author’s model for financial time forecasting and provides basic information about wavelets necessary for proper understanding of the proposed wavelet algorithm. The algorithm uses a Daubechies wavelet.

PL

Finansowe szeregi czasowe wykazują charakterystyczne własności. Wśród nich można wymienić m.in.: występowanie zjawiska grupowania wariancji, leptokurtyczność rozkładów stóp zwrotu (tzw. grube ogony rozkładu) oraz ujemną korelację pomiędzy stopami zwrotu a zmiennością ich wariancji. Zjawiska te powodują, że w wielu przypadkach stosowanie standardowych metod estymacji parametrów i prognozowania nie przynosi zadowalających rezultatów. Ważną cechą finansowych szeregów czasowych jest fakt, że szeregi finansowe charakteryzują się długimi próbkami, co powoduje, że stosowane do ich estymacji modele mogą być bardziej rozbudowane. Celem artykułu jest aproksymacja i predykcja szeregów finansowych z falkami z uwzględnieniem tzw. efektów brzegowych. W artykule opisano autorski model prognozowania finansowych szeregów czasowych oraz przedstawiono podstawowe informacje o falkach niezbędne do właściwego zrozumienia proponowanego algorytmu falkowego. W autorskim algorytmie wykorzystano falkę Daubechies.

Refine search results

1 Acta Universitatis Lodziensis. Folia Oeconomica

1 Argumenta Oeconomica Cracoviensia

1 Managerial Economics

1 Mathematical Economics

2 Hadaś-Dyduch M.

1 Deuschle C.

1 Schlüter S.

1 The Karol Adamiecki University of Economics in Katowice

1 Trzęsiok J.

1 2017

1 2015

1 2014

1 2009

Wavelet-based forecasting of ARIMA time series - an empirical comparison of different methods

Wavelets in the prediction of short-time series

The Wavelet Transform in Regression

Approximating Financial Time Series with Wavelets