Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 3

first rewind previous Page / 1 next fast forward last

Search results

help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

Applying Block Bootstrap Methods in Silver Prices Forecasting

100%
Sroka Ł.
Econometrics. Ekonometria. Advances in Applied Data Analytics
|
2022
|
vol. 26
|
issue 2
15-29
PL
W artykule skupiono się na zaprezentowaniu możliwości prognostycznych czterech metod bootstrapowych wykorzystywanych do prognozowania cen na podstawie szeregów czasowych. Celem pracy jest przeanalizowanie jakości prognoz stawianych przez prezentowane w artykule metody dla kontraktów terminowych na srebro. Aby go osiągnąć, przeanalizowano błędy prognoz ex post oraz ex ante dla prognoz postawionych przy wykorzystaniu metod bootstrapowych. Prognozy zostały obliczone przy wykorzystaniu dziennych cen zamknięcia kontraktów terminowych na srebro z okresu od 1 lipca 2020 r. do 27 marca 2022 r. Analiza wykazała, że jakość prognoz każdej z prezentowanych metod jest na zadowalającym poziomie, a ponadto prognozy obliczone przy użyciu metod bootstrapowych są bliższe rzeczywistym realizacjom cen kontraktów terminowych na srebro niż prognozy otrzymane przy wykorzystaniu modelu ARMA(1,1). Ponadto wykazano, że prognozy stawiane metodą tapered block bootstrap są najmniej obciążone błędem prognoz.
EN
This article focuses on the presentation of the forecasting possibilities of bootstrap methods used to predict prices based on time series. The aim of the paper was to examine the quality of the forecasts made with the methods for silver futures contracts. In order to achieve the intended goal, ex-post and ex-ante errors for the forecasts prepared by applying bootstrap methods were analysed. The forecasts were calculated using the daily closing prices of the silver futures contracts for the period from 01/07/2020 to 27/03/2022 The analysis showed that the quality of forecasts for each of the presented methods is at a satisfactory level. Moreover, the forecasts calculated using the bootstrap methods were closer to the real performance of the silver futures contracts than the forecasts obtained using the ARMA model (1,1). In addition, it was shown that the forecasts made with the tapered block bootstrap method are less affected by forecast errors than the other analysed methods.
2
Publication available in full text mode
Content available

Wykorzystanie algorytmu k-prototypów w segmentacji klientów przedsiębiorstwa w marketingu wielopoziomowym

100%
Sroka Ł.
Wiadomości Statystyczne. The Polish Statistician
|
2021
|
vol. 66
|
issue 7
44-56
EN
Segmentation of clients plays an important role in designing a company’s marketing strategy. Differentiating between groups of customers in terms of their characteristics and behaviours, and understanding how customer preferences and needs are shaped, is key to determining effective marketing tools. The aim of the paper is to present the potential of the k-prototypes method in the customer segmentation process. In the study, conducted according to the above-mentioned type of machine learning algorithm, clusters were extracted and the statistical analysis of the groups thus obtained was carried out, using sales data of a trading company operating in the Multi-Level Marketing (MLM) system for the period from September to October 2020. As a result, the company’s customers were divided into six segments, significantly different from each other in terms of features characteristic for clients of an MLM enterprise. The k-prototypes algorithm, adopted here as a segmentation method, satisfactorily processed both numerical and categorical data, and made it possible to identify the clusters. The results obtained by means of this method demonstrated that there are groups of clients of the examined company which focused on maximizing the benefits indicated in the marketing plan as the aim of the company’s operations, customers undecided as to whether to continue in the entity’s structure, and customers who did not plan to associate their future with the examined company.
PL
Segmentacja klientów odgrywa istotną rolę w przygotowaniu strategii marketingowej przedsiębiorstwa. Zróżnicowanie nabywców pod względem ich cech i zachowań oraz zrozumienie tego, jak kształtują się ich preferencje i potrzeby, jest kluczowe dla określenia efektywnych narzędzi marketingowych. Celem artykułu jest przedstawienie możliwości wykorzystania metody k-prototypów w procesie segmentacji klientów. W badaniu za pomocą tego algorytmu uczenia maszynowego wyróżniono klastry oraz przeprowadzono analizę statystyczną powstałych grup. Posłużono się danymi sprzedażowymi za okres od września do października 2020 r., które uzyskano z przedsiębiorstwa handlowego działającego w systemie marketingu wielopoziomowego (MLM). Dokonano podziału na sześć segmentów, znacznie różniących się między sobą pod względem cech charakterystycznych dla klientów przedsiębiorstwa MLM. Algorytm k-prototypów jako metoda segmentacyjna zadowalająco przetworzył dane zarówno numeryczne, jak i kategorialne i w ten sposób umożliwił wyznaczenie klastrów. Otrzymane wyniki pozwoliły stwierdzić, że w badanym przedsiębiorstwie występują grupy klientów nastawionych na maksymalizację korzyści wskazanych jako cel działalności w planie marketingowym, niezdecydowanych co do dalszego trwania w strukturach tej jednostki oraz niewiążących swojej przyszłości z przedsiębiorstwem.
3
Publication available in full text mode
Content available

Applying the agglomerative method in hierarchical clustering for the medium-sized companies listed on the Warsaw Stock Exchange

100%
Sroka Ł.
Journal of Management and Financial Sciences
|
2023
|
issue 48
75-91
EN
The purpose of this article is to use a hierarchical algorithm to reduce the number of companies in stock exchange portfolios, together with the identification of the most and least profitable groups of the companies. To prepare the research, the author decided to use a hierarchical clustering method to segment mWIG40 index entities. The conducted research contributed to the knowledge of the segments appearing on mWIG40 index and the profitability of the obtained clusters in the analyzed period. It was concluded that the hierarchical clustering method can divide the entities from mWIG40 index into six segments. The obtained groups differed from each other in terms of the analyzed features. Moreover, it was found that it was possible to identify more and less profitable segments in terms of the rate of return. What is more, only one segment was characterized by a higher rate of return than the benchmark. The findings can help investors to make better decisions during their investing process. In addition, the results can help companies to map their business in the market.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.