O pewnych modyfikacjach metody najbliższych sąsiadów

• Autorzy: Monika Miśkiewicz
• Języki publikacji: PL

Abstrakty

Celem opracowania było zbadanie efektywności pod względem dokładności otrzymanych prognoz, metody najbliższych sąsiadów oraz metod będących modyfikacjami tej metody. Badania przeprowadzono na podstawie rzeczywistych danych finansowych. Ze względu na długość szeregów czasowych wzięto pod uwagę szeregi finansowe pochodzące z rynków walutowych oraz papierów wartościowych. Spośród spółek wybrano te, które zadebiutowały na GPW w Warszawie stosunkowo wcześnie, dzięki czemu otrzymano dość długie szeregi czasowe. Uwzględniono szeregi czasowe utworzone przez kursy : franka szwajcarskiego, euro, jena japońskiego, dolara amerykańskiego wobec złotego; cen akcji : Dębicy, ING Banku Śląskiego, Jutrzenki, Żywca oraz indeksów : WIG i WIG20, w okresie od 01.01.1999 r. do 30.11.2009 r. Analizowane szeregi finansowe zbudowano w oparciu o dane dostępne na stronie internetowej Banku Ochrony Środowiska S.A.. Do przeprowadzenia niezbędnych obliczeń wykorzystano arkusz kalkulacyjny Microsoft Excel oraz program napisany przez autorkę w języku Delphi. (fragment tekstu)

Słowa kluczowe

PL

Prognozowanie zjawisk ekonomiczno-społecznych; Szeregi czasowe; Metoda najbliższego sąsiedztwa; Stopa zwrotu; Badania empiryczne; Giełda papierów wartościowych; Rynek walutowy

EN

Economic and social phenomenon forecasting; Time-series; Neighbor joining distance method; Rate of return; Empirical researches; Stock market; Foreign Exchange (FX)

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2012
• Tom: Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach 2010
• Strony: 193--219

Twórcy

autor

Monika Miśkiewicz

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Abarbanel H.D. : Analysis of Observed Chaotic Data. Springer-Verlag, Berlin, Heidelberg, New York 1996.
• Agnon Y., Golan A., Shearer M. : Nonparametric, nonlinear, short-term forecasting : theory and evidence for nonlinearities in the commodity markets. "Economics Letters" 1999, Vol. 65.
• Albano A.M. i in. (1991): Using higer oder correlations to define an embedding window. "Physica D", No. 54.
• Billings S.A., Tao Q.H. : Model validation tests for nonlinear signal processing applications. "Int. Journal of Control", 1991,Vol.54(1).
• Broomhead D.S., King P.: Extracting Qualitative Dynamics from Experimental Data. "Physica D", 1986, Vol. 20.
• Cao L. : Method of false nearest neighbors. W : Modeling and Forecasting Financial Data. Ed. Soofi A.S., Cao L..Kluwer, Boston 2001.
• Cao L., Soofi A. : Nonlinear deterministic forecasting of daily dollar exchange rates. "International Journal of Forecasting", 1999, Vol. 15.
• Casdagli M. : Nonlinear Prediction of Chaotic Time Series. "Physica D", 1989, Vol. 53.
• Chun S.H., Kim K.J., Kim S.H. : Chaotic analysis of predictability versus knowledge discovery techniques : case study of the Polish stock market. "Expert Systems", 2002, Vol. 19, No. 5.
• Farmer J.D., Sidorowich J.J. : Predicting Chaotic Time Series, "Physical Review Letters", 1987, Vol. 59, No. 8.
• Fernández-Rodriguez F., Sosvilla-Rivero S. : Testing nonlinear forcastability in time series : Theory and evidence from the EMS. "Economic Letters" 1998, Vol. 59.
• Fernández-Rodriguez F., Sosvilla-Rivero S., Garca-Artiles M.D. : Dancing with bulls and bears : Nearest-neighbour forecasts for the Nikkei index. "Japan and the World Economy", 1999, Vol. 11.
• Finkenstädt B., Kuhbier P. : Forecasting Nonlinear Economic Time Series : A Simple Test to Accompany the Nearest Neighbor Approach. "Empirical Economics" 1995, Vol. 20.
• Kantz H., Schreiber T. : Nonlinear Time Series Analysis. Cambridge University Press 2004.
• Kennel M.B., Brown R., Abarbanel H.D.I. : Detecting Embedding Dimension for Phase Space Reconstruction Using a Geometrical Construction. "Physical Review A", 1992, No. 45.
• Lorenz E.N. : Atmospheric predictability as revealed by naturally occuring analogues. "J.Atmos.Sci.", 1969, No. 26.
• Miśkiewicz M. : Prognozowanie kursów walutowych za pomocą metody "najbliższych sąsiadów". W : Postępy statystyki, ekonometrii i matematyki stosowanej w Polsce Południowej. Red. Zeliaś A., Pociecha J.. Uniwersytet Ekonomiczny, Kraków 2008.
• Nowiński M. : Nieliniowa dynamika szeregów czasowych. Akademia Ekonomiczna, Wrocław 2007.
• Orzeszko W. : Krótkoterminowe prognozowanie chaotycznych szeregów czasowych. "Przegląd Statystyczny", 2004, Zeszyt 3.
• Orzeszko W. : Metody identyfikacji i prognozowania chaotycznych szeregów czasowych. W : Metody ilościowe w naukach ekonomicznych. Czwarte Warsztaty Doktorskie z Zakresu Ekonometrii i Statystyki. Red. Welfe A., Szkoła Główna Handlowa.
• Orzeszko W. : Identyfikacja i prognozowanie chaosu deterministycznego w ekonomicznych szeregach czasowych. Polskie Towarzystwo Ekonomiczne, Warszawa 2005.
• Packard N.H., Crutchfield J.P., Farmer J.D., Shaw R.S. : Geometry from a time series. "Physical Review Letters", 1980, Vol. 45.
• Ramsey J.B., Sayers C.L., Rothman P. : The Statistical Properties of Dimension Calculations Using Small Data Sets : Some Economic Applications. "International Economic Review", 1990, Vol. 31, No. 4.
• Small M. : 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 2005.
• Takens F. : Detecting Strange Atractors in Turbulance. Lecture Notes in Mathematics. Eds. Rand D.A., Young L.S. Springer-Verlag, Berlin 1981.
• Zawadzki H. : Chaotyczne systemy dynamiczne. Elementy teorii i wybrane zagadnienia ekonomiczne.. Akademia Ekonomiczna, Katowice 1996.