Zastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych

• Autorzy: Joanna Perzyńska

Warianty tytułu

Application of Artificial Neural Network to Time Series Forecasting

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono sposób wykorzystania sztucznych sieci neuronowych do prognozowania zmiennej w postaci szeregu czasowego. Ilustracją rozważań o charakterze teoretycznym jest przykład empiryczny, w którym modelowaniu i prognozowaniu poddano zmienną mikroekonomiczną charakteryzującą się występowaniem trendu i wahań sezonowych. Jej prognozy wyznaczono na podstawie klasycznych modeli szeregu czasowego, sztucznych sieci neuronowych oraz modeli będących ich złożeniem. Jakość wyznaczonych prognoz oceniono na podstawie ich średnich błędów ex post. Przeprowadzone badania potwierdziły użyteczność sztucznych sieci neuronowych w prognozowaniu szeregów czasowych. (abstrakt oryginalny)

EN

In the paper, the author presents the method of using artificial neural networks for forecasting a variable in the time series form. The illustration of theoretical considerations is the empirical example, in which forecasts are calculated for microeconomic variable with trend and seasonal fluctations. Its forecasts are based on the classic time series models, artificial neural networks and models being their composition. The quality of the forecasts is assessed on the basis of their average expost errors. The research confirms the usefulness of artificial neural network in time series forecasting. (original abstract)

Słowa kluczowe

PL

Szeregi czasowe; Sztuczne sieci neuronowe (SSN); Prognozy ekonometryczne

EN

Time-series; Artificial neural networks (ANN); Econometric forecasts

• Czasopismo: Zeszyty Naukowe Zachodniopomorskiej Szkoły Biznesu Firma i Rynek
• Rocznik: 2018
• Numer: nr 2 (54)
• Strony: 95--104

Twórcy

autor

Joanna Perzyńska

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Bibliografia

• Dittmann P., Dittmann I., Szabela-Pasierbińska E., Szpulak A., Prognozowanie w zarządzaniu przedsiębiorstwem, Oficyna Wolters Kluwer business, Kraków 2009.
• Hornik K., Stinchcombe M., White H., Multilayer feedforward networks are universal approximators, Neural Networks, 2, 1989, s. 359-366.
• Lula P., Hybrydowe metody identyfikacji wzorców oraz modelowania i prognozowania szeregów czasowych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, Taksonomia nr 906, Klasyfikacja i analiza danych - teoria i zastosowania, Wrocław 2001, s. 68-76.
• Lula P., Tadeusiewicz R., Wprowadzenie do sieci neuronowych, StatSoft, Kraków 2001
• Masters T., Sieci neuronowe w praktyce, Wydawnictwa Naukowo-Techniczne, Warszawa 1996.
• Witkowska D., Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. Beck, Warszawa 2002.
• Zawadzki J., Ekonometryczne metody prognozowania procesów gospodarczych, Wydawnictwo Akademii Rolniczej w Szczecinie, Szczecin 1995.
• Zawadzki J., Modelowanie predyktywne i prognozowanie zjawisk w skali mikroekonomicznej, Uniwersytet Szczeciński, Rozprawy i Studia, 228, Szczecin 1996.
• Zeliaś A., Metody statystyczne, Polskie Wydawnictwo Ekonomiczne, Warszawa 2000.
• Zeliaś A., Pawełek B., Wanat S., Prognozowanie ekonomiczne. Teoria, przykłady, zadania, Wydawnictwo Naukowe PWN, Warszawa 2003.