|
|
|
|
بهبود عملکرد روش‌های خودرگرسیون میانگین متحرک انباشته کلاسیک با استفاده از تکنیک‌های تجزیه‌ی تجمعی به عوامل اصلی
|
|
|
|
|
|
|
|
نویسنده
|
امینی پگاه ,خاشعی مهدی
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1400 - دوره : 37-1 - شماره : 1 - صفحه:3 -12
|
|
چکیده
|
مدل‌های خودرگرسیون میانگین متحرک انباشته از شناخته شده‌ترین روش‌های آماری هستند. در ادبیات موضوع تلاش‌های فراوانی برای رفع نقایص و محدودیت‌های این‌گونه از مدل‌ها ارائه شده است. در این نوشتار، روشی برای مقابله با محدودیت ساختارهای پیچیده و چندگانه با استفاده از تکنیک‌های تجزیه‌ی تجمعی به عوامل اصلی ارائه شده است. در روش پیشنهادی، ابتدا سری زمانی مورد مطالعه که اساساً پیچیده و شامل چندین ساختار همزمان متفاوت است، به اجزاء تشکیل‌دهنده‌ی خود که اصولاً پیچیدگی کمتری دارند و ساختارهای کمتری را نیز شامل می‌شوند، تجزیه می‌شود. سپس هریک از این ساختارهای ساده‌سازی شده با استفاده از روش خودرگرسیون میانگین متحرک انباشته، پیش‌بینی می‌شود. نهایتاً نیز پیش‌بینی هریک از اجزاء اصلی به‌منظور تشکیل پیش‌بینی‌های نهایی با یکدیگر ترکیب می‌شود. نتایج حاصله از به‌کارگیری روش پیشنهادی در پیش‌بینی قیمت جهانی نفت خام که از پیچیده‌ترین سری‌های زمانی در بازارهای مالی هستند، بیان‌گر کارآمدی روش پیشنهادی است.
|
|
کلیدواژه
|
مدل‌های خودرگرسیون میانگین متحرک انباشته کلاسیک، تکنیک‌های تجزیه‌ی تجمعی به عوامل اصلی، سری‌های زمانی پیچیده‌ی چندگانه، پیش‌بینی بازارهای مالی، قیمت نفت خام
|
|
آدرس
|
دانشگاه صنعتی اصفهان, دانشکده‌ی صنایع و برنامه‌ریزی سیستم‌ها, ایران, دانشگاه صنعتی اصفهان, دانشکده‌ی صنایع و برنامه‌ریزی سیستم‌ها, ایران
|
|
پست الکترونیکی
|
khashei@cc.iut.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
IMPROVING THE PERFORMANCE OF CLASSIC AUTOREGRESSIVE INTEGRATED MOVING AVERAGE USING ENSEMBLE EMPIRICAL MODE DECOMPOSITION
|
|
|
|
|
Authors
|
Amini P. ,Khashei M.
|
|
Abstract
|
Prediction is one of the most important achievements of modeling science, which has a special place in management and decision making. In general, there is a direct relationship between the accuracy of predictions and the quality of made decisions. This is the most important reason why efforts for providing more precise methods of prediction in the subject literature have not stopped despite the existence of numerous methods. The classical AutoRegressive Integrated Moving Average (ARIMA) models are one of the most important and wellknown statistical methods that have been frequently used in various sciences. However, these methods, despite all their unique advantages, have some disadvantages, which sometimes reduce their acceptability. One of the most important of these disadvantages is the limitation of the linearity, the limitation of certainty, the limitation of the number of required data, and the limitation of mixed and multiple structures. Many attempts have been made to address these shortcomings and limitations in the literature. In this paper, a method for overcoming the limitation of complex and multiple structures is presented using the Ensemble Empirical Mode Decomposition (EEMD) techniques. In the proposed method, at first, the understudy time series, which is essentially complex and involves several simultaneous structures, is decomposed into its constituent constituents, which are fundamentally less complicated and include fewer structures. Then, each of these simplified structures is predicted using an autoregressive integrated moving average model. Ultimately, the prediction of each of the main components is combined to formulate final predictions. The results of applying the proposed method to predict the crude oil price, which is among the most complex time series in financial markets, indicate the effectiveness of the proposed method. Numerical results show that the proposed method can improve the performance of the classic autoregressive integrated moving average of 65.57% and 53.85% in predicting Texas and Brent crude oil prices.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|