Статті в журналах з теми "Модель ARIMAX"
Щоб переглянути інші типи публікацій з цієї теми, перейдіть за посиланням: Модель ARIMAX.
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся з топ-20 статей у журналах для дослідження на тему "Модель ARIMAX".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Переглядайте статті в журналах для різних дисциплін та оформлюйте правильно вашу бібліографію.
1
Худов, Г. В., О. М. Маковейчук, І. М. Бутко та І. А. Хижняк. "Модель прогнозування геопросторових даних в системах обробки геопросторової інформації". Системи озброєння і військова техніка, № 2(66) (21 травня 2021): 123–28. http://dx.doi.org/10.30748/soivt.2021.66.16.
Повний текст джерелаАнотація:
Предметом дослідження в статті є прогнозування геопросторових даних в системах обробки геопросторової інформації. Метою статті є розробка моделі прогнозування геопросторових даних в системах обробки геопросторової інформації. Удосконалено модель прогнозування даних, яка представляє собою адаптивну селективну модель на базі ансамблю інтегрованих моделей авторегресії-ковзного середнього {ARIMA(p, d, q)} різних порядків. При цьому в якості критерія селекції використовується мінімум суми квадратів відхилень для попередніх прогнозів, що забезпечує точність та робастність прогнозу і дає можливість приймати на його основі обґрунтовані управлінські рішення. Напрямком подальших досліджень є проведення верифікації отриманого прогнозу.
2
Б. Б., Раднаев, Цыбиков А. С. та Хабитуев Б. В. "ARIMA-МОДЕЛЬ ПУЛЬСОВОГО СИГНАЛА". Bulletin of the Buryat State University Mathematics Informatics 100, № 1 (2017): 78–85. http://dx.doi.org/10.18101/2304-5728-2017-1-78-85.
Повний текст джерела
3
Жигайло, О. М., та М. М. Топор. "АВТОМАТИЗОВАНА ПОБУДОВА МОДЕЛЕЙ ПРОГНОЗУВАННЯ ЗБУТУ ХЛІБОБУЛОЧНИХ ВИРОБІВ". Automation of technological and business processes 11, № 2 (26 червня 2019): 24–30. http://dx.doi.org/10.15673/atbp.v11i2.1372.
Повний текст джерелаАнотація:
Дослідження процесів збуту та планування виробництва є важливою складовою діяльності будь-якого комерційного підприємства. Це пояснюється тим, що професійне вирішення основних задач збуту обумовлює максимальний рівень задоволення потреби клієнтів, створення додаткових маркетингових переваг, збільшення обсягів реалізації, забезпечення зростання прибутку не тільки в коротко, але і в довгостроковому періоді. Для підвищення ефективності управління процесами збуту та планування виробництва сучасні підприємствавикористовують різноманітні програмні продукти, які автоматизують тільки частину їх бізнес-процесів. В тих продуктах, які займаються аналізом, прогнозуванням збуту та плануванням виробництва, існують проблеми з рівнем точності результатів прогнозу. Тому розробка програмних модулів, що спрощують вирішення задачі прогнозування та підвищують точність отриманих результатів є досить актуальною. Для вирішення задачі прогнозування була обрана модель проінтегрованої авторегресії та ковзного середнього (ARIMA). Перед побудовою моделей прогнозування проводиться автоматична класифікація (кластеризація) досліджуваних часових рядів для виявлення чітких груп зі схожими властивостями, яка надає можливість вибору початкової структури моделей прогнозування для кожної із груп. Після цього йде валідація або корегування значень порядку складових моделей (AR, MA), завдяки результатам обробки коррелограмм автокореляційної та приватної автокореляційної функій. На останньому етапі за допомогою методу найменших квадратів розраховуються параметри сформованих моделей прогнозування.
4
Родионова, Лилия Анатольевна, та Елена Дмитриевна Копнова. "Статистические подходы к анализу и моделированию сезонности в демографических данных". Демографическое обозрение 6, № 2 (1 липня 2019): 104–41. http://dx.doi.org/10.17323/demreview.v6i2.9874.
Повний текст джерелаАнотація:
Согласно майскому указу Президента (2018 г.), в число национальных целей и стратегических задач развития РФ на период до 2024 г. входят «обеспечение устойчивого естественного роста численности населения РФ и повышение ожидаемой продолжительности жизни до 78 лет». Возросшая необходимость мониторинга текущей демографической ситуации, изучение структуры демографических показателей, пристальное внимание научного сообщества к реализации национальных целей обусловили выбор темы настоящего исследования.
В работе исследовались проблемы моделирования сезонности демографических показателей РФ (числа рождений, числа умерших, младенческой смертности, числа заключенных браков) по ежемесячным данным Росстата за период 2007-2018 гг. Зарубежные исследования показали, что, наряду с традиционными демографическими методами, ARIMA-модели дают хорошие результаты при прогнозировании демографических показателей (численности населения, уровня рождаемости и смертности, продолжительности жизни населения). Использование статистического подхода на основе SARIMA-моделей в данной работе позволило получить адекватные модели с хорошими статистическими и прогностическими свойствами. Стационарность процессов с учетом сезонности анализировали на основе HEGY-теста. Исследуемые в работе показатели имели ряд особенностей, которые были учтены при моделировании. Ряды числа рождений и числа умерших имели второй и первый порядки интегрируемости соответственно и содержали детерминированную сезонность, ряд числа заключенных браков имел первый порядок обычной и сезонной интегрируемости, ряд младенческой смертности не содержал сезонность, что было подтверждено на основе анализа автокорреляционной функции и периодограммы. Для анализируемых показателей в работе были построены точечные и интервальные оценки прогноза на 2019 г. Для сравнения качества прогнозирования SARIMA-моделей в работе были оценены также сезонные модели Хольта-Уинтерса.
5
Сердюк, К., та O. П’ятикоп. "Вибір моделі прогнозування індивідуальних навантажень ходьби людини." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 44 (29 жовтня 2021): 60–65. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-10.
Повний текст джерелаАнотація:
Сучасний світ стикається з проблемою недостатньої фізичної і рухової активності людини, або гіподинамією. Особливо зараз це питання актуальне у зв’язку з пандемією Covid-19 та вимушеним переходом на дистанційну роботу та навчання. Сучасна людина в умовах популярною на сьогоднішній день сидячої роботи рухається вкрай мало. Найпростішим методом підвищення рухової активності людини є ходьба. Робота присвячується вирішенню проблеми прогнозування кількості кроків для людини з урахуванням його особливостей та попередніх показників. В статті наведено аналіз публікацій щодо визначення необхідної кількості кроків. Описано процес попередньої обробки реальних даних. Для моделювання в роботі обрано три методи прогнозування: метод простого усереднення (SMA), експоненціально зважене ковзне середнє (EWMA), авторегресійна інтегрована модель змінної середньої (ARIMA). Використовувані в роботі методи дозволять знайти кращий метод для прогнозування кількості майбутніх кроків людини.
6
Fel’ker, M. N., and V. V. Chesnov. "STUDY OF THE INFLUENCE OF CHANGING THE PARAMETERS OF THE ARIMA MODEL ON THE QUALITY OF THE FORECAST FOR SHORT DATA SETS." Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics 21, no. 3 (August 2021): 36–46. http://dx.doi.org/10.14529/ctcr210304.
Повний текст джерелаАнотація:
Time series, i.e. data collected at various times. The data collection segments may differ de-pending on the task. Time series are used for decision making. Time series analysis allows you to get some result that will determine the format of the decision. Time series analysis was carried out in very ancient times, for example, various calendars became a consequence of the analysis. Later, time series analysis was applied to study and forecast economic, social and other systems. Time se-ries appeared a long time ago. Once upon a time, ancient Babylonian astronomers, studying the po-sition of the stars, discovered the frequency of eclipses, which allowed them to predict their appearance in the future. Later, the analysis of time series, in a similar way, led to the creation of various calen-dars, for example, harvest calendars. In the future, in addition to natural areas, social and economic ones were added. Aim. Search for classification patterns of time series, allowing to understand whether it is possible to apply the ARIMA model for their short-term (3 counts) forecast. Materials and methods. Special software with ARIMA implementation and all need services is made. We examined 59 data sets with a short length and step equal a year, less than 20 values in the paper. The data was processed using Python libraries: Statsmodels and Pandas. The Dickey – Fuller test was used to de-termine the stationarity of the series. The stationarity of the time series allows for better forecasting. The Akaike information criterion was used to select the best model. Recommendations for a rea-sonable selection of parameters for adjusting ARIMA models are obtained. The dependence of the settings on the category of annual data set is shown. Conclusion. After processing the data, four categories (patterns) of year data sets were identified. Depending on the category ranges of parame-ters were selected for tuning ARIMA models. The suggested ranges will allow to determine the starting parameters for exploring similar datasets. Recommendations for improving the quality of post-forecast and forecast using the ARIMA model by adjusting the settings are given.
7
Chaban, V. I., S. P. Kliavzo, O. U. Podobed, and S. A. Chernyh. "Sunflower yield forecast using ARIMA time series models." Scientific Journal Grain Crops 5, no. 2 (2022): 267–74. http://dx.doi.org/10.31867/2523-4544/0185.
Повний текст джерелаАнотація:
The forecast of sunflower yield was based on the analysis of the time series of yield data of this crop at its cultivation in the Northern Steppes of Ukraine against the background of natural fertility for 1971-2019. The true average yield value of sunflower ranged from 2.15 ± 0.17 t/ha, the average variation of yield data for the study period was: coefficient of variation – Cv = 24 %, standard deviation – s = 0.516 t/ha. Analysis of the scattering graph of the series showed a tendency to increase the sunflower yield over a given period of time. An adequate linear model with an increasing trend of yield data is obtained. According to the forecast results by this method for the period up to 2025, the sunflower yield is expected at the level of 2.59–2.67 t/ha. Forecasting with ARIMA (Autoregressive Integrated Moving Average) was carried out by reduction of the yield data series to a stationary form, which was achieved by first order differentiation D (-1). The selection of the most adaptive model was carried out by varying the values of p and q, according to the type of autocorrelation (ACF) and partial autocorrelation functions (PACF). It was found that the best model is D (-1) ARIMA model: (2,0,0), the stationarity of which was achieved by first order differentiation, the residuals are not autocorrelated and normally distributed, and the regression coefficients corresponded to the values of residual probabilities less (p <0, 05). According to the short-term forecast based on the chosen model, it was found that the maximum of sunflower yield against the background of natural fertility in 2023 should be expected up to 3.56 t/ha. Keywords: forecast, yield, sunflower, model, time series, ARIMA model.
8
Лакман, И. А., Р. А. Аскаров, В. Б. Прудников, З. Ф. Аскарова та В. М. Тимирьянова. "Прогнозирование смертности по причинам в Республике Башкортостан на основе модели Ли–Картера". «Проблемы прогнозирования» 2021 №5, No 5, 2021 (25 вересня 2021): 124–38. http://dx.doi.org/10.47711/0868-6351-188-124-138.
Повний текст джерелаАнотація:
В статье проведен анализ и сделан прогноз возрастно-половых коэффициентов смертности по причинам в Республике Башкортостан. В качестве методов анализа использованы: модель Ли-Картера, SVD-разложение, ARIMA-моделирование. Согласно результатам прогноза, в Республике Башкортостан к 2025 г. ожидается: снижение смертности по причине злокачественных новообразований во всех возрастных группах, за исключением группы 70+ для женщин и возрастных групп, начиная с 50+, для мужчин; снижение смертности по причине болезней системы кровообращения во всех возрастных группах для мужчин и увеличение – в возрастных группах 45+ для женщин; снижение смертности по причине травм во всех возрастных группах для обоих полов; отсутствие значительных изменений в смертности по причине болезней органов дыхания; повышение смертности от болезней ЖКТ для обоих полов во всех возрастах, за исключение детского возраста; повышение смертности по причине инфекции в возрастах 20-54 года для мужчин и 20-64 года для женщин; снижение смертности от инфекции почти в два раза в возрастной группе 0-4 года для обоих полов.
9
Polovnikov, D. S., and I. Yu Kolpakov. "APPLICATIONS OF AUTOREGRESSIVE AND INTEGRATED MOVING AVERAGE (ARIMA) MODEL IN ECONOMIC PROCESSES." Фундаментальные исследования (Fundamental research), no. 7 2020 (2020): 90–95. http://dx.doi.org/10.17513/fr.42810.
Повний текст джерела
10
Chernigovskiy, A. V., M. V. Krivov, and A. L. Istomin. "Investigating Network Traffic and Selecting a Matching Mathematical Model." Herald of the Bauman Moscow State Technical University. Series Instrument Engineering, no. 3 (132) (September 2020): 84–99. http://dx.doi.org/10.18698/0236-3933-2020-3-84-99.
Повний текст джерелаАнотація:
The investigation aimed to study various network traffic types so as to derive a mathematical description not only for a specific type of traffic, but also for the aggregated network traffic. We characterized the main types of data transmitted during network operation and compared the results with the most common mathematical models, that is, Poisson, Pareto, Weibull, exponential and lognormal distributions. We established that regardless of traffic type the volume distribution of data packets transmitted has a "long tail" and is well described by the lognormal distribution model. We evaluated the autocorrelation function, which showed that a long-range dependence characterises virtually all data, which indicates their self-similarity. We also confirmed this conclusion by calculating the Hurst exponent. At the same time, we determined that the degree of self-similarity depends not only on the type of data transmitted, but also on the data ratio in the aggregated network traffic. We selected the following models so as to compare the mathematical descriptions of traffic: classical and fractal Brownian motion, and the AR, MA, ARMA and ARIMA models. The results showed that the fractal Brownian motion model provides the most accurate mathematical description of network traffic
11
Rakhmonov, Ikromjon U., and Nurbek Nurullo ugli Kurbonov. "Forecasting the Electricity Consumption at Industrial Enterprises Using an Autoregressive Integrated Moving Average Model." Vestnik MEI, no. 6 (2021): 11–19. http://dx.doi.org/10.24160/1993-6982-2021-6-11-19.
Повний текст джерелаАнотація:
The problems concerned with forecasting the amount of electricity consumed by industrial enterprises are of utmost importance. An effective way of resolving conflicts between an industrial enterprise and a power supply company and preventing the occurrence of additional costs is to perform maximally accurate prediction of electricity consumption parameters, which can be achieved by reducing them for a contractual settlement period. Electricity consumption forecasting is of importance both from the technological and economical points of view, and its completeness has a direct effect on improving the competitiveness of manufactured products. This, in turn, is determined by a significant fraction of electricity expenditures in the enterprise output net cost. In determining the forecasted indicators of electricity consumption by industrial enterprises, it is advisable to use modern high-precision forecasting methods that ensure the minimum prediction error. The article addresses matters concerned with forecasting the electricity consumption by industrial enterprises with applying the autoregressive integrated moving average (ARIMA) method and using the Python 3.9 programming language (with involvement of the following software packages: statsmodels, numpy, pandas, pmdarima, and matplotlib) taking a metallurgical enterprise in the Republic of Uzbekistan as an example. An outline flowchart of electricity consumption prediction algorithm using the autoregressive integrated moving average method has been developed. The electricity consumption value predicted using the developed model is compared with the actual electricity consumption data. The adequacy of the developed models is validated by low absolute and relative errors between the actual and predicted data. An analysis of prediction error values has shown that the low prediction error in percentage terms is due to adequately developed mathematical models of electricity consumption parameters, due to which these can be applied to forecast the electricity consumption parameters at ferrous metallurgy enterprises.
12
Suvorov, Aleksandr O., Aleksandr A. Petrenko, and Anastasija D. Neprina. "Comparative evaluation of technical and fundamental analysis models when predicting stock prices." Journal Of Applied Informatics 16, no. 96 (December 24, 2021): 6–20. http://dx.doi.org/10.37791/2687-0649-2021-16-6-6-20.
Повний текст джерелаАнотація:
The article considers a comparative analysis of the effectiveness in use of ARIMA, ARCH, GARCH models, а multi-factor forecasting model, and a decision tree model. Model functionality can be evaluated on the practical examples presented in the article. The results of applying the Dickey-Fuller test according to various data to verify the presence of non- stationarity are obtained. Parametric arguments for the models under study are described. The initial data, the order of the study, the results and charts are presented. Using the R programming language, practical studies focused on the functionality of the technical and fundamental analysis models were carried out to obtain the forecast values of PJSC "Sberbank" stock rate. The software modeling process showed the strengths and weaknesses of each of the models considered. The best results were shown by the multi-factor model. The paper gives quantitative indicators of the forecast values. A comparative table of the statistical indicators showing the results of the forecast models is presented and the conclusions are drawn based on the suitability of their modeling. Current study was carried out to identify models of technical and fundamental analysis that give the most accurate forecast of the stock price with the possibility of further implementation in a computer program.
13
"Берідзе Т.М., Бараник З.П. МОДЕЛЮВАННЯ ПАНДЕМІЇ COVID-19 В УКРАЇНІ". TRADE AND MARKET OF UKRAINE, № 49 (1) 2021 (30 червня 2021): 9–17. http://dx.doi.org/10.33274/2079-4762-2021-49-1-9-17.
Повний текст джерелаАнотація:
Мета. Дослідження розповсюдження пандемії COVID-19 в Україні на підставі статистичної інформації шляхом математичного моделювання з застосуванням ARIMA-моделей задля прогнозування постраждалих від COVID-19. Методи. Проблема, яка потребує як найшвидшого вирішення, аналізу статистики хворих COVID-19 задля відповідного прогнозування. Моніторинг щодо чисельності постраждалих від COVID-19, опублікованих в засобах масової інформації, дає підстави вважати про наявність процесів з невизначеністю. Застосування методу математичного моделювання дозволяє проаналізувати стан захворюваності COVID-19 з метою прогнозування постраждалих від пандемії. Показано, що статистична інформація постраждалих від COVID-19, утворюють стохастичні часові ряди з дискретністю в одну добу. Аналіз цих рядів дозволив дійти висновку щодо можливості моделювання на підставі кореляційної теорії випадкових процесів. Зведення нестаціонарних часових рядів, які містять стаціонарні збільшення, до лінійних стаціонарних рядів шляхом визначення другої різниці дало можливість синтезувати структуру математичної моделі у вигляді авторегресії другого порядку. Застосування статистичних даних щодо постраждалих від COVID-19, дозволило ідентифікувати параметри математичних моделей відповідно до постраждалих від COVID-19. Результати. Досліджено процес розповсюдження пандемії COVID-19 в Україні на підставі статистичних даних Розроблені математичні моделі дозволили спрогнозувати кількість постраждалих від COVID-19. Це надало можливість обчислити залежність чисельності постраждалих від COVID-19, що припадає на одного одужаного або померлого в залежності від часу. Отримані аналітичні співвідношення в оцифрованому вигляді довели, що за досить тривалий період, порядку 80 діб, кількість постраждали від COVID-19 зростає. У той же час швидкість збільшення кількості, які захворіли і померли від COVID-19 зменшується, що дає підстави визначити оптимістичний сценарій щодо терміну закінчення спалаху COVID-19. Запропоновано скористатися розробленою методикою задля порівняння динаміки кількості постраждалих від COVID-19, що забезпечить можливість визначити ефективність заходів по попередженню COVID-19. Ключові слова: пандемія, модель, стохастичність, часовий ряд, авторегресія, прогноз.
14
Zhukovska, O. A., та R. V. Shperlov. "ПРОГНОЗУВАННЯ НАВАНТАЖЕННЯ HIGH-LOAD СИСТЕМ". Економічний вісник Національного технічного університету України «Київський політехнічний інститут», № 18 (17 вересня 2021). http://dx.doi.org/10.20535/2307-5651.18.2021.231293.
Повний текст джерелаАнотація:
У статті проведено аналітико-прогностичне моделювання завантаженості інформаційної системи, що в метричному виразі базується на кількості запитів до системи в секунду. Досліджені статистичні дані показника кількості запитів до системи дозволяють знаходити закономірності минулого та прогнозувати подальший вектор розвитку. Актуальність даного дослідження є пріоритетним напрямом в IT-індустрії, адже масштабність інформаційних систем навіть малих компаній є настільки громісткою, що затрати на їх утримання становлять велику долю доходу компаній. Зазначено, що однією значною причиною актуальності є світова криза, спровокована пандемією Covid-19. Саме вона посприяла пошуку нових методів збуту товарів з урахуванням соціальної дистанції та зменшення фінансових втрат. В зв’язку із цим більшість продуктових компаній переводять свій бізнес у віртуальний світ, створюючи неабиякий попит формування власних IT-інфраструктур. Наявність прогнозованих значень забезпечує впевненість бізнесу в стабільності їх продукту чи технології, що напряму впливає на собівартість реалізованого програмного коду та майбутній отриманий дохід. Своєчасність виявлення пікових навантажень або ж навпаки – просідань в системі, допомагають запобігти принципу «карткового домику», та захистити залежні родинні процеси в компанії. Довгострокове бачення руху часового ряду забезпечує компанії можливість підготовки до інфраструктурних змін та надає певний період часу для оновлення технічної бази чи розширення можливостей їх «Cloud Services». З цією метою на основі статистичних даних був побудований прогноз на основі інтегрованого ковзного середнього або ж ARIMA-моделі, проведено статистичне виявлення тренду шляхом аналізу автокореляційних функцій. Було прийнято рішення щодо групування даних відповідно пори доби для збільшення прогнозованих періодів та більшої точності прогнозу моделі. Проаналізовано автокореляційну та часткову автокореляційну функції для часового ряду послідовних різниць для виявлення AR- та MA-процесів. На основі аналізу значущості останніх ненульових лагів побудовано декілька кандидатних моделей для кожного групованого ряду. Кожна модель була провірена на подібність залишків «білому шуму» та нормальності розподілу коефіцієнтів. Зведені прогнози були порівняні та оцінені для виявлення найменшої відсоткової похибки. Було оцінено вартість заощаджень для прогнозованого періоду. На основі цих даних був зроблений висновок, щодо важливості проведення даних досліджень із використанням таких методів прогнозу та аналізу даних для різних векторів діяльності IT-компанії.
15
Федейко, Юрій, та Олександр Жиров. "ПРОГНОЗУВАННЯ ДИНАМІКИ БАЗОВОГО АКТИВУ ЗА ДОПОМОГОЮ ARIMA-GARCH МОДЕЛІ". ГРААЛЬ НАУКИ, 28 листопада 2021, 281–84. http://dx.doi.org/10.36074/grail-of-science.19.11.2021.053.
Повний текст джерелаАнотація:
В даній статті розглянуто метод прогнозування динаміки базового активу фондового ринку за допомогою ARIMA-GARCH моделі, її особливості та архітектуру. Розглянуто зміну цін фінансового інструмента як логарифмічну прибутковість та виведено формули для ефективного прогнозування вартості фінансового інструмента.
16
Petrova, Anzhela, and Margarita Deyneka. "ARIMA-MODELS: MODELING AND FORECASTING PRICES OF STOCKS." International scientific journal "Internauka". Series: "Economic Sciences", 2022. http://dx.doi.org/10.25313/2520-2294-2022-2-7921.
Повний текст джерелаАнотація:
Modeling the dynamics and forecasting of financial market indicators is of interest to its participants and analysts, as well as scientific circles. The implementation of the task of researching market indicators involves the selection of appropriate methods, tools and resources. The popularity and a significant number of approbations belongs to technical analysis, based on the visual analysis of time series using the construction of special charts and graphical models (figures). Technical analysis is subjective, therefore, in addition to it, methods are used that involve the use of a mathematical apparatus. ARIMA model has shown its effectiveness in working with different time series and has become a powerful tool for obtaining accurate forecasts. The algorithm for constructing such a model involves performing a number of mathematical calculations, which can cause difficulties. But thanks to modern software capabilities, for example, the R programming language, statistical analysis of time series, namely the construction of an ARIMA model, is implemented quickly and with the ability to obtain graphical and numerical results. That is why building an ARIMA model using the R language for modeling the price of a company's shares is of practical importance, which will allow you to get a forecast and make decisions during asset purchase and sale transactions in the financial market. In this work, the algorithm for constructing an ARIMA model is implemented using the R-studio environment in 3 stages (with the consistent use of the corresponding library functions) using the example of PepsiCo prices of stocks time series (monthly and daily data). The graphs of the series were constructed, the series were tested for stationarity, an assumption was made about the value of the model parameters according to the preliminary analysis, automatic selection of parameters was also used, and the corresponding models were built. All constructed models were tested for adequacy through appropriate tests and criteria, as well as the quality of approximation of the actual data by the model. Forecast values were obtained, presented graphically in comparison with the actual data of the share price, and the accuracy of the forecast was calculated.
17
Rikota, Valentina, and Elvira Kovpak. "FORECASTING THE DYNAMICS OF THE PFTS STOCK INDEX BY USING THE ARIMA-GARCH MODEL." Pryazovskyi Economic Herald, no. 6(17) (2019). http://dx.doi.org/10.32840/2522-4263/2019-6-75.
Повний текст джерела
18
"Анисимова Д.В. Ретропрогнозирование индекса Санкт-Петербургской фондовой биржи (1914-1915 гг.): опыт работы с моделью ARIMA". Историческая информатика 3, № 3 (березень 2018): 25–32. http://dx.doi.org/10.7256/2585-7797.2018.3.27482.
Повний текст джерела
19
Настић, Небојша. "ЕМПИРИЈСКО ИСТРАЖИВАЊЕ ЦИЈЕНА У БИХ 2006–2010. И ПРОГНОЗА ИНФЛАЦИЈЕ ЗА 2011. ГОДИНУ – ПРИМЈЕНА ARIMA МОДЕЛА". Зборник радова Економског факултета у Источном Сарајеву 1, № 6 (19 жовтня 2012). http://dx.doi.org/10.7251/zrefis1206091n.
Повний текст джерела
20
"Automatic Selection of ARIMA Model Parameters to Forecast COVID-19 Infection and Death Cases." Bulletin of the South Ural State University. Series "Computational Mathematics and Software Engineering" 10, no. 2 (May 2021). http://dx.doi.org/10.14529/cmse210202.
Повний текст джерела