Применение моделей, основанных на нечеткой логике, к финансовым временным рядам

А. С. Шведов; В. А. Свиязов

doi:10.5281/zenodo.10956910

Публикации

?

Применение моделей, основанных на нечеткой логике, к финансовым временным рядам

С. 526–531.

Шведов А. С., Свиязов В. А.

Модель обобщенной авторегрессионной условной гетероскедастичности широко применяется для финансовых временных рядов. Имеются и дальнейшие обобщения этой модели. Одно из направлений для таких обобщений, это сочетание идей нечетких систем Такаги - Сугено и идей авторегрессионной условной гетероскедастичности. Преимущество нечетких систем Такаги - Сугено состоит в том, что для каждого нечеткого кластера (например, для нечеткого кластера "низкая волатильность, средняя доходность") строится своя модель обобщенной авторегрессионной условной гетероскедастичности. Путем расчета для конкретного участка временного ряда степени активации каждого нечеткого правила обеспечивается мягкое переключение между этими моделями. В докладе затрагивается вопрос о том, какое место занимают нечеткие системы Такаги - Сугено в нечеткой логике, представлены некоторые результаты расчетов для российских финансовых временных рядов.

Язык: русский

DOI

Ключевые слова: временные ряды нечеткие множества fuzzy sets time series нечеткие системы fuzzy systems volatility modeling моделирование волатильности

В книге

Системное моделирование социально-экономических процессов: труды 46-ой международной научной школы-семинара, г. Уфа, 9 - 15 октября 2023 г.

Воронеж: Истоки, 2024.

Статистическое обнаружение аномалий с помощью LC-кривых: применение к геофизическим временным рядам

Косычев А. М., В кн.: Статистические методы анализа экономики и общества. 17-я Международная научно-практическая конференция студентов и аспирантов (12–15 мая 2026 г.).: М.: Издательский дом НИУ ВШЭ, 2026. С. 172–173.

Кривая жизненного цикла (LC-кривая) — непараметрический статистический инструмент анализа нестационарных временных рядов, предложенный Ф.Т. Алескеровым и М. Голубенко (2003). В работе метод применяется за пределами исходного экономического контекста — для обнаружения аномалий в высокочастотных геофизических временных рядах. На 5-минутных записях GPS-смещений проверяется, можно ли статистически отличить движение грунта перед землетрясениями от фоновой активности в спокойные ...

Добавлено: 21 октября 2026 г.

О воспроизводимости анализа временных рядов на основе матричных профилей

Брычков М. Е., Незнанов А.А., Программирование 2026 № 4 С. 50–66

Матричный профиль (МП) при появлении в 2016 г. быстро стал одним из важнейших методов предобработки, облегчающим решение широкого класса задач анализа временных рядов, в частности, задач обнаружения аномалий и шаблонов. Высокая значимость привела к появлению разнообразных инструментов вычисления МП, но оказалось, что особенности реализации методов существенно влияют на результаты, которые перестают быть идентичными. Встает вопрос, ...

Добавлено: 9 октября 2026 г.

Conscious Exploration of Alpha-Cuts in the Parametric Solution of the School Bus Routing Problem with Fuzzy Walking Distance

Sánchez-Ansola E., Pérez-Pérez A., Rosete A. и др., Computational Intelligence and Neuroscience 2022 Vol. 2022 P. 1–9

Добавлено: 18 сентября 2026 г.

Многоуровневая модель представления данных и алгоритм поиска ассоциативных закономерностей в условиях неопределенности

Утешева Г. Ш., Громов Ю. Ю., Стародубов К. В. и др., Научно-техническая информация. Серия 2: Информационные процессы и системы 2026 № 9 С. 33–41

Проблема извлечения знаний из больших массивов данных, характерных для медицины, финансов и промышленности, осложняется неполнотой значений атрибутов. Существующие методы удаления объектов или импутирования значений искажают истинные паттерны, что при обработке данных приводит к неверным выводам. Цель настоящей работы – разработка математически строгого подхода, позволяющего выявлять интерпретируемые нечеткие ассоциативные правила в условиях неопределенности и пропуска отдельных ...

Добавлено: 15 сентября 2026 г.

Detecting the Future: All-at-Once Event Sequence Forecasting with Horizon Matching

Karpukhin I., Савченко А. В., , in: Proceedings of the AAAI Conference on Artificial Intelligence. AAAI-26: AAAI Technical Track on Planning, Routing, and Scheduling; AAAI Technical Track on Reasoning under Uncertainty; AAAI Technical Track on Search and Optimization. Main Track, volume 40 no. 43.: American Association for Artificial Intelligence (AAAI) Press, 2026. P. 22536–22544.

Добавлено: 17 июня 2026 г.

Декомпозиция и прогноз социальных настроений россиян (нейросетевой подход)

Карачаровский В. В., Ларина У. С., Резмерица А. А., Социологические исследования 2026 № 7 С. 60–75

На основе нейросетевого подхода проводится декомпозиция индекса социальных настроений в России за период 2004-2024 гг., и моделируется динамика социальных настроений в этот период. Обсуждается: (а) природа шоков социальных настроений в России на основе их связи с концепциями политики памяти, сверхдержавы, национальной идеи; (б) проблема амбивалентности факторов, формирующих социальные настроения, и (в) преимущества и ограничения моделирования ...

Добавлено: 14 мая 2026 г.

Современные методы анализа временных рядов в мониторинге и прогнозировании состояния оборудования для механизированной добычи

Незнанов А. А., Глушко А. А., Овчинников С. и др., В кн.: Интеллектуальный анализ данных в нефтегазовой отрасли.: М.: ООО «Геомодель Развитие», 2024. С. 140–143.

С развитием систем мониторинга мы получили возможность собирать ключевые показатели работы устройств в процессе механизированной добычи. Каждый день генерируется огромное количество телеметрии, которая пройдя процесс гармонизации и трансформации может быть использована для прогнозирования состояния оборудования. В докладе представлен обзор и произведён отбор современных математических методов и программных реализации инструментов анализа многомерных нерегулярных временных рядов для ...

Добавлено: 29 апреля 2026 г.

Перспективы медиа-мониторинга в исследованиях общественного мнения (на примере доверия президенту)

Анкудинов И. А., Социология: методология, методы, математическое моделирование 2025 № 61 С. 165–203

Изменчивые политические настроения россиян — постоянный предмет интереса социологических фондов. С развитием интернета привычные анкетные исследования стали дополняться онлайн-опросами и, несмотря на некоторый скепсис, «майнингом» социальных сетей. В настоящей статье предпринимается попытка скорректировать стихийную интернет-выборку так, чтобы приблизить ее оценки к репрезентативным омнибусам. Мы используем показатели доверия Президенту РФ в сети и в опросах с ...

Добавлено: 22 апреля 2026 г.

Online Neural Networks for Change-Point Detection

Гущин М. И., Арзыматов К., Деркач Д. А., Machine Learning 2026 Vol. 115 Article 56

Добавлено: 6 марта 2026 г.

Refrigerant Leak Detection in Data Centers Using Topologically Determined Graph Neural Networks

Ivanov S., Borisov V., Али С. и др., , in: 2025 IEEE XVII International Scientific and Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE).: IEEE, 2025. Ch. 127 P. 1–7.

Добавлено: 19 декабря 2025 г.

Анализ деловой неопределенности с помощью LC-кривых

Алескеров Ф. Т., Лола И. С., Асосков Д. Г. и др., Вопросы экономики 2025 № 11 С. 143–157

Метод LC-кривых – новый подход к анализу временных рядов – применен к композитному индексу деловой неопределенности (ИДН), построенному на основе результатов регулярных бизнес-опросов Росстата, что позволило осуществить анализ траекторий неопределенности по укрупнённым отраслям и подотраслям промышленности России с использованием двух спецификаций индекса: ex-ante (прогнозной) и ex-post (фактической). Результаты эмпирического анализа за период 2020–2024 гг. показали ...

Добавлено: 13 октября 2025 г.

SensorDBSCAN: Semi-Supervised Active Learning Powered Method for Anomaly Detection and Diagnosis

Ivanov P., Shtark M., Kozhevnikov A. и др., IEEE Access 2025 Vol. 13 P. 25186–25197

Fault detection and diagnosis (FDD) is a critical challenge in industrial processes aimed at minimizing risks such as safety hazards, costly downtime, and suboptimal production. Traditional supervised FDD methods offer great performance while heavily relying on large volumes of labeled data, whereas unsupervised methods do not depend on labeled data, though are inferior in performance ...

Добавлено: 29 апреля 2025 г.