Современные подходы к прогнозированию нестационарных временных рядов
https://doi.org/10.21686/2413-2829-2026-2-45-53
Аннотация
В статье рассматриваются современные методы прогнозирования нестационарных временных рядов, актуальные для анализа социально-экономических систем, финансовых рынков и других областей с высокой неопределенностью. Проведен сравнительный анализ классических подходов (ARIMA, GARCH) и их модификаций, учитывающих структурные сдвиги, нелинейные зависимости и экзогенные факторы. Особое внимание уделено нейросетевым методам, включая LSTM, трансформеры (Informer, Autoformer) и их гибридные варианты, демонстрирующие высокую эффективность при работе с длинными последовательностями. Отдельно рассмотрены адаптивные методы, такие как скользящее окно, и их интеграция с машинным обучением для повышения точности прогнозирования в условиях нестабильности. Исследование включает критический анализ ограничений классических моделей ARIMA и GARCH; обзор современных архитектур нейронных сетей для временных рядов; практические аспекты выбора моделей в зависимости от характеристик данных; перспективные направления развития методов, включая адаптивные алгоритмы и ансамблевые подходы.
Об авторе
А. В. Слипченко
ФГБОУ ВО «Российский экономический университет имени Г. В. Плеханова»
Россия
Россия
Алексей Вячеславович Слипченко - аспирант кафедры прикладной информатики и информационной безопасности
109992, Москва, Стремянный пер., д. 36
Список литературы
1. Гладилин Д. Л. Применение ковариационного анализа с принципом «скользящего окна» для оценки связности нестационарных временных рядов // Экспериментальная психология. – 2020. – Т. 13. – № 2. – С. 15–28.
2. Ardia D., Bluteau K., Boudt K. Bayesian Estimation of the GARCH (1, 1) Model with Student-t Innovations // The R Journal. – 2019. – Vol. 11. – N 2. – P. 370–384.
3. Bateni M. et al. Forecast of Rainfall Distribution Based on Fixed Sliding Window Long Short-Term Memory // Engineering Applications of Computational Fluid Mechanics. – 2022. – Vol. 16. – N 1. – P. 248–261.
4. Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics. – 1986. – Vol. 31. – N 3. – P. 307–327.
5. Bollerslev T. Glossary to ARCH (GARCH). – URL: https://ssrn.com/abstract=1263250 (дата обращения: 01.05.2025).
6. Box G. E. P., Jenkins G. M., Reinsel G. C., Ljung G. M. Time Series Analysis: Forecasting and Control: 5th ed. – Wiley, 2015.
7. Chang S. et al. Dilated Recurrent Neural Networks // Advances in Neural Information Processing Systems 30 (NIPS 2017). – 2017. – P. 77–87.
8. Cont R. Empirical Properties of Asset Returns: Stylized Facts and Statistical Issues // Quantitative Finance. – 2001. – Vol. 1. – P. 223–236.
9. Engle R. F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation // Econometrica. – 1982. – Vol. 50. – N 4. – P. 987–1007.
10. FAST: A Forecasting Model with Adaptive Sliding Window and Time Locality Integration for Dynamic Cloud Workloads // IEEE Transactions on Cloud Computing. – 2022.
11. Glosten L. R., Jagannathan R., Runkle D. E. On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks // Journal of Finance. – 1993. – Vol. 48. – N 5. – P. 1779–1801.
12. Greff K., Srivastava R. K., Koutník J., Steunebrink B. R., Schmidhuber J. LSTM: A Search Space Odyssey // IEEE Transactions on Neural Networks and Learning Systems. – 2017. – Vol. 28. – N 10. – P. 2222–2232.
13. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9. – N 8. – P. 1735–1780.
14. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice: 3rd ed. – OTexts, 2021. – URL: https://otexts.com/fpp3/ (дата обращения: 01.05.2025).
15. Hyndman R. J., Khandakar Y. Automatic Time Series Forecasting: The forecast Package forR // Journal of Statistical Software. – 2008. – Vol. 27. – N 3. – P. 1–22.
16. Kontopoulou V. I., Panagopoulos A. D., Kakkos I., Matsopoulos G. K. A Review of ARIMA vs Machine Learning Approaches for Time Series Forecasting in Data Driven Networks. – URL: https://www.researchgate.net/publication/372771636_A_Review_of_ARIMA_vs_Machine_Learning_Approaches_for_Time_Series_Forecasting_in_Data_Driven_Networks#read
17. Nelson D. B. Conditional Heteroskedasticity in Asset Returns: A New Approach // Econometrica. – 1991. – Vol. 59. – N 2. – P. 347–370.
18. Smith T. et al. pmdarima: ARIMA estimators for Python. – 2017. – URL: https://alkalineml.com/pmdarima/ (дата обращения: 01.05.2025).
19. Vaswani A. et al. Attention is All You Need // Advances in Neural Information Processing Systems 30 (NIPS 2017). – 2017. – P. 5998–6008.
20. Wu H. et al. Autoformer: Decomposition Transformers for Auto-Correlation-based LongTerm Series Forecasting // Advances in Neural Information Processing Systems 34 (NeurIPS 2021). – 2021. – P. 22419–22430.
21. Yildirim H., Bekun F. V. Predicting Volatility of Bitcoin Returns with ARCH, GARCH and EGARCH Models // Financial Innovation. – 2022. – Vol. 8. – P. 1–15.
22. Zhou T. et al. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting // Proceedings of the 35th AAAI Conference on Artificial Intelligence (AAAI-21). – 2021. – Vol. 35. – N 12. – P. 11106–11115.
Рецензия
Для цитирования:
Слипченко А.В. Современные подходы к прогнозированию нестационарных временных рядов. Вестник Российского экономического университета имени Г. В. Плеханова. 2026;(2):45-53. https://doi.org/10.21686/2413-2829-2026-2-45-53
For citation:
Slipchenko A.V. Current Approaches to Forecasting Non-Stationary Time Series. Vestnik of the Plekhanov Russian University of Economics. 2026;(2):45-53. (In Russ.) https://doi.org/10.21686/2413-2829-2026-2-45-53
Просмотров:
271
JATS XML
Послать статью по эл. почте 