Поиск по каталогу |
(строгое соответствие)
|
- Профессиональная
- Научно-популярная
- Художественная
- Публицистика
- Детская
- Искусство
- Хобби, семья, дом
- Спорт
- Путеводители
- Блокноты, тетради, открытки
Prediction of nonlinear nonstationary time series data. A Digital Filter and Support Vector Regression
В наличии
Местонахождение: Алматы | Состояние экземпляра: новый |
Бумажная
версия
версия
Автор: Bhusana Premanode
ISBN: 9783659894084
Год издания: 2016
Формат книги: 60×90/16 (145×215 мм)
Количество страниц: 212
Издательство: LAP LAMBERT Academic Publishing
Цена: 43128 тг
Положить в корзину
Способы доставки в город Алматы * комплектация (срок до отгрузки) не более 2 рабочих дней |
Самовывоз из города Алматы (пункты самовывоза партнёра CDEK) |
Курьерская доставка CDEK из города Москва |
Доставка Почтой России из города Москва |
Аннотация: Volatility is a critical parameter when measuring the size of the errors made in modelling returns and other nonlinear nonstationary time series data. The Autoregressive Integrated Moving-Average (ARIMA) model is a linear process in time series; whilst in the nonlinear system, the Generalised Autoregressive Conditional Heteroskedasticity (GARCH) and Markov Switching GARCH (MS-GARCH) models have been widely applied. In statistical learning theory, Support Vector Regression (SVR) plays a significant role in predicting nonlinear and nonstationary time series data. The book contains a new class model comprised a combination of a novel derivative Empirical Mode Decomposition (EMD), averaging intrinsic mode function (aIMF) and a novel of multiclass SVR using mean reversion and coefficient of variance (CV) to predict financial data i.e. EUR-USD exchange rates. The novel aIMF is capable of smoothing and reducing noise, whereas the novel of multiclass SVR model can predict exchange rates.
Ключевые слова: ARIMA, Digital Filter, Garch, Machine Learning, Markov chain Monte Carlo, Nonlinear, support vector regression, Time Series, Nonstationary, Noise Filtering, Regime Swiching