Witold Orzeszko Uniwersytet Mikołaja Kopernika. Krótkoterminowe prognozowanie chaotycznych szeregów czasowych
|
|
- Ludwika Czyż
- 7 lat temu
- Przeglądów:
Transkrypt
1 Wiold Orzeszko Uniwersye Mikołaja Kopernika Krókoerinowe prognozowanie chaoycznych szeregów czasowych. Wsęp Pozornie przypadkowy charaker chaoycznych szeregów czasowych oże prowadzić do błędnego wniosku, że są one nieregularne i w efekcie nieprzewidywalne. Jednakże w isocie isnieje w nich ukryy porządek, dzięki kóreu ożliwe jes efekywne prognozowanie ich ewolucji w króki horyzoncie czasowy. W niniejszej pracy przedsawiono wybrane eody sosowane do krókoerinowego prognozowania szeregów chaoycznych; liniową i kwadraową lokalną aproksyację wieloianową oraz eodę ajbliższych Sąsiadów wraz z auorski poysłe pewnej jej odyfikacji. Meody o nie wyagają idenyfikacji wzoru analiycznego funkcji generującej syse ani esyacji jej paraerów. Dokładność wyznaczonych prognoz zależy od wielu czynników, w y liczby obserwacji, wyiaru arakora i wykładników Lapunowa syseu, horyzonu prognozy oraz poziou zakłóceń losowych. Skueczność prezenowanych eod zweryfikowano w zasosowaniu do wygenerowanych znanych szeregów chaoycznych o różnej długości. Dokonano próby krókookresowego prognozowania rzeczywisych ekonoicznych szeregów czasowych indeksu WIG oraz jego sóp zian na podsawie dziennych obserwacji z okresu r.. Chaoyczne szeregi czasowe n Rozważy nieliniowy syse dynaiczny ( X, f ), gdzie X R jes przesrzenią sanów, zaś f : X X jes odwzorowanie generujący ich ewolucję w czasie. W syseach z czase ciągły odwzorowanie f zwykle definiuje się poprzez równanie różniczkowe zwyczajne w posaci noralnej: ds f (S), d (.) dla dowolnego SX, zaś w przypadku syseu dynaicznego z czase dyskreny przez zależność rekurencyjną: S + = f ( S ), = 0,,... (.) gdzie S, S + X są sanai syseu odpowiednio w oencie i +. Operacyjna definicja chaosu głosi, że dysypaywny syse dynaiczny ( X, f )
2 jes chaoyczny, gdy w spekru Lapunowa arakora ego syseu największy wykładnik Lapunowa jes dodani (np. Zawadzki [6], Lorenz [4]). Przedioe analizy nauralnych, w y i ekonoicznych syseów są szeregi czasowe będące jednowyiarowyi obrazai sanów syseu, zn. h S ), =0,, ( gdzie h : X R jes pewny nieznany odwzorowanie nazywany urządzenie poiarowy, funkcją agregującą lub obserwablą (Zawadzki [6]). a bazie wierdzenia akensa o zanurzaniu sworzono eodę opóźnień, kóra uożliwia rekonsrukcję przesrzeni sanów badanego syseu w oparciu o szereg, a przez o jes punke wyjścia wielu eod idenyfikacji chaosu deerinisycznego w procesach rzeczywisych (akens [5]). W eodzie opóźnień przedioe badania jes ciąg wekorów o współrzędnych posaci: ˆ =,,..., ) dla każdego nauralnego ( lag ( ) lag, ( ) lag,, uworzonych z szeregu czasowego składającego się z obserwacji. Wekory ˆ nazywane są - hisoriai lub wekorai opóźnień, liczba wyiare zanurzenia, zaś lag opóźnienie czasowy. Z wierdzenia akensa wynika (por. Jienez i in. []), że dla dowolnych, isnieje funkcja g : R R, dla kórej: g (, lag,..., ( ) lag ) g ( ˆ ). (.3) Równość (.3) opisuje zależność deerinisyczną poiędzy kolejnyi obserwacjai szeregu chaoycznego, kórej źródłe jes funkcyjny związek iędzy sanai generującego go syseu. Deeriniz oznacza, że przebieg procesu zarówno w przyszłości, jak i w przeszłości jes jednoznacznie określony przez san ego procesu w chwili obecnej (Arnold []). Skoro syse chaoyczny z definicji jes deerinisyczny, wydawać by się ogło, że nic nie soi na przeszkodzie, aby znając prawa ewolucji i warości sanów przeszłych, prognozować nieal bezbłędnie jego przyszłość. Jednakże w prakyce nie jes o ożliwe. Analizując sysey nauralne nie jeseśy w sanie dokładnie określić warości ziennych. ieuniknione błędy poiaru oraz zaokrąglenia wykonywane przez kopuer wpływają na uraę precyzji obliczeń. Sysey chaoyczne cechują się dużą wrażliwością na zianę warunków począkowych, kóra powoduje, że wszelkie, nawe wydawałoby się, nieisonie ałe niedokładności powiększają się w kolejnych ieracjach w epie wykładniczy. W konsekwencji również przewidywalność syseu zniejsza się wykładniczo wraz z wydłużanie się horyzonu prognozy. W przypadku nauralnych procesów nieznana jes funkcja g z równania (.3) i należy liczyć się z fake, że poencjalnie oże ieć ona bardzo skoplikowany nieliniowy charaker. Waro jednak podkreślić, że zaprezenowane w arykule eody prognozowania nie wyagają idenyfikacji jej wzoru analiycznego, opierają się naoias na wykorzysaniu saego faku wysępowania związku deerinisycznego (.3). Efekywność przedsawionych Inne definicje chaosu ożna znaleźć.in. w: Li, Yorke [3], Garrido [], Devaney [5], Eckann, Ruelle [7].
3 eod zależy od długości analizowanego szeregu, wyiaru arakora i enropii syseu, horyzonu prognozy oraz wielkości zakłóceń losowych (por. Farer, Sidorowich [8]). 3. Meody krókoerinowego prognozowania szeregów chaoycznych 3.. Meoda Analogowa (ajbliższych Sąsiadów) Punke wyjścia eody analogowej, częso zwanej w lieraurze przediou eodą ajbliższych Sąsiadów - S jes wyznaczenie spośród - hisorii ˆ ), k najbliższych (w sensie zadanej -wyiarowej eryki) sąsiadów wekora ( hisorie przez ˆ, gdzie jes długością badanego szeregu. Oznaczy znalezione - ˆ, ˆ,..., ˆ. Idea eody S opara jes na założeniu, że w l l l k syseach deerinisycznych, zbliżone do siebie -hisorie powinny w podobny sposób ewoluować w czasie. Mówiąc ściśle, przyjuje się, że z założenia ˆ ˆ l i wynika, że również g ( ˆ ) g ( ˆ l i ), co w konsekwencji oznacza, że l i. W eodzie S za prognozę ~ przyjuje się średnią ważoną liczb l, l,..., l k, z wagai dobranyi ak, by bliżsi sąsiedzi ieli na nią większy wpływ, zn.: gdzie k ~ = w ˆ i oznacza dowolną, przyjęą norę w funkcją alejącą spełniającą warunki: w ˆ ˆ, dla każdego i=,,..., k. 0 k. i l i w ˆ ˆ. li ˆ i, (.4) R, zaś l li w: R R jes dowolną Przykładowo, proponuje się przyjęcie nasępujących wag wykładniczych (Finkensäd, Kuhbier [9]): ˆ ˆ l e i w ˆ ˆ l. (.5) i k ˆ ˆ l i e Waro podkreślić, że w eodzie ajbliższych Sąsiadów nie dokonuje się aproksyacji funkcji g, co oczywiście wpływa pozyywnie na efekywność czasową obliczeń. Prosoa obliczeń, a nie dokładność orzyanych prognoz, jes zae główną zaleą eody. Prakyczny problee, kóry pojawia się w rakcie obliczeń kopuerowych, przy wagach wykładniczych jes zaokrąglanie do zera e poszczególnych warości dla dużych. W konsekwencji sua wag oże dać warość różną od jedności. Proble en ożna oinąć przekszałcając oryginalny szereg, poprzez podzielenie go przez usaloną odpowiednio dużą liczbę. Orzyana prognoza eoreycznie powinna być niezależna od przyjęego i 3
4 dzielnika, jednakże w prakyce, ze względu na dokonywane przez kopuer zaokrąglenia, ogą isnieć różnice w orzyywanych rezulaach. W niniejszej pracy zaproponowano pewną odyfikację eody S, nazwaną eodą rangową - SR. Jej pierwszy eape jes uporządkowanie k najbliższych (w sensie zadanej -wyiarowej eryki i oznaczenie ich przez ˆ, ˆ,..., ˆ, gdzie l l l k ˆ i l ) sąsiadów wekora l k ˆ ˆ są odpowiednio najbliższy i najdalszy sąsiade ˆ. asępnie wekoro ˆ l i ( k i) przyporządkowuje się wagi R ( i), i=,,, k, w oparciu o kóre k ( k ) wyznacza się prognozę: k ~ = i R( i) (.6) li Wagi R (i) nie są wpros funkcjai odległości ego, kóry w kolejności najbliższy sąsiade wekora one ak dobrane, aby ( ) R()... R( k) 0 R, k i ˆ ˆ, lecz zależą od l i ˆ jes wekor ˆ l i. Są R( i) oraz by różnica R ( i) R( i ) była sała i wynosiła R (k) dla każdego i. Zaleai eody SR są niejsza złożoność obliczeniowa oraz niewysępowanie wsponianego wcześniej probleu zaokrąglania do zera. Oczywiście eoda rangowa jes pewny uproszczenie eody S, lecz jak wykazały wyniki badań, zazwyczaj prowadziła do prognoz nawe nieco lepszych niż w przypadku wag wykładniczych. 3.. Lokalna aproksyacja liniowa W oparciu o zależność (.3) prognozowanie szeregu w oencie + sprowadza się do wyznaczenia warości ~ ~ g (, lag,..., ( ) lag ), gdzie g ~ jes aproksyaną funkcji g. Za g ~ ożna przyjąć funkcję liniową posaci g~ (,,..., ) 0..., gdzie jes usalony wyiare zanurzenia. Esyacja paraerów odbywa się za poocą KMK w oparciu o pary posaci ( ˆ l i, l i ), i=,,...,k, gdzie { ˆ l i } jes k eleenowy zbiore -hisorii będących najbliższyi sąsiadai wekora ˆ. ierudno zauważyć, że gdy k=-(-)lag zn. przy uwzględnieniu wszyskich dosępnych -hisorii, przeprowadzona procedura jes regresją liniową Lokalna aproksyacja kwadraowa Meoda lokalnej aproksyacji kwadraowej jes nauralny uogólnienie aproksyacji liniowej, poprzez przyjęcie za g ~ funkcji wieloianowej ziennych sopnia drugiego: i 4
5 g ~ (,,..., )... 0 i, j i j Oczekuje się wyższości lokalnej aproksyacji kwadraowej nad aproksyacją wieloianową sopnia pierwszego (liniową). Jednakże badania wskazują, że różnica a zdaje się aleć wraz z pozioe koplikacji syseu i długością szeregu (Casagli [4]). 4. Krókoerinowe prognozowanie ewolucji wybranych szeregów czasowych 4.. Prognozowanie dla = Cele przeprowadzonego badania było zweryfikowanie ożliwości efekywnego prognozowania szeregów czasowych przy użyciu zaprezenowanych eod. W pierwszej kolejności prognozowaniu poddano znane szeregi chaoyczne; generowane przez odwzorowanie Henona, odwzorowanie logisyczne i syse Lorenza. Syse Lorenza jes przykłade ciągłego chaoycznego układu dynaicznego. Z kolei odwzorowania logisyczne i Henona są reprezenaywnyi przykładai, odpowiednio, jedno- i dwuwyiarowych syseów z czase dyskreny. Dla każdego syseu badaniu poddano szeregi składające się z 30 oraz 75 obserwacji. asępnie wyznaczono prognozy dla pozioów indeksu WIG oraz logaryicznych sóp jego zian w oparciu o dane z okresu Dodakowo każdy z analizowanych szeregów poddano prognozowaniu przy zasosowaniu dopasowanego odelu ARIMA. Prognozowanie przebiegało według nasępującej procedury szczegółowej: Każdy z analizowanych szeregów długości zosał podzielony na dwie części, składające się odpowiednio z i obserwacji ( + =). Dla każdej obserwacji z drugiej próbki wyznaczono prognozę ~ dla i=,,, i. Do ego celu wykorzysano k najbliższych sąsiadów wekora (,..., ) ˆ i i i( ) lag i skonsruowanych w oparciu o obserwacje dla =,,,. Do oceny dokładności prognozy wykorzysano bezwzględny błąd predykcji e-pos zadany wzore: ~, oraz względny błąd prognozy posaci: ' 00%, gdzie jes odchylenie sandardowy szeregu ( ) dla =,,,. Przedsawione eody wyagają doboru rzech paraerów: wyiaru zanurzenia, opóźnienia czasowego lag oraz liczby najbliższych sąsiadów k. W niniejszej pracy dokonano prognoz dla różnych warości paraerów; lag=,, 5, =,,,5 (za wyjąkie aproksyacji kwadraowej, gdzie ze względu na złożoność obliczeniową przyjęo =,,3,4) i dla wszyskich i j 5
6 poencjalnie ożliwych k. W celu znalezienia najbliższych sąsiadów zasosowano erykę euklidesową. Do wyznaczenia prognoz eodai aproksyacji wieloianowej zosała wykorzysana funkcja Ecela reglinw(). W abelach -8 zaprezenowano orzyane warości paraerów dające najdokładniejsze prognozy dla analizowanych szeregów czasowych oraz odpowiadające i błędy prognoz oraz. Odwzorowanie Henona Odwzorowanie Henona generuje syse chaoyczny (R, H), gdzie H : R R określone jes nasępująco: H (, y ) (, y ) (,4 y ; 0,3 ). Badaniu poddano szeregi złożone z pierwszych współrzędnych sanów syseu Henona dla ( 0, y 0 )=(0,9; 0,9). abela. ajniejsze błędy prognozy dla szeregu Henona przy =300, =0 Meoda Opyalne paraery Meoda SR 0,07 3,66% =, lag=, k= Meoda S 0,08 3,80% =, lag=, k= Liniowa aproksyacja 0,00 0,4% =4, lag=, k=5 Aproksyacja kwadraowa 4,3*0-5 5,9*0-3 % =, lag=, k=8 ARIMA 0,639 88,04% ARMA(4,) abela. ajniejsze błędy prognozy dla szeregu Henona przy =650, =65 Meoda Opyalne paraery Meoda SR 0,007 0,89% =, lag =, k=6 Meoda S 0,008,0% =, lag=, k= Liniowa aproksyacja,8*0-5 0,0038% =4, lag=, k=7 Aproksyacja kwadraowa 9,5*0-5,3*0 - % =, lag=, k=603 ARIMA 0,64 87,39% ARMA(,6) Odwzorowanie logisyczne Odwzorowanie logisyczne generuje syse chaoyczny ((0,), f), gdzie f ( ) 4 ( ). Prognozowaniu poddano szeregi wygenerowane dla 0 =0,7. abela 3. ajniejsze błędy prognozy dla odwzorowania logisycznego przy =300, =0 Meoda Opyalne paraery Meoda SR 0,003 0,86% =, k=3 Meoda S 0,003 0,9% =, k=3 Liniowa aproksyacja,4*0-5 0,007% =, lag=, k=7 Aproksyacja kwadraowa,*0-4 3*0 - % =, lag=4, k=46 ARIMA 0,360 0,54% Biały szu 6
7 abela 4. ajniejsze błędy prognozy dla odwzorowania logisycznego przy =650, =65 Meoda Opyalne paraery Meoda SR 0,00 0,8% =, k= Meoda S 0,00 0,% =, k= Liniowa aproksyacja,5*0-7 7*0-5 % =, lag=, k=6 Aproksyacja kwadraowa,7*0-4 7,6*0 - % =, k=649 ARIMA 0,330 93,40% Biały szu Syse Lorenza: Syse Lorenza jes zdefiniowany przez nasępujący układ równań różniczkowych: d 6 ( y ) d dy z 45,9 y d dz y 4 z d Badaniu poddano szeregi posaci ( 0,0), dla =,, przy zadanych warunkach począkowych ( 0), y(0), z(0),,. abela 5. ajniejsze błędy prognozy dla szeregu Lorenza przy =300, =0 Meoda Opyalne paraery Meoda SR 0,54,705% =, lag=, k= Meoda S 0,54,705% =, lag=, k= Liniowa aproksyacja 0,00 0,0096% =, lag=3, k=8 Aproksyacja kwadraowa 0,00 0,009% =4, lag=, k=98 ARIMA 0,004 0,04% ARMA(4,5) abela 6. ajniejsze błędy prognozy dla szeregu Lorenza przy =650, =65 Meoda Opyalne paraery Meoda SR 0,088 0,690% =0, lag=3, k=3 Meoda S 0,090 0,704% =8, lag=3, k=3 Liniowa aproksyacja 0,00 0,0086% =4, lag=, k=9 Aproksyacja kwadraowa 0,00 0,0083% =4, lag=, k=3 ARIMA 0,004 0,034% ARMA(5,4) Uwaga: w celu wyznaczenia prognozy eodą S szereg zosał podzielony przez 0. 7
8 WIG W badaniu uwzględniono 76 dziennych obserwacji poziou indeksu WIG z okresu abela 7. ajniejsze błędy prognozy dla szeregu WIG przy =650, =66 Meoda Opyalne paraery Meoda SR 77,55 4,6% =, lag=3, k= Meoda S 77,55 4,6% =, lag=3, k= Liniowa aproksyacja 69,68 4,40% =4, lag=5, k=47 Aproksyacja kwadraowa 75,70 4,56% =3, lag=4, k=68 ARIMA 77,85 4,6% Błądzenie przypadkowe Uwaga: w celu wyznaczenia prognozy eodą S szereg zosał podzielony przez 000. Logaryiczne sopy zian WIG Podsawą badania był en sa okres, jak w przypadku szeregu pozioów indeksu, co dało 75 logaryicznych sóp zian WIG. abela 8. ajniejsze błędy prognozy dla szeregu sóp zian WIG przy =650, =65 Meoda Opyalne paraery Meoda SR 0,03 64,03% =4, lag=, k=4 Meoda S 0,0 63,6% =4, lag=, k= Liniowa aproksyacja 0,04 64,48% =0, lag=3, k=96 Aproksyacja kwadraowa 0,04 64,38% =, lag=3, k=93 ARIMA 0,03 67,79% Biały szu Wyniki badań wskazują, że zaprezenowane eody uożliwiają skueczne prognozowanie ewolucji wygenerowanych chaoycznych szeregów czasowych. ajlepsza spośród nich jes lokalna aproksyacja kwadraowa, jednakże jes ona jednocześnie najbardziej czasochłonna. Bardzo duża dokładność prognozy, jaką daje a eoda w zasosowaniu do przebadanych obu syseów dyskrenych wynika z faku, że są one generowane przez funkcje wieloianowe sopnia drugiego (dla funkcji logisycznej =, dla odwzorowania Henona =, lag=). Orzyany błąd prognozy jes więc w ych przypadkach efeke niedokładności esyacji ich współczynników. Gorsze, choć również zadowalające, rezulay osiągnięo przy zasosowaniu eody ajbliższych Sąsiadów, kórej isoną zaleą pozosaje dużo niejsza złożoność obliczeniowa. Spośród rozważonych warianów eody, nieco lepsze wyniki zdaje się dawać przyjęcie zaproponowanych w niniejszej pracy rang. 8
9 Prognozowanie opare na idenyfikacji procesu ARIMA dla chaoycznych syseów dyskrenych okazało się być niej dokładne od pozosałych eod, naoias w przypadku syseu Lorenza dało prognozy gorsze jedynie od eod aproksyacji wieloianowej. W zasosowaniu do rzeczywisych danych, wszyskie przedsawione eody dały zbliżone rezulay. 4.. Prognozowanie dla > eodą ieracyjną Wyznaczenie prognozy ~ dla dłuższego horyzonu czasowego (>) oże odbywać się według dwóch alernaywnych procedur. Pierwsza polega na bezpośredni oszacowaniu g ~ i obliczeniu ~ ~ (,,..., ( ) ) g lag lag. Druga jes eodą ieracyjną polegającą na wyznaczeniu kolejnych prognoz ~, ~,..., ~ w oparciu o kolejno szacowane ~g. W eodzie ieracyjnej predykore g ~ jes -krone złożenie funkcji ~g, zn. g ~ = ( g ~ ). Dokładność eody bezpośredniej opisuje zależność: ~ ( s) h ' g e '( g ~ ), naoias eody ieracyjnej: ~ ' g '( ~ e g), gdzie h jes enropią syseu, s jes sopnie wieloianu aproksyującego, naoias λ jes największy wykładnikie Lapunowa syseu (Casagli [4]). Błąd predykcji eody ieracyjnej jes niejszy niż eody bezpośredniej, ponieważ enropia syseu jes suą dodanich wykładników Lapunowa. Przeprowadzone badanie polegało na prognozowaniu ewolucji szeregów czasowych dla horyzonu prognozy > eodą ieracyjną. Dla każdego z rozważanych szeregów zasosowano liniową aproksyację wieloianową, z przyjęyi warościai paraerów, lag oraz k, zgodnie z abelai,4,6,7 i 8. a rys. -5 przedsawiono błędy prognoz w zależności od warości horyzonu. Rys. Odwzorowanie Henona ( =650, =65). błąd prognozy 0,05 0,0 0,05 0,0 0, horyzon prognozy. Rys. Odwzorowanie logisyczne ( =650, =65). 9
10 błąd prognozy 0,00 0,00 0,0008 0,0006 0,0004 0, horyzon prognozy błąd prognozy,5 0, horyzon prognozy. Rys.3 Odwzorowanie Lorenza ( =650, =65). błąd prognozy 0,03 0,05 0,0 0,05 0,0 0, horyzon prognozy. Rys.4 Szereg pozioów WIG ( =650, =66). 000 błąd prognozy horyzon prognozy. 0
11 Rys.5 Logaryiczne sopy zian WIG ( =650, =65). błąd prognozy 0,04 0,035 0,03 0,05 0,0 0,05 0, horyzon prognozy. Zaprezenowane na wykresach -3 rezulay krókookresowego prognozowania szeregów chaoycznych powierdzają wykładnicze powiększanie się błędów predykcji wraz z wydłużanie horyzonu prognozy. Efek en jes nieobserwowany w przypadku szeregów giełdowych (rys. 4 i 5), co oże sanowić sygnał, że nie są one generowane przez chaoyczny syse dynaiczny. a podsawie przeprowadzonych badań należy swierdzić, że w zasosowaniu do szeregów pozioów WIG oraz ich logaryicznych sóp zwrou, wąpliwa jes wyższość opisanych eod nad prognozowanie opary na odelach ARIMA. Powody akiego sanu rzeczy ogą być nasępujące: analizowane szeregi nie są chaoyczne, chaoyczny syse generujący a arakor o wysoki wyiarze lub dużą enropię, badane szeregi są zby krókie, obserwacje szeregów zosały wygenerowane przez sany syseu nie znajdujące się w obszarze przyciągania arakora, w syseie obecny jes wysoki pozio zakłóceń losowych, oawiane eody nie są w sanie wykorzysać pewnych ypów isniejących w szeregach zależności deerinisycznych. 5. Zakończenie Chaoyczne szeregi czasowe różnią się od szeregów prawdziwie losowych ożliwością krókoerinowego prognozowania ich ewolucji. W pracy przedsawiono wybrane eody prognozowania dwa wariany eody ajbliższych Sąsiadów oraz lokalną aproksyację wieloianową. Ich skueczność zweryfikowano w oparciu o wygenerowane znane szeregi chaoyczne. Wyniki badań wskazują, że ożliwe jes bardzo dokładne prognozowanie ewolucji ego ypu szeregów w króki horyzoncie czasowy. Zaprezenowane algoryy różnią się złożonością obliczeniową. ajprossze i w efekcie najbardziej efekywne czasowo są oba wariany eody ajbliższych Sąsiadów, z kórych nieco lepszy okazał się być zaproponowany w niniejszej pracy warian rangowy. Dla szeregów chaoycznych najdokładniejsze prognozy orzyywano sosując aproksyację wieloianową sopnia drugiego, zaś
12 wszyskie przedsawione eody dały lepsze wyniki niż odpowiednie odele ARIMA. Zasosowanie zaprezenowanych eod do prognozowania szeregów czasowych indeksu WIG oraz jego sóp zian na podsawie dziennych obserwacji z okresu r. dało porównywalne wyniki do odeli ARIMA. W przebadanych rzeczywisych szeregach czasowych niezauważalny był efek wykładniczego powiększania się błędu prognozy wraz ze wzrose horyzonu czasowego, obserwowany w przypadku szeregów chaoycznych. Wyniki badań wskazują, że przedsawione eody są bardzo skueczny narzędzie prognozowania pewnych rodzajów szeregów czasowych, co poencjalnie oże czynić je użyecznyi również w analizie niekórych procesów nauralnych w y ekonoicznych. Sreszczenie Chaoyczne szeregi czasowe różnią się od prawdziwie losowych obecnością rudno idenyfikowalnego deerinizu, dzięki kóreu ożliwe jes ich prognozowanie. Ze względu na wykładniczą wrażliwość na zianę warunków począkowych ogą być one efekywnie prognozowane jedynie w króki horyzoncie czasowy. W pracy przedsawiono wybrane eody krókoerinowego prognozowania chaosu: dwa wariany eody ajbliższych Sąsiadów oraz lokalną liniową i kwadraową aproksyację wieloianową. Ich skueczność zweryfikowano w oparciu o wygenerowane szeregi chaoyczne różnej długości. Z przeprowadzonych badań wynika, że ożliwe jes bardzo dokładne prognozowanie ewolucji analizowanych szeregów w króki horyzoncie czasowy. Zaprezenowane eody zasosowane do szeregów indeksu WIG oraz jego sóp zian dały prognozy o podobny sopniu dokładności, co prognozowanie wykorzysujące odele ARIMA. Lieraura. Arnold V.I., Równania różniczkowe zwyczajne, PW, Warszawa (975).. Badel A.E., Guégan D., Mercier L., Michel O., Coparison of Several Mehods o Predic Chaoic ie Series, IEEE-ICASSP'97, Munich (Gerany) (997). 3. Brock W.A., Disinguishing Rando and Deerinisic Syses: Abridged Version, Journal of Econoic heory 40, (986). 4. Casdagli M., onlinear Predicion of Chaoic ie Series, Physica D 35, (989). 5. Devaney R.L., An Inroducion o Chaoic Dynaical Syses, Addison- Wesley Publishing Copany, Inc., Redwood Ciy, CA (987). 6. Diebold F.X., ason J.A., onparaeric Echange Rae Predicion?, Journal of Inernaional Econoics 8, (990). 7. Eckann J.P., Ruelle D., Ergodic heory of Chaos and Srange Aracors, Reviews of Modern Physics, 57, (985).
13 8. Farer J.D., Sidorowich J.J., Predicing Chaoic ie Series, Physical Review Leers 59, (987). 9. Finkensäd B., Kuhbier P., Forecasing nonlinear econoic ie series: A siple es o accopany he neares neighbor approach, Epirical econoics 0, (995). 0. Frank M., Sengos., Chaoic dynaics in econoic ie series, Journal of Econoic Surveys, (), (988).. Garrido L., Dynaical syses and chaos, Lecures oes in Physics, nr 79, Springer-Verlag, Berlin, Heidelberg, ew York (983).. Jienez J., Moreno J.A., Ruggeri G.J., Forecasing on chaoic ie series: A local opial linear-reconsrucion ehod, Physical Review A, vol. 45, no. 6, (99). 3. Li.Y., Yorke J.A., Period hree Iplies Chaos, Aerican Maheaical Monhly, 8, (975). 4. Lorenz H-W, onlinear Dynaical Econoics and Chaoic Moion, Springer Verlag Berlin Heidelberg (989). 5. akens F., Disinguishing deerinisic and rando syses, (G.Borenbla, G. Iooss and D. Joseph, Eds), w: onlinear Dynaics and urbulence, , Pian, Boson (985). 6. Zawadzki H., Chaoyczne sysey dynaiczne, Wydawnicwo Akadeii Ekonoicznej i. Karola Adaieckiego, Kaowice (996). 3
Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
Wiold Orzeszo Uniwersye Miołaja Kopernia w Toruniu Wpływ doboru eod reonsrucji przesrzeni fazowej na efeywność prognozowania chaoycznych szeregów czasowych 1. Reonsrucja przesrzeni fazowej Kluczową rolę
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoWitold Orzeszko * ZASTOSOWANIE LOKALNEJ APROKSYMACJI WIELOMIANOWEJ DO PROGNOZOWANIA CHAOTYCZNYCH SZEREGÓW CZASOWYCH. Streszczenie
Wiold Orzeszo * ZASTOSOWANIE LOKALNEJ APROKSYMACJI WIELOMIANOWEJ DO PROGNOZOWANIA CHAOTYCZNYCH SZEREGÓW CZASOWYCH Sreszczenie Teoria chaosu deerminisycznego sanowi alernaywne podejście do analizy procesów
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoParametryczny koder mowy - wokoder. Synteza mowy w odbiorniku: d=1 - mowa dźwięczna (T 0 = okres tonu krtaniowego) d=0 - mowa bezdźwięczna
Paraeryczny koder owy - wokoder Syneza owy w odbiorniku: d=1 - owa dźwięczna T 0 = okres onu kraniowego d=0 - owa bezdźwięczna Wokoder nadajnik Eksrakcja onu kraniowego 1. Przebieg czasowy sygnału i błędu
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonoeryczne odele nieliniowe Wykład 4 NMNK, MNW, eody radienowe Lieraura W. Greene Econoeric Analysis, rozdz. 7. sr. -4 J. Hailon 994 ie Series Analysis, sr. 33 5 Chun-Min Kuan 7 Inroducion o Econoeric
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
Bardziej szczegółowoChemia Analityczna. Autor: prof. dr hab. inż Marek Biziuk
Cheia Analiyczna Auor: pro. dr hab. inż Marek Biziuk Kaedra Cheii Analiycznej Wydział Cheiczny Poliechnika Gdańska 21 ANALIZA MIARECZKOWA (dział analizy objęościowej - woluerii) Meody iareczkowe służą
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoDobór przekroju żyły powrotnej w kablach elektroenergetycznych
Dobór przekroju żyły powronej w kablach elekroenergeycznych Franciszek pyra, ZPBE Energopomiar Elekryka, Gliwice Marian Urbańczyk, Insyu Fizyki Poliechnika Śląska, Gliwice. Wsęp Zagadnienie poprawnego
Bardziej szczegółowoOPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoAnaliza metod oceny efektywności inwestycji rzeczowych**
Ekonomia Menedżerska 2009, nr 6, s. 119 128 Marek Łukasz Michalski* Analiza meod oceny efekywności inwesycji rzeczowych** 1. Wsęp Podsawowymi celami przedsiębiorswa w długim okresie jes rozwój i osiąganie
Bardziej szczegółowocx siła z jaką element tłumiący działa na to ciało.
Drgania układu o jedny sopniu swobody Rozparzy układ składający się z ciała o asie połączonego z nierucoy podłoże za poocą eleenu sprężysego o współczynniku szywności k oraz eleenu łuiącego o współczynniku
Bardziej szczegółowoWYKORZYSTANIE TEORII CHAOSU ZDETERMINOWANEGO W PROGNOZOWANIU KROKOWYM ROCZNEGO ZUŻYCIA ENERGII ELEKTRYCZNEJ PRZEZ ODBIORCÓW WIEJSKICH
INFRASTRUKTURA I EKOLOGIA TERENÓW WIEJSKICH Nr 2/2005, POLSKA AKADEMIA NAUK, Oddział w Krakowie, s. 121 128 Komisja Technicznej Infrasrukury Wsi Małgorzaa Trojanowska WYKORZYSTANIE TEORII CHAOSU ZDETERMINOWANEGO
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoInterpolacja. Interpolacja wykorzystująca wielomian Newtona
Interpolacja Funkcja y = f(x) jest dana w postaci dyskretnej: (1) y 1 = f(x 1 ), y 2 = f(x 2 ), y 3 = f(x 3 ), y n = f(x n ), y n +1 = f(x n +1 ), to znaczy, że w pewny przedziale x 1 ; x 2 Ú ziennej niezależnej
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoVII. ZAGADNIENIA DYNAMIKI
Konderla P. Meoda Elemenów Skończonych, eoria i zasosowania 47 VII. ZAGADNIENIA DYNAMIKI. Równanie ruchu dla zagadnienia dynamicznego Q, (7.) gdzie M NxN macierz mas, C NxN macierz łumienia, K NxN macierz
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoZastosowania algorytmu uczenia się ze wzmocnieniem. Temporal Difference Learning. na przykładzie konkretnego systemu TD-GAMMON
Wrocław, 25. sycznia 2007 Zaawansowane Meody Szucznej Ineligencji Poliechnika Wrocławska Wydział Inforayki i Zarządzania V rok sudiów Zasosowania algoryu uczenia się ze wzocnienie Teporal Difference Learning
Bardziej szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
Bardziej szczegółowoEksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka.
Eksploracja danych KLASYFIKACJA I REGRESJA cz. 1 Wojciech Waloszek wowal@ei.pg.gda.pl Teresa Zawadzka egra@ei.pg.gda.pl Kaedra Inżyrii Oprogramowania Wydział Elekroniki, Telekomunikacji i Informayki Poliechnika
Bardziej szczegółowoManagement Systems in Production Engineering No 4(20), 2015
EKONOMICZNE ASPEKTY PRZYGOTOWANIA PRODUKCJI NOWEGO WYROBU Janusz WÓJCIK Fabryka Druu Gliwice Sp. z o.o. Jolana BIJAŃSKA, Krzyszof WODARSKI Poliechnika Śląska Sreszczenie: Realizacja prac z zakresu przygoowania
Bardziej szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoEfekt motyla i dziwne atraktory
O układzie Lorenza Wydział Matematyki i Informatyki Uniwersytet Mikołaja kopernika Toruń, 3 grudnia 2009 Spis treści 1 Wprowadzenie Wyjaśnienie pojęć 2 O dziwnych atraktorach 3 Wyjaśnienie pojęć Dowolny
Bardziej szczegółowoPUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoWskazówki projektowe do obliczania nośności i maksymalnego zanurzenia statku rybackiego na wstępnym etapie projektowania
CEPOWSKI omasz 1 Wskazówki projekowe do obliczania nośności i maksymalnego zanurzenia saku rybackiego na wsępnym eapie projekowania WSĘP Celem podjęych badań było opracowanie wskazówek projekowych do wyznaczania
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej szczegółowoANALIZA BIPOLARNEGO DYNAMICZNEGO MODELU DIAGNOSTYCZNEGO MONITOROWANIA WYPOSAśENIA ELEKTRYCZNEGO SAMOCHODU
LOGITRANS - VII KONFERENCJA NAUKOWO-TECHNICZNA LOGISTYKA, SYSTEMY TRANSPORTOWE, BEZPIECZEŃSTWO W TRANSPORCIE Radosław GAD 1 Moniorowanie diagnosyczne, model dynamiczny, diagnosyka pojazdowa ANALIZA BIPOLARNEGO
Bardziej szczegółowoODPOWIEDZI I SCHEMAT PUNKTOWANIA POZIOM ROZSZERZONY
1 ODPOWIEDZI I SCHEMAT PUNKTOWANIA POZIOM OZSZEZONY 1. ozwiązania poszczególnych zadań i poleceń oceniane są na podsawie punkowych kryeriów oceny.. Podczas oceniania rozwiązań zdających, prosiy o zwrócenie
Bardziej szczegółowoimei 1. Cel ćwiczenia 2. Zagadnienia do przygotowania 3. Program ćwiczenia
CYFROWE PRZEWARZANIE SYGNAŁÓW Laboraorium Inżynieria Biomedyczna sudia sacjonarne pierwszego sopnia ema: Wyznaczanie podsawowych paramerów okresowych sygnałów deerminisycznych imei Insyu Merologii Elekroniki
Bardziej szczegółowoOCENA ATRAKCYJNOŚCI INWESTYCYJNEJ AKCJI NA PODSTAWIE CZASU PRZEBYWANIA W OBSZARACH OGRANICZONYCH KRZYWĄ WYKŁADNICZĄ
Tadeusz Czernik Daniel Iskra Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki Sosowanej adeusz.czernik@ue.kaowice.pl daniel.iskra@ue.kaowice.pl OCEN TRKCYJNOŚCI INWESTYCYJNEJ KCJI N PODSTWIE CZSU PRZEBYWNI
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
Bardziej szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoMODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM, LOGISTYCZNE I KRZYśOWANIA HEURYSTYCZNEGO
InŜynieria Rolnicza 11/2006 Małgorzaa Trojanowska Kaedra Energeyki Rolniczej Akademia Rolnicza w Krakowie MODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM,
Bardziej szczegółowoSilniki cieplne i rekurencje
6 FOTO 33, Lao 6 Silniki cieplne i rekurencje Jakub Mielczarek Insyu Fizyki UJ Chciałbym Pańswu zaprezenować zagadnienie, kóre pozwala, rozważając emaykę sprawności układu silników cieplnych, zapoznać
Bardziej szczegółowoMODELE EKONOMICZNE Z DYNAMIKĄ CHAOTYCZNĄ
Monika Miśkiewicz-Nawrocka MODELE EONOMICZNE Z DYNAMIĄ CHAOTYCZNĄ Wprowadzenie Od czasu pojawienia się w lieraurze pojęcia deerminisycznego chaosu można znaleźć wiele przykładów układów dynamicznych (zarówno
Bardziej szczegółowoRuch płaski. Bryła w ruchu płaskim. (płaszczyzna kierująca) Punkty bryły o jednakowych prędkościach i przyspieszeniach. Prof.
Ruch płaski Ruchem płaskim nazywamy ruch, podczas kórego wszyskie punky ciała poruszają się w płaszczyznach równoległych do pewnej nieruchomej płaszczyzny, zwanej płaszczyzną kierującą. Punky bryły o jednakowych
Bardziej szczegółowoĆWICZENIE 7 WYZNACZANIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA. Wprowadzenie
ĆWICZENIE 7 WYZNACZIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA Wprowadzenie Ciało drgające w rzeczywisym ośrodku z upływem czasu zmniejsza ampliudę drgań maleje energia mechaniczna
Bardziej szczegółowoMODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Wprowadzenie Współczesne zarządzanie ryzykiem
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoOPTYMALIZACJA SPOSOBU ZADAWANIA CIOSU AP-CHAGI
MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 33, s. 43-48, Gliwice 27 OPTYMALIZACJA SPOSOBU ZADAWANIA CIOSU AP-CHAGI ADAM CZAPLICKI Zakład Bioechaniki, AWF Warszawa, Zaiejscowy Wydział Wychowania Fizycznego
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012 MAŁGORZATA WASILEWSKA PORÓWNANIE METODY NPV, DRZEW DECYZYJNYCH I METODY OPCJI REALNYCH W WYCENIE PROJEKTÓW
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoBEZRYZYKOWNE BONY I LOKATY BANKOWE ALTERNATYWĄ DLA PRZYSZŁYCH EMERYTÓW. W tym krótkim i matematycznie bardzo prostym artykule pragnę osiągnąc 3 cele:
1 BEZRYZYKOWNE BONY I LOKATY BANKOWE ALTERNATYWĄ DLA PRZYSZŁYCH EMERYTÓW Leszek S. Zaremba (Polish Open Universiy) W ym krókim i maemaycznie bardzo prosym arykule pragnę osiągnąc cele: (a) pokazac że kupowanie
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoIMPLEMENTACJA WYBRANYCH METOD ANALIZY STANÓW NIEUSTALONYCH W ŚRODOWISKU MATHCAD
Pior Jankowski Akademia Morska w Gdyni IMPLEMENTACJA WYBRANYCH METOD ANALIZY STANÓW NIEUSTALONYCH W ŚRODOWISKU MATHCAD W arykule przedsawiono możliwości (oraz ograniczenia) środowiska Mahcad do analizy
Bardziej szczegółowoĆWICZENIE 4 Badanie stanów nieustalonych w obwodach RL, RC i RLC przy wymuszeniu stałym
ĆWIZENIE 4 Badanie sanów nieusalonych w obwodach, i przy wymuszeniu sałym. el ćwiczenia Zapoznanie się z rozpływem prądów, rozkładem w sanach nieusalonych w obwodach szeregowych, i Zapoznanie się ze sposobami
Bardziej szczegółowoFale elektromagnetyczne spektrum
Fale elekroagneyczne spekru w próżni wszyskie fale e- rozchodzą się z prędkością c 3. 8 /s Jaes Clerk Mawell (w połowie XIX w.) wykazał, że świało jes falą elekroagneyczną rozprzesrzeniającą się falą ziennego
Bardziej szczegółowoPROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-8611 Nr 289 2016 Maria Szmuksa-Zawadzka Zachodniopomorski Uniwersye Technologiczny w Szczecinie Sudium Maemayki Jan Zawadzki
Bardziej szczegółowo4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego
4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W
Bardziej szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowoZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH
Pior KISIELEWSKI, Łukasz SOBOTA ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH W arykule przedsawiono zasosowanie eorii masowej obsługi do analizy i modelowania wybranych sysemów
Bardziej szczegółowoFizyka Procesów Klimatycznych Wykład 9 proste modele klimatu
Fizyka Procesów Kliaycznych Wykład 9 prose odele kliau prof. dr hab. Szyon Malinowski Insyu Geofizyki, Wydział Fizyki Uniwersye Warszawski alina@igf.fuw.edu.pl dr hab. Krzyszof Markowicz Insyu Geofizyki,
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach
ROZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Kaowicach WYZNAZANIE PARAMETRÓW FUNKJI PEŁZANIA DREWNA W UJĘIU LOSOWYM * Kamil PAWLIK Poliechnika
Bardziej szczegółowoHETEROGENICZNE OCZEKIWANIA A KONKURENCJA DOSKONAŁA. MODEL MATEMATYCZNY
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 35, T. 2 Rober Kruszewski Szkoła Główna Handlowa w Warszawie HETEROGENICZNE OCZEKIWANIA A KONKURENCJA DOSKONAŁA. MODEL MATEMATYCZNY STRESZCZENIE
Bardziej szczegółowoKomputerowa analiza przepływów turbulentnych i indeksu Dow Jones
Kompuerowa analiza przepływów urbulennych i indeksu Dow Jones Rafał Ogrodowczyk Pańswowa Wyższa Szkoła Zawodowa w Chełmie Wiesław A. Kamiński Uniwersye Marii Curie-Skłodowskie w Lublinie W badaniach porównano
Bardziej szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoĆWICZENIE NR 43 U R I (1)
ĆWCZENE N 43 POMY OPO METODĄ TECHNCZNĄ Cel ćwiczenia: wyznaczenie warości oporu oporników poprzez pomiary naężania prądu płynącego przez opornik oraz napięcia na oporniku Wsęp W celu wyznaczenia warości
Bardziej szczegółowoA C T A U N I V E R S I T A T I S L O D Z I E N S I S. W itold Orzesz ko*
A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOM ICA 177, 2004 W itold Orzesz ko* ZASTOSOW ANIE LOKALNEJ APROKSYMACJI W IELOM IANOW EJ DO PROGNOZOW ANIA CHAOTYCZNYCH SZEREG Ó W CZASOW
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej szczegółowodr inż. MARCIN MAŁACHOWSKI Instytut Technik Innowacyjnych EMAG
dr inż. MARCIN MAŁACHOWSKI Insyu Technik Innowacyjnych EMAG Wykorzysanie opycznej meody pomiaru sężenia pyłu do wspomagania oceny paramerów wpływających na możliwość zaisnienia wybuchu osiadłego pyłu węglowego
Bardziej szczegółowoEstymacja stopy NAIRU dla Polski *
Michał Owerczuk * Pior Śpiewanowski Esymacja sopy NAIRU dla Polski * * Sudenci, Szkoła Główna Handlowa, Sudenckie Koło Naukowe Ekonomii Teoreycznej przy kaedrze Ekonomii I. Auorzy będą bardzo wdzięczni
Bardziej szczegółowoMODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym
Bardziej szczegółowoJerzy Czesław Ossowski Politechnika Gdańska. Dynamika wzrostu gospodarczego a stopy procentowe w Polsce w latach
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Poliechnika Gdańska Dynamika wzrosu
Bardziej szczegółowoXXXV Konferencja Statystyka Matematyczna
XXXV Konferencja Saysyka Maeayczna MODEL OTOWOŚCI SYSTEMU TECHNICZNEO Karol J. ANDRZEJCZAK karol.andrzejczak@pu.poznan.pl Polechnka Poznańska hp://www.pu.poznan.pl/ PRORAM REERATU 1. WPROWADZENIE 2. ORMALIZACJA
Bardziej szczegółowo