Exponential smoothing for financial time series data forecasting

Назва:

(Title)

Exponential smoothing for financial time series data forecasting

Автори:

(Authors)

Kuzhda, Tetyana Ivanivna
Кужда, Тетяна Іванівна
Кужда, Татьяна Ивановна

Бібліографічний опис:

(Bibliographic description)

Kuzhda T. Exponential smoothing for financial time series data forecasting [Електронний ресурс] / Tetyana Kuzhda // Соціально-економічні проблеми і держава. — 2014. — Вип. 1 (10). — С. 177-184. — Режим доступу до журн.: http://sepd.tntu.edu.ua/images/stories/pdf/2014/14ktioez.pdf.

Інші назви:

(Other titles)

Прогнозування фінансових даних на основі експоненційного згладжування
Прогнозирование финансовых данных на основании экспоненциального сглаживания

Дата публікації:

(Date of publication)

Тра-2014

Видавник:

(Editor)

ТНТУ, АСУ

УДК:

(UDC)

338.27

Ключові слова:

(Key words)

simple exponential smoothing
double exponential smoothing
forecast
smoothing factor
forecast error


Серія/Номер:

(Series/Number)

Випуск 1 (10);

Короткий огляд (реферат):

(Short preview)

The article begins with the formulation for predictive learning called exponential smoothing forecasting. The exponential smoothing is commonly applied to financial markets such as stock or bond, foreign exchange, insurance, credit, primary and secondary markets. The exponential smoothing models are useful in providing the valuable decision information for investors. Simple and double exponential smoothing models are two basic types of exponential smoothing method. The simple exponential smoothing method is suitable for financial time series forecasting for the specified time period. The simple exponential smoothing weights past observations with exponentially decreasing weights to forecast future values. The double exponential smoothing is a refinement of the simple exponential smoothing model but adds another component which takes into account any trend in the data. The double exponential smoothing is designed to address this type of data series by taking into account any trend in the data. Measurement of the forecast accuracy is described in this article. Finally, the quantitative value of the price per common share forecast using simple exponential smoothing is calculated. The applied recommendations concerning determination of the price per common share forecast using double exponential smoothing are shown in the article.
В статті описано метод експоненційного згладжування для прогнозування фінансових даних. Методи експоненційного згладжування широко застосовують для прогнозування даних на фінансових ринках, таких як ринок акцій та облігацій, страховий, кредитний ринки. Моделі експоненційного згладжування є корисними для прийняття управлінських рішень інвесторами. Просте експоненційне згладжування та експоненційне згладжування з трендовим регулювання є основними типами моделей експоненційного згладжування. Просте експоненційне згладжування є корисним для прогнозування фінансових даних на певний період часу, оскільки кожен фінансовий показник згладжується за допомогою ваги, яка зменшується по мірі віддалення від кінця ряду за експонентою. Експоненційне згладжування з трендовим регулювання пристосоване до регулювання тренду. В статті застосовано теоретичний матеріал до прогнозування ціни звичайної акції. Здійснено перевірку точності отриманого прогнозу та розраховано прогноз ціни звичайної акції на наступний період на основі простого експоненційного згладжування. Показано прикладне застосування методу експоненційного згладжування з трендовим регулюванням для визначення ціни звичайної акції.
В статье описано метод экспоненциального сглаживания для прогнозирования финансовых данных. Методы экспоненциального сглаживания широко применяют для прогнозирования данных на финансовых рынках, таких как рынок акций и облигаций, страховой, кредитный рынки. Модели экспоненциального сглаживания полезны для принятия управленческих решений инвесторами. Простое экспоненциальное сглаживание и экспоненциальное сглаживание с трендовым регулированием являются основными типами моделей экспоненциального сглаживания. Простое экспоненциальное сглаживание полезно для прогнозирования финансовых данных на определенный период времени, поскольку каждый финансовый показатель сглаживается с помощью веса, которая уменьшается по мере удаления от конца ряда по экспоненте. Экспоненциальное сглаживание с трендовым регулированием приспособлено к регулированию тренда. В статье применен теоретический материал к прогнозированию цены обыкновенной акции. Осуществлена проверка точности полученного прогноза и рассчитан прогноз цены обыкновенной акции на следующий период на основе простого экспоненциального сглаживания. Показано прикладное применение метода экспоненциального сглаживания с трендовым регулированием для определения цены обыкновенной акции.

URL:

(Уніфікований ідентифікатор ресурсу)

http://elartu.tntu.edu.ua/handle/123456789/3045
ISSN: 2223-3822

Розташовується в колекціях:

(Is situated in collections)

Журнал „Соціально-економічні проблеми і держава“, 2014, Випуск 1(10)

pdf

REFERENCES

1. Hyndman R., Koehler A., Ord J., Snyder R. Forecasting with Exponential Smoothing: The State Space Approach Springer, 2008, 375 p.

2. Tsay S., John R. Analysis of financial time series, Wiley & SONS, 2005, 250 p.

3. Hamilton J .D. Time series analysis, Princeton University Press, 1994, 120 p.

4. Percival D., Walden A. Methods for Time Series Analysis, 2006, 594 p.

5. Halushchak M., Kuzhda T. Economic forecasting, Ternopil, TNTU, 2014, 90 p.

6. Elliott G., Granger C.W.J. and Timmermann A. Handbook of economic forecasting, 2006, 1012 p.

7.  Carnot Nicolas, Koen Vincent, Tissot Bruno. Economic Forecasting and Policy, 2011, 416 p.

8. Michael P. Clements, David F. Hendry. A Companion to Economic Forecasting, 2004, 300 p.

9. John H. Cochrane. Time Series for Macroeconomics and Finance, 2005, 135 p.

10. Michael P. Clements, David F. Hendry The Oxford Handbook of Economic Forecasting, 2011, 624 p.

11. Peter J. Brockwell, Richard A. Davis. Time Series: Theory and Methods, Springer Series in Statistics, 2009, 584 p.

12. Charles W. Ostrom. Time Series Analysis, 1990, 95 p.