Optimizing time series forecasting: leveraging machine learning models for enhanced predictive accuracy

• Autorzy: Wójcik Waldemar , Shayakhmetova Assem , Akhmetova Ardak , Abdildayeva Assel , Galymzhan Nurtugan

Identyfikatory

DOI

10.35784/iapgos.6295

Warianty tytułu

PL

Optymalizacja prognozowania szeregów czasowych: wykorzystanie modeli uczenia maszynowego w celu zwiększenia dokładności predykcyjnej

• Języki publikacji: EN

Abstrakty

EN

Engaging in investment activities plays a crucial and strategic role in fostering the growth of businesses and ensuring their resiliencein the market. This involvement entails expenditures on acquiring assets, embracing technological advancements, expanding production capacities, conducting research and development, among various other domains. Collectively, these aspects form the foundation for the sustained successof an organization over the long term. This thesis will delve into an exploration of leveraging machine learning techniques to forecast key parametersin business, including investments and their impact on the financial health of the company. In this research, explored a variety of time series modelsand identified that both the Random Forest Regressor and Decision Tree Regressor models deliver superior accuracy, showcasing identical RMSE values of 88.36 on the validation dataset. Furthermore, the Cat Boost and Light GBM models exhibited praiseworthy performance, registering RMSE valuesof 92.47 and 104.69, respectively. These findings highlight the robust performance of Random Forest Regressor and Decision Tree Regressor, emphasizing their capability to provide accurate predictions. It is noted that Random Forest Regressor and Decision Tree Regressor are distinguished by high accuracy in time series forecasting, and the choice between them should take into account the trade-offs between computational efficiency and interpretabilityof the model. These results allow us to propose practical strategies for managing investment resources to ensure the sustainable developmentand prosperity of the enterprise in the long term.

PL

Zaangażowanie w działalność inwestycyjną odgrywa kluczową i strategiczną rolę we wspieraniu rozwojuprzedsiębiorstw i zapewnianiuich stabilności na rynku. Zaangażowanie to pociąga za sobą wydatki na nabycie aktywów, wdrażanie postępu technologicznego, zwiększanie zdolności produkcyjnych, prowadzenie badań i rozwoju oraz wiele innych obszarów. Łącznie aspekty te stanowią podstawę trwałego sukcesu organizacjiw perspektywie długoterminowej. Niniejsza rozprawa dotyczy wykorzystania technik uczenia maszynowego do prognozowania kluczowych parametróww biznesie, w tym inwestycji i ich wpływu na kondycję finansową firmy. W tym artykule zbadano różne modele szeregów czasowych i stwierdzono,że zarówno modele Random Forest Regressor, jak i Decision Tree Regressor zapewniają najwyższą dokładność, wykazując identyczne wartości RMSE wynoszące 88,36 w zbiorze danych walidacyjnych. Co więcej, modele Cat Boost i Light GBM wykazały się godną pochwały wydajnością, rejestrując wartości RMSE odpowiednio 92,47 i 104,69. Wyniki te podkreślają solidną wydajność regresorów Random Forest Regressor i Decision Tree Regressor, podkreślając ich zdolność do dostarczania dokładnych prognoz. Należy zauważyć, że Random Forest Regressor i Decision Tree Regressor wyróżniająsię wysoką dokładnością w prognozowaniu szeregów czasowych, a wybór między nimi powinien uwzględniać kompromisy między wydajnością obliczeniową a interpretowalnością modelu. Wyniki te pozwalają nam zaproponować praktyczne strategie zarządzania zasobami inwestycyjnymiw celu zapewnienia zrównoważonego rozwoju i dobrobytu przedsiębiorstwa w perspektywie długoterminowej.

Słowa kluczowe

EN

autoregression; ARIMA; time series; Decision Tree Regressor; Random Forest Regressor; Cat Boost Regressor

PL

autoregresja; ARIMA; szereg czasowy; regresor drzewa decyzyjnego; regresor Random Forest; regresor Cat Boost

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 4
• Strony: 115--120
• Opis fizyczny: Bibliogr. 18 poz., tab., wykr.

Twórcy

autor

Wójcik Waldemar

• Lublin University of Technology, Lublin, Poland

• https://orcid.org/0000-0002-0843-8053

autor

Shayakhmetova Assem

• Al-Farabi Kazakh National University, Almaty, Kazakhstan

• https://orcid.org/0000-0002-4072-3671

autor

Akhmetova Ardak

• Al-Farabi Kazakh National University, Almaty, Kazakhstan

• https://orcid.org/0009-0000-2605-7206

autor

Abdildayeva Assel

• Al-Farabi Kazakh National University, Almaty, Kazakhstan

• https://orcid.org/0000-0002-6381-9350

autor

Galymzhan Nurtugan

• Al-Farabi Kazakh National University, Almaty, Kazakhstan

• https://orcid.org/0000-0001-8824-9502

Bibliografia

• [1] Adebiyi A. A. et al.: Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics, 2014, 2014.
• [2] Adebiyi A. A. et al.: Stock price prediction using the ARIMA model. UKSim- AMSS 16th International Conference on Computer Modelling and Simulation, IEEE, 2014, 106–112.
• [3] Chia-Cheng C., Chun-Hung C., Ting-Yin L.: Investment performance of machine learning: Analysis of S&P 500 index. International Journal of Economics and Financial Issues 10(1), 2020, 59–66.
• [4] Deng Y. et al.: Deep direct reinforcement learning for financial signal representation and trading. IEEE Transactions on Neural Networks and Learning Systems 28(3), 2017, 653–664.
• [5] Gamboa J. C. B.: Deep learning for time-series analysis. 2017, arXiv:1701.01887.
• [6] Hyndman R. et al.: Forecasting with Exponential Smoothing. Springer, Berlin Heidelberg 2008.
• [7] Leung C. K.-S., MacKinnon R. K., Wang Y.: A machine learning approach for stock price prediction. 18th International Database Engineering & Applications Symposium – IDEAS'14, 2014, 274–277.
• [8] Nabipour M. et al.: Predicting stock market trends using machine learning and deep learning algorithms via continuous and binary data; a comparative analysis. IEEE Access 8, 2020, 150199-150212.
• [9] Nelson D., Pereira A., de Oliveira R.: Stock market’s price movement prediction with LSTM neural networks. IEEE International Joint Conference on Neural Networks (IJCNN). 2017, 1419–1426.
• [10] Qingsong W. et al.: Transformers in Time Series: A Survey. 32nd International Joint Conference on Artificial Intelligence (IJCAI 2023), 2023.
• [11] Shi J. et al.: Time Series Forecasting (TSF) Using Various Deep Learning Models. World Academy of Science, Engineering and Technology. International Journal of Computer and Systems Engineering, 2022.
• [12] Smyl S.: A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. Int. J. Forecast. 36(1), 2020, 75–85.
• [13] Sutton R. S., Barto A. G.: Reinforcement learning – an introduction. Adaptive computation and machine learning. MIT Press, 2014.
• [14] Szepesvari C.: Algorithms for Reinforcement Learning. Morgan & Claypool Publishers, 4, 2010.
• [15] Usmani M. et al.: Stock market prediction using machine learning techniques. 3rd International Conference on Computer and Information Sciences. 2018, 146–158.
• [16] Vijh M. et al.: Stock Closing Price Prediction using Machine Learning Techniques. International Conference on Computational Intelligence and Data Science. 2022, 599–606.
• [17] Yawei L., Peipei L., Ze W.: Stock Trading Strategies Based on Deep Reinforcement. Learning Hindawi Scientific Programming. 2022, 1–15.
• [18] Zhang K. T. et al.: AlphaStock: A Buying-Winners-and-Selling-Losers Invest-ment Strategy using Interpretable Deep Reinforcement Attention Networks. Decision Support Systems, 2019, 14–28.