Identyfikacja i prognozowanie chaosu na przykładzie ekonomicznych szeregów czasowych

• Autorzy: Monika Miśkiewicz
• Języki publikacji: PL

Abstrakty

Początki teorii chaosu sięgają końca XIX wieku i są związane z pracami francuskiego matematyka Henri Poincare. Poincare zajmował się wyznaczeniem trajektorii trzech ciał niebieskich, które oddziałują na siebie siłami grawitacji. Badając zachowanie sie pojedynczych trajektorii, Poincare odkrył istnienie bardzo złozonych struktur, zwanych dziś trajektoriami chaotycznymi. Wśród wielu badaczy różnych dyscyplin naukowych teorię chaosu spopularyzowało odkrycie Edwarda Lorenza (rozpoczął swoje prace w 1960 roku, ale społecznośc naukowa doceniła je dopiero w latach 70. ubiegłego wieku), który w latach 70, zidentyfikował ważną cechę układów chaotycznych - wrażliwość układu na zmianę warunków początkowych. Miarą tej wrażliwości są liczby rzeczywiste zwane wykładnikami Lapunowa. Określają one tempo rozchodzenia się sąsiednich trajektorii w przestrzeni stanów. (fragment tekstu)

Słowa kluczowe

PL

Teoria chaosu; Rynek kapitałowy; Szeregi czasowe

EN

Chaos theory; Capital market; Time-series

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2010
• Tom: Badania ekonometryczne w teorii i praktyce
• Strony: 260-272

Twórcy

autor

Monika Miśkiewicz

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Cao L. (2001). Method of False Nearest Neighbors. W: Modeling and Forecasting Financial Data. Red. A.S. Soofi, L.Cao. Kluwer, Boston.
• Cao L., Soofi A. (1999). Nonlinear Deterministic Forecasting of Daily Dollar Exchange Rates. "International Journal of Forecasting", Vol. 15, s. 421-430
• Casdagli M. (1991). Chaos and Deterministic versus Stochastic Non-linear Modelling. "J. R. Statist. Soc." 54, No. 2, s. 303-328.
• Casdagli M., Eubank S., Farmer J.D., Gibson J. (1991). State Space Reconstruction in the Presence of Noise. "Physica D", Vol. 51, s. 52-98.
• Chun S.H., Kim K.J., Kim S.H. (2002). Chaotic Analysis of Predictability Versus Knowledge Discovery Techniques: Case Study of the Polish Stock Market. "Expert Systems", Vol. 19, No. 5, s.264-272.
• Devaney R.L. (1987). An Introduction to Chaotic Dynamical Systems. Addison-Wesley Publishing Company, Inc., Redwood City.
• Fernandez-Rodriguez F., Sosvilla-Rivero S., Garca-Artiles M.D. (1999). Dancing with Bulls and Bears: Nearest-neighbour Forecasts for the Nikkei Index. "Japan and the World Economy", Vol. 11, s. 395-413.
• Guegan D., Leroux J. (2009). Forecasting Chaotic Systems: The Role of Local Lyapunov Exponents. "Chaos, Solitions & Fractals", Vol.41, s. 2401-2404
• Hsieh D.A. (1991). Chaos and Nonlinear Dynamics : Application to Financial Market. "The Journal of Finance", Vol. XLVI, No 5, 1839-1877.
• Kantz H., Schreiber T. (2004). Nonlinear Time Series Analysis. Cambridge University Press.
• Kufel T. (2004). Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL. Wydawnictwo Naukowe PWN, Warszawa.
• Kyrtsou C., Terraza M. (2002). Stochastic Chaos or ARCH Effects in Stock Series ? A Comparative Study. "International Review of Financial Analysis", 11, s. 407-431.
• Nowiński M. (2007). Nieliniowa dynamika szeregów czasowych. Akademia Ekonomiczna, Wrocław.
• Ott E. (1997). Chaos w układach dynamicznych. Wydawnictwo Naukowo-Techniczne, Warszawa.
• Ott E., Yorke E.D., Yorke J.A. (1985). A Scalling Law: How an Attractor's Volume Depends on Noise Level. "Physica D", Vol. 16, s. 62-78.
• Peters E.E. (1997). Teoria chaosu a rynku kapitałowe. Nowe Spojrzenie na cykle, ceny i ryzyko. WIG-Press, Warszawa.
• Rosenstein M.T., Collins J.J., De Luca C.J. (1993). A Practical Method for Calculating Largest Lyapunov Exponents from Small Data Sets. "Physica D", Vol. 65, s. 117-134.
• Zawadzki H. (1996). Chaotyczne systemy dynamiczne. Elementy teorii i wybrane zagadnienia ekonomiczne. Akademia Ekonomiczna, Katowice.
• Zhang J., Lam K.C., Yan W.J., Gao H., Li Y. (2004). Time Series Prediction Using Lyapunov Exponents in Embedding Phase Space. "Computers and Electrical Engineering", 30, s. 1-15.