Browsing by Author "Datsenko, Nataliia"
Now showing 1 - 12 of 12
Results Per Page
Sort Options
Item Machine learning approaches for financial time series forecasting(CEUR Workshop Proceedings, 2021) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Дербенцев, Василий Джорджевич; Matviichuk, Andrii; Матвійчук, Андрій Вікторович; Матвийчук, Андрей Викторович; Datsenko, Nataliia; Даценко, Наталія Володимирівна; Даценко, Наталья Владимировна; Bezkorovainyi, Vitalii; Безкоровайний, Віталій Сергійович; Безкоровайный, Виталий Сергеевич; Azaryan, AlbertThis paper is discusses the problems of the short-term forecasting of financial time series using supervised machine learning (ML) approach. For this goal, we applied several the most powerful methods including Support Vector Machine (SVM), Multilayer Perceptron (MLP), Random Forests (RF) and Stochastic Gradient Boosting Machine (SGBM). As dataset were selected the daily close prices of two stock index: SP 500 and NASDAQ, two the most capitalized cryptocurrencies: Bitcoin (BTC), Ethereum (ETH), and exchange rate of EUR-USD. As features we used only the past price information. To check the efficiency of these models we made out-of-sample forecast for selected time series by using one step ahead technique. The accuracy rates of the forecasted prices by using ML models were calculated. The results verify the applicability of the ML approach for the forecasting of financial time series. The best out of sample accuracy of short-term prediction daily close prices for selected time series obtained by SGBM and MLP in terms of Mean Absolute Percentage Error (MAPE) was within 0.46-3.71 %. Our results are comparable with accuracy obtained by Deep learning approaches.Item Several Methods for Evaluating the Investment Attractiveness of Small Innovation Enterprises(Харківський національний економічний університет, 2017) Ignatova, Iuliia; Ігнатова, Юлія Володимирівна; Игнатова, Юлия Владимировна; Datsenko, Nataliia; Даценко, Наталія Володимирівна; Даценко, Наталия Владимировна; Rudyk, Nataliia; Рудик, Наталія Василівна; Рудик, Наталия ВасильевнаAn important factor of impact on the development and living abilities of small and medium-sized innovation enterprises, including startups, is the opportunity to evaluate their investment attractiveness. The main reason for the «failure» of such enterprises is the lack of instrumentarium to forecast the potential number of their customers, and therefore their financial results. The article suggests the number of projected customers as an indicator for evaluation of the investment attractiveness of small innovation enterprises. The authors propose to use a number of mathematical models on the basis of the instrumentarium of descriptive statistics and simulation modeling. The proposed models are built on the basis of the hypothesis of normality of the distribution law of random amounts of income clients and allow forecasting with high accuracy in relation to the day of week, and therefore evaluating the investment risks for potential investors.Item StartUp: «білий чи чорний лебідь»(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2016) Дербенцев, Василь Джоржович; Derbentsev, Vasil; Дербенцев, Василий Джорджевич; Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия ВладимировнаItem Алгоритм моделювання часових рядів криптовалют(Черкаський національний університет імені Богдана Хмельницького, 2018-05) Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия Владимировна; Ігнатова, Юлія Володимирівна; Ignatova, Yu. V.; Игнатова, Юлия ВладимировнаItem Застосування дерев класифікації та регресії до прогнозування часових рядів фінансових інструментів(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2018) Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия ВладимировнаРобота присвячена задачам прогнозування часових рядів фінансових інструментів з використанням методів і моделей машинного навчання. Запропоновано алгоритм бінарного авторегресійного дерева (BART), який є більш придатним для аналізу скалярних часових рядів. Алгоритм BART поєднує класичний алгоритм методу дерев класифікації та регресії C&RT і стандартні авторегресійні моделі ARIMA. Особливістю даного алгоритму є критерій обрання кращого розщеплення (або критерій інформативності) на основі показника ентропії, оскільки він надає перевагу варіантам дерев із меншою складністю. Для вихідного часового ряду у запропонованому алгоритмі застосовується метод «віконного» перетворення даних. Результатом цього перетворення є розділення простору вхідних змінних на сегменти, що дозволяє побудувати для кожного з них власну (локальну) модель. Оскільки кінцевою метою запропонованого алгоритму є прогнозування, то на вузлах-листях будується стандартна авторегресійна модель класу ARIMA, яка є традиційним інструментом прогнозування фінансових часових рядів. Окрім цього, застосування ітераційного методу в BART дозволяє глибоко контролювати процес побудови дерева, і тим самим, забезпечує більш «м’який» контроль процесу його побудови за рахунок: визначення довільного порядку розщеплення вузлів; впровадження правил ранньої зупинки, які аналізують як окремі вузли, так і усе дерево регресії в цілому; зупинки побудови дерева авторегресії в будь-який час. Для тестування прогностичних властивостей алгоритму BART було проведено розрахунки динаміки двох найбільш капіталізованих криптовалют (Bitcoin, Ethereum) на період від 5 до 30 днів за допомогою запропонованого методу і з використанням класичних моделей часових рядів сімейства ARIMA-ARFIMA. Згідно з одержаними результатами, алгоритм BART має кращі прогностичні властивості, ніж моделі часових рядів як для періодів повільної, так і складної динаміки. This paper is devoted to the problem of forecasting financial time series using machine learning approach. The binary autoregressive tree algorithm (BART), which is more suitable for scalar time series analysis, is proposed. The BART algorithm combines the classic classification and regression tree algorithm (C&RT ) with standard ARIMA autoregressive models. One of the main features of BART is the criterion for choosing a better splitting (or informative criterion) based on the entropy index, because it prefers the trees with less complexity. For the original time series, the proposed algorithm used the window data- transformation technique. The result of this transformation is fragmentation the space of the input variables into segments, which allows us to build own (local) model for each of them. Since the final goal of the proposed algorithm is forecasting, a standard autoregressive models ARIMA are built on the leaf nodes, which is the conventional financial time series forecasting tool. In addition, using of an iterative method in BART allows us to deeply control the process of building a tree, and thus provides more «soft» control of the process of its construction by: determining the arbitrary order of splitting nodes; implementing early stop rules that analyze both individual nodes and the whole regression tree; stop building an autoregressive tree at any time. To test the prognostic properties of the BART algorithm, we calculated the dynamics of the two most capitalized cryptocurrencies (Bitcoin, Ethereum) for a period of 5 to 30 days using the proposed method and classical ARIMA-ARFIMA time series models. According to the obtained results, the BART algorithm has better predictive properties than the time series models for both slow and complex dynamics.Item Застосування методів машинного навчання до прогнозування часових рядів криптовалют(ДВНЗ «Київський національний університет імені Вадима Гетьмана», 2019) Дербенцев, Василь Джоржович; Derbentsev, Vasil; Дербенцев, Василий Джорджевич; Великоіваненко, Галина Іванівна; Velykoivanenko, Halyna; Великоиваненко, Галина Ивановна; Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия ВладимировнаРобота присвячена питанням прогнозування короткострокової динаміки часових рядів криптовалют за допомогою методів машинного навчання (ML). Проаналізовано методологічні засади, переваги та недоліки використання ML-алгоритмів при дослідженні фінансових часових рядів.Проведено прогнозні розрахунки динаміки трьох найбільш капіалізованих криптовалют (Bitcoin, Ethereum, Ripple) на 90-денний часовий горизонт як за допомогою запропонованого методу бінарного авторегресійного дерева (BART), так і звикористанням нейронних мереж (багатошарового персептрону, MLP) та ансамблю моделей дерев регресії та класифікації (випадковий ліс, RF). Перевагою побудованих моделей є те, що їх застосування не накладає жорстких обмежень на статистичні властивості досліджуваних часових рядів, при цьому в якості предикторів використовуються лише минулі значення цільової змінної. Проведено порівняльний аналіз прогностичних властивостей побудованих моделей, згідно з яким усі моделів цілому достатньо адекватно описують динаміку досліджуваних криптовалют, при цьому похибки прогнозу цін за середньою абсолютною процентною похибкою (MAPE) для моделей BART та MLP склали в середньому 3,5%, а для моделі RF—в межах 5%.Проведені комп’ютерні експерименти підтвердили доцільність застосування розглянутих ML моделей для задач короткострокового прогнозування фінансових часових рядів. Побудовані моделі та їх ансамблі можуть бути покладені в основу алгоритмів для автоматизованих торгових систем, призначених для інтернет-трейдінгу. This paper is devoted to the problems of the short-term forecasting cryptocurrencies time series using machine learning approach. The methodological principles, advantages and disadvantages of using ML-algorithms in the study offinancial time series are analyzed.The 90-day time horizon of the three most capitalized crypto-currencies (Bitcoin, Ethereum, Ripple) dynamics has been estimated both using the proposed Binary Autoregressive Tree model (BART), and Neural Networks(Multilayer Perceptron, MLP) and an ensemble of Classification and Regression Trees models (Random Forest, RF). The built models have such advantages as their application does not impose strict limitation on the statistical properties of the studied time series,with only past values of the target variable being used as predictors. Comparative performance of the predictive ability of the constructed models is carried out, according to which all the models adequately describe the dynamics of the cryptocurrencies. Price forecast errors calculated by the MAPE for the BART and MLP models were on average 3.5%, and for RF model—within 5%.Computer experiments have confirmed the feasibility of using proposedML-models for the short-term forecasting of financial time series. The constructed models and their ensembles can become the basis for the algorithms for automated trading systems for online trading. Работа посвящена вопросам прогнозирования краткосрочной динамики временных рядов криптовалют с помощью методов машинного обучения (ML). Проанализированы методологические основы, преимущества и недостатки использования ML-алгоритмов при исследовании финансовых временных рядов. Проведены прогнозные расчеты динамики трех наиболее капитализированных криптовалют (Bitcoin, Ethereum, Ripple) на 90-дневный временной горизонт как с помощью предложенного метода бинарного авторегрессионного дерева (BART), так и с использованием нейронных сетей (многослойного персептрона, MLP) и ансамбля моделей деревьев регрессии и классификации (случайный лес, RF). Преимуществом построенных моделей является то, что их применение не накладывает жестких ограничений на статистические свойства изучаемых временных рядов, причем в качестве предикторов используются только предыду-щие значения целевой переменной.Проведен сравнительный анализ прогностических свойств построенных моделей, согласно которому все модели в целом достаточно адекватно описывают динамику исследуемых криптовалют, при этом ошибки прогноза цен, рассчитанные по средней абсолютной процентной погрешности (MAPE), для моделей BART и MLP составили в среднем 3,5%, а для модели RF—в пределах 5%. Проведенные компьютерные эксперименты подтвердили целесообразность применения рассмотренных ML моделей для задач краткосрочного прогнозирования финансовых временных рядов. Построенные модели и их ансамбли могут быть положены в основу алгоритмов для автоматизированных торговых систем, предназначенных для интернет-трейдинга.Item Использование теории нечетких множеств в управлении предприятием(Чернівецький національний університет імені Юрія Федьковича, 2009-04) Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия ВладимировнаItem Криптоінвестиції – ризики та перспективи(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2018-10) Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия Владимировна; Мірошниченко, Ігор Вікторович; Miroshnychenko, Ihor; Мирошниченко, Игорь ВикторовичItem Моделювання процесу оцінки ефективності підприємств малого та середнього бізнесу(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2017) Бєгун, Анатолій Володимирович; Biehun, A.; Бегун, Анатолий Владимирович; Ігнатова, Юлія Володимирівна; Ignatova, J.; Игнатова, Юлия Владимировна; Рудик, Наталія Василівна; Rudyk, Nataliia; Рудик, Наталия Васильевна; Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия ВладимировнаНа сьогоднішній день питання оцінювання ефективності діяльності малого та середнього бізнесу займає ключове місце в економічних дослідженнях. Основними труднощами для малих інноваційних підприємств є залучення фінансово-кредитних інструментів. Для отримання коштів підприємство має обґрунтувати не лише інноваційну ідею, а й змоделювати (прорахувати) прогноз прибутковості підприємницької діяльності. В статті розглянемо питання прогнозування оцінки ефективності малого інноваційного підприємства та складання якісного прогнозу на основі аналізу часових рядів.Item Проблеми впровадження Big Data в цифрову економіку(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019-10) Степаненко, Ольга Петрівна; Степаненко, Ольга Петровна; Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия Владимировна; Овчаренко, Андрій Анатолійович; Ovcharenko, А.; Овчаренко, Андрей АнатольевичItem Розвиток смарт-економіки: міжнародна оцінка та перспективи реалізації в Україні(Київський національний економічний університет імені Вадима Гетьмана, 2022) Орєхова, Тетяна Вікторівна; Oriekhova, Tetiana; Каленюк, Ірина Сергіївна; Kaleniuk, Iryna; Каленюк, Ирина Сергеевна; Унінець, Ірина Михайлівна; Uninets, Iryna; Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия ВладимировнаУ статті обґрунтовано необхідність дослідження смарт-економіки (розумної економіки) не тільки на рівні міст (локалітетів), а й на рівні національної економіки. Запропоновано методичний підхід до оцінки розвитку смарт-економіки на рівні країни. На основі систематизації існуючих оцінок розвитку смарт-економіки на рівні міст та узагальнення найбільш комплексних підходів до оцінки прогресу країн визначено послідовні кроки зі здійснення оцінки розвитку смарт-економіки на національному рівні. Узагальнено результати рейтингування міст за різними індексами протягом 2018–2020 рр. Отримані результати скориговано з урахуванням чисельності населення, що проживає в «розумних містах» відносно всього населення країни. Результати проведеного аналізу візуалізовано та визначено країни, які мають найбільший прогрес у просуванні на шляху смарт-економіки. Сформульовано пропозиції з перспективного розвитку смарт-економіки та «розумних міст» у контексті сучасних викликів. The article substantiates the need for smart economy research not only at the level of cities (localities), but also at the level of the national economy. A methodical approach to assessing the development of the smart economy at the country level is proposed. On the basis of the systematization of the existing assessments of the development of the smart economy at the city level and the generalization of the most comprehensive approaches to the assessment of the progress of countries, successive steps for the assessment of the development of the smart economy at the national level have been determined. The ranking of countries according to the main aspects of smart economy was determined by summarizing the existing approaches for assessing the progress of countries (the most well-known complex and specialized indices). The results of the ranking of cities according to various indices during 2018-2020 are summarized. The obtained results are adjusted taking into account the number of the population living in smart cities relative to the entire population of the country. The results of the analysis were visualized and the countries with the greatest progress in the advancement of the smart economy were identified. Proposals regarding the prospective development of the smart economy and smart cities in the context of modern challenges: the pandemic and the post-war recovery of the Ukrainian economy have been formulated.Item Система моделей оцінювання та прогнозування інноваційних фінансових інструментів (на прикладі криптовалют)(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019-11-01) Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия Владимировна; Коляда, Юрій ВасильовичДисертація присвячена подальшому розвитку теоретичних засад та розробці інструментарію моделювання та прогнозування динаміки інноваційних фінансових інструментів на прикладі криптовалют. У дисертаційній роботі визначено роль та місце криптовалют на сучасному етапі розвитку світової економіки, уточнено категоріальний апарат та економічну сутність дефініції «криптовалюта», розроблено таксономію криптовалют на підставі їх технологічних та криптографічних властивостей. Запропоновано концептуальний підхід до оцінювання та короткострокового прогнозування криптоактивів на основі міжгалузевого стандарту організації інтелектуального аналізу даних CRISP-DM. Розроблено алгоритм бінарного авторегресійного дерева, який дозволяє здійснювати кусково-лінійну апроксимацію фазового простору вхідних лагових змінних та будувати власну авторегресійну модель для кожного сегменту. Здійснено чисельну оцінку горизонту прогнозу із використанням фрактального та ентропійного аналізу та проведено модельні прогнозні розрахунки динаміки часових рядів криптовалют як із використанням моделей BART, так і моделей сімейства ARIMA-ARFIMA. Проведене теоретичне та експериментальне дослідження засвідчило адекватність побудованих моделей та ефективність їх застосування з метою підтримки і прийняття управлінських рішень на крипторинку. The dissertation is devoted to the further development of theoretical basis and experimental tools for modeling and forecasting dynamics of innovative financial assets (cryptocurrencies). The thesis is defined the role and place of cryptocurrencies in the current level of the world economy progress, clarifies the categorical apparatus and economic essence of the definition of «cryptocurrency», developed taxonomy of cryptocurrencies on the basis of their technological and cryptographic properties. A conceptual approach to the evaluation and short-term forecasting of crypto-assets based on the CRISP-DM data mining inter-industry standard is proposed. The binary autoregression tree algorithm (BART) is proposed. This model performs piecewise linear approximation phase space and build an autoregressive model for each segment. Numerical estimation of the forecast horizon was calculated using fractal and entropy analysis, and cryptocurrencies time series forecasts were performed using BART and ARIMA-ARFIMA models. The conducted theoretical and experimental study showed the adequacy of the built models and the effectiveness of their application in order to support making decisionson on the crypto market. Диссертация посвящена дальнейшему развитию теоретических основ и разработке инструментария моделирования и прогнозирования динамики инновационных финансовых инструментов на примере криптовалют. В диссертационной работе определены роль и место криптовалют на современном этапе развития мировой экономики, уточнены категориальный аппарат и экономическая сущность дефиниции «криптовалюта», разработаны таксономия криптовалют на основании их технологических и криптографических свойств. Проанализированы преимущества и недостатки криптовалют по отношению к фиатным деньгам, рассмотрены правовые аспекты регулирования криптоактивов в Украине и за рубежем, перспективы и потенциальные угрозы использования криптовалют и технологии блокчейн. Предложен концептуальный подход к оценке и краткосрочному прогнозированию криптоактивов на основе межотраслевого стандарта организации интеллектуального анализа данных CRISP-DM, который является документированной и свободно распространенной моделью описания основных фаз, выполнение которых позволяет исследователям получить синергетический эффект от использования методов интеллектуального анализа данных, математического и компьютерного моделирования. Проведенный в работе анализ модельного инструментария анализа и прогнозирования динамики криптовалют позволяет сделать вывод о перспективности применения методов машинного обучения (Machine Learning) в сочетании с моделями временных рядов ARIMA, а также с использованием фрактального и энтропийного анализа. Разработан алгоритм бинарного авторегрессионного дерева, который является обобщением моделей деревьев и классификаций. Предложенный алгоритм позволяет осуществлять кусочно-линейную аппроксимацию фазового пространства входных лаговых переменных и строить собственную авторегрессионную модель для каждого сегмента, при этом он лучше адаптирован для работы со скалярными и векторными временными рядами. Проведено численную оценку горизонта прогноза с применением фрактального и энтропийного анализа и проведены модельные прогнозные расчеты динамики временных рядов криптовалют как с использованием моделей BART, так и моделей семейства ARIMA-ARFIMA. В результате проведенного анализа было выяснено, что для большинства криптовалют этот горизонт составляет порядка 30 дней. Модельные эксперименты проводились как для 9 временных рядов криптовалют, так и 2-х классических активов (фондового индекса Nikkey и курса акций компании Apple), которые показали эффективность предложенного нами подхода к прогнозированию инновационных финансовых инструментов. Проведенное теоретическое и экспериментальное исследование показало адекватность построенных моделей и эффективность их применения с целью поддержки и принятия управленческих решений на крипторынке.