Browsing by Author "Miroshnychenko, Ihor"
Now showing 1 - 7 of 7
Results Per Page
Sort Options
Item Forecasting electricity generation from renewable sources in developing countries (on the example of Ukraine)(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2021) Miroshnychenko, Ihor; Мірошниченко, Ігор Вікторович; Мирошниченко, Игорь Викторович; Kravchenko, Тetiana; Кравченко (Лук’янець), Тетяна Володимирівна; Лук’янець, Тетяна Володимирівна; Drobyna, YuliiaElectricity generation forecasting is a common task that helps power generating companies plan capacity, minimize costs, and detect anomaly. Despite its importance, there are serious challenges associated with obtaining reliable and high-quality forecasts, especially when it comes to the newly created renewable electricity market. A practical approach to predicting the generation of electricity from alternative sources in developing countries (on the example of Ukraine) based on the use of classical (ARIMA, TBATS) and modern (Prophet, NNAR) approaches is proposed. The legal framework regulating the process of Ukraine's entry into the pan-European energy market and its functioning was analyzed: the weak points of the legislation on responsibility, the permissible accuracy of weather conditions data, and the lack of data on the monitoring infrastructure are indicated. Among all the proposed alternatives, the Prophet model was the most accurate, since it allows you to simultaneously take into account several seasonalities (hourly, daily, weekly, monthly, and holidays). According to this, for an operational forecast (6 hours) the best model is the one that takes into account hourly seasonality, and for shortterm forecasts (24 and 48 hours) and medium-term forecast (72 hours) the most accurate models are those taking into account hourly, daily, weekly seasonality and weather conditions. The obtained forecasts and model quality indicators approve the feasibility of applying the proposed approach and the constructed models that can be used in a wide range of economic problems.Item Risk and return for cryptocurrencies as alternative investment: Kohonen maps clustering(ДВНЗ «Київський національний університет імені Вадима Гетьмана», 2019) Kaminskyi, Andrii; Камінський, Андрій Б.; Каминский, Андрей Б.; Miroshnychenko, Ihor; Мірошниченко, Ігор Вікторович; Мирошниченко, Игорь Викторович; Pysanets, Kostiantyn; Писанець, Костянтин К.; Писанец, Константин К.The active development of cryptocurrencies in recent years allows iden-tifying the process of forming new class of alternative investment assets. There was formed a sample of cryptocurrencies based on criteria capitalization and historical returns for estimation investment risk of this asset class. The sample included 327 cryptocurrencies, each of which has a capitalization of more than $ 1 mln. Measurement of investment risk was carried out on the basis of five approaches. The first one is grounded on the variability indicators. The second approach includes risk assess-ment in the context of asymmetry. The third is based on the concept of capital formation as part of the risk measures VaR and CVaR. The fourth focuses on measuring sensitivity risk. The fifth approach supposes using the Hurst exponent to measure risk. Based on the measures of these approaches, a comprehensive risk assessment was carried out. To cluster cryptocurrencies by riskiness, indicators from each group were selected, to which the technique of Kohonen self-organizing map was applied. The result was a partition of cryptocurrencies into three clusters. The analysis of the results is proposed and the corresponding conclusions and recommendations are made. Активний розвиток криптовалют в останні роки дозволяє ідентифікувати процес формування нового класу альтернативних інвестиційних активів. Для оцінки інвестиційного ризику цього класу активів у дослідженні була сформована вибірка криптовалют, заснована на критеріях капіталізації та історичної доходності. Вибірка включала 327 криптовалют, які мали капіталізацію більше 1 млн. дол. США. Вимірювання інвестиційного ризику здійснювалося на основі п’яти підходів. Перший з них заснований на показниках варіативності. Другий підхід включав оцінки ризику в контексті асиметрії. Третій ґрунтувався на концепції формування капіталу в межах мір ризику VaR та CVaR. Четвертий був сфокусований на ризику чутливості. П’ятий підхід передбачав використання для вимірювання ризику показника Херста. На основі мір із зазначених підходів було здійснено комплексне оцінювання ризику. Для кластеризації криптовалют за ризиковістю були вибрані індикатори з кожної групи, до яких була застосована технологія самоорганізаційних карт Кохонена. Результатом стало розбиття криптовалют у три кластера. Наведено аналіз отриманих результатів та зроблені відповідні висновки і рекомендації. Активное развитие криптовалют за последние годы позволяет идентифицировать процесс формирования нового класса альтернативных инвестиционных активов. Для оценки инвестиционного риска этого класса активов в исследовании была сформирована выборка криптовалют, основанная на критериях капитализации и исторической доходности. Выборка включала 327 криптовалют, которые имели капитализацию больше 1 млн. дол. США. Измерение инвестиционного риска осуществлялось на основе пяти подходов. Первый из них основан на применении показателей вариативности. Второй подход включал оценки риска в контексте асимметрии. Третий основывался на концепции формирования капитала в рамках мер риска VaR и CVaR. Четвертый был сфокусирован на риске чувствительности. Пятый подход предполагал использование для измерения риска показателя Херста. На основе мер из указанных подходов была осуществлена комплексная оценка риска. Для кластеризации криптовалют по их рисковости были выбраны индикаторы из каждой группы, к которым была применена технология самоорганизующихся карт Кохонена. Результатом стало разбиение криптовалют на три кластера. Приведен анализ полученных результатов и сделаны соответствующие выводы и рекомендации.Item Комплекс моделей оцінювання інвестиційного потенціалу країни(ДВНЗ «Київський національний університет імені Вадима Гетьмана», 2016) Лук’яненко, Ольга Дмитрівна; Lukianenko, Olha; Лукьяненко, Ольга Дмитриевна; Мірошниченко, Ігор Вікторович; Miroshnychenko, Ihor; Мирошниченко, Игорь ВикторовичУ статті запропоновано методологічний підхід до оцінювання інвестиційного потенціалу країни, в рамках якого побудовано комплексну економіко-математичну модель, що складається з трьох рівнів ієрархії та ґрунтується на використанні апарату штучних нейронних мереж, а саме карт самоорганізації Кохонена, та інструментарії теорії нечіткої логіки. Обґрунтовано формування переліку показників, що найбільше характеризують інвестиційний потенціал країни, та проаналізовано наявність взаємозалежностей між ними шляхом виявлення кореляційних зв’язків. Проведено аналіз сучасного стану країн світу за показниками інвестиційного потенціалу та на основі карт самоорганізації Кохонена визначено кластер країн, подібних за цими показниками до України. Визначено ряд факторів, що є репрезентантами своїх груп, на основі яких побудовано економіко-математичну модель оцінювання інвестиційного потенціалу країни із застосуванням інструментарію нечіткої логіки. Сформовано терммножини для кожної з вхідних та вихідної змінних, задано вигляд функцій належності термів та їх параметри, сформована база правил прийняття рішень. Проведена оптимізація всіх параметрів моделі на основі показників країн, які разом з країною дослідження формують відповідний кластер в результаті самоорганізації на карті Кохонена. Отримано лінгвістичний опис інвестиційного потенціалу України та його кількісну оцінку на наступний рік. Проведене експериментальне дослідження засвідчило адекватність побудованих моделей та ефективність їх застосування з метою підтримки прийняття управлінських рішень як для країни-реципієнта (для підвищення інвестиційної привабливості), так і для потенційного інвестора (з метою пошуку найбільш привабливих і неризикових ринків).Item 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 Оцінювання кредитного ризику методами машинного навчання(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019-10) Мірошниченко, Ігор Вікторович; Miroshnychenko, Ihor; Мирошниченко, Игорь Викторович; Івлієва, К. Г.Item Прогнозування вилову риби і морепродуктів у глобальній економіці(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2020) Чужиков, Віктор Іванович; Chuzhykov, Viktor; Чужиков, Виктор Иванович; Мірошниченко, Ігор Вікторович; Miroshnychenko, Ihor; Мирошниченко, Игорь Викторович; Лук’яненко, Олександр Д.; Lukianenko, OleksandrВ статті запропоновано новий науковий підхід до прогнозування вилову риби та морепродуктів, що ґрунтується на застосуванні математичного апарату нейронних мереж (а саме, карт самоорганізації Кохонена) та економетричних моделей (авторегресійних функцій). Карти самоорганізації надали можливість здійснити кластеризацію країн світу за показниками вилову риби та морепродуктів, що дозволило визначити групи країн та територій, стан та розвиток рибного сектору яких є подібними між собою. Зважаючи на надто різнорідний стан цієї галузі за різними країнами процедуру кластеризації довелось здійснити повторно ще в рамках окремих груп країн. Після отримання однорідної вибірки для вирішення задачі прогнозування обсягів вилову риби та морепродуктів запропоновано застосувати моделі регресії часових рядів. В ході ряду експериментів було визначено найкращу прогностичну модель з порядком авторегресії AR(5). Отриманий прогноз та показники якості моделі вказують на доцільність застосування запропонованого кількарівневого підходу до побудови прогнозних моделей, що ґрунтується на кластеризації країн світу та формуванні однорідних навчальних вибірок. Подібний підхід може бути використаний у широкому спектрі економічних та управлінських задач. The article proposes a new scientific approach to forecasting the catch of fish and seafood, based on the use of the mathematical apparatus of neural networks (namely, Kohonen self-organizing maps) and econometric models (autoregressive functions). Self-organizing maps provided an opportunity to cluster the countries of the world according to the indicators of fish and seafood catch, which made it possible to identify countries and areas whose state and development of the fisheries sector are similar to each other. Due to the too heterogeneous state of this industry in different countries, the clustering procedure had to be repeated even within certain groups of countries. After obtaining a homogeneous sampling to solve the problem of predicting the volume of fish and seafood catches, it is proposed to apply time series regression models. Through a series of experiments, fifth-order autoregression AR(5) was determined as the best predictive model. The forecast obtained and model quality indicators approve the feasibility of applying the proposed multi-level approach to building predictive models, which is based on the clustering of countries of the world and the formation of homogeneous training samples. A similar approach can be used in a wide range of economic and managerial tasks.Item Ієрархічна логіко-лінгвістична модель оцінювання інвестиційного потенціалу України з урахуванням ризику(Таврійський національний університет імені В. І. Вернадського МОН України, 2012) Великоіваненко, Галина Іванівна; Velykoivanenko, Halyna; Великоиваненко, Галина Ивановна; Мірошниченко, Ігор Вікторович; Miroshnychenko, Ihor; Мирошниченко, Игорь ВикторовичМетою даного дослідження є розроблення концептуального підходу до побудови економіко-математичних моделей оцінювання інвестиційного потенціалу України. Поставлена мета зумовила необхідність вирішення таких наукових завдань: аналіз чинників формування та критеріїв оцінювання інвестиційного потенціалу; побудова ієрархічної моделі оцінювання інвестиційного потенціалу України; визначення основних етапів, методів аналізу та інструментарію моделювання даного процесу.