Частотно-временное представление и фильтрация временных рядов экономических переменных как метод улучшения их прогнозирования

Аннотация В условиях динамичных финансовых рынков и цифровой трансформации способность точно прогнозировать экономические переменные является ключевой для инвесторов, финансовых аналитиков и принимающих решения. Настоящее исследование затрагивает критическую задачу улучшения точности прогнозирования экономических переменных, особенно цен на акции, с помощью передовых алгоритмов фильтрации временных рядов. Путем улучшения прогностических возможностей исследование стремится предоставить ценные исследовательские выводы для принятия обоснованных инвестиционных решений и эффективного управления финансовыми рисками. Применяемые методы, включая декомпозицию эмпирического ряда, быстрое преобразование Фурье и вейвлет-преобразование для фильтрации данных, являются ключевыми в расшифровке тенденций на рынке и оптимизации прогностических моделей. Оценка различных алгоритмов фильтрации наряду с прогностическими моделями, такими как SARIMAX из традиционной эконометрики, XGBoost из машинного обучения и Temporal Fusion Transformer из глубокого обучения, прольет свет на наиболее эффективные стратегии улучшения точности прогнозирования в анализе финансовых временных рядов. Предполагаемые результаты указывают на то, что фильтрация шумных данных, таких как цены на акции, скорее всего положительно повлияет на прогностические возможности моделей. Целью исследования является установление того, какие алгоритмы фильтрации лучше всего работают для каждой модели, что в конечном итоге способствует усовершенствованию методов прогнозирования в анализе финансовых временных рядов. Ключевые слова: прогнозирование цен на акции, фильтрация временных рядов, декомпозиция эмпирического ряда, быстрое преобразование Фурье, вейвлет-преобразование, Temporal Fusion Transformer, XGBoost.