Monika Miśkiewicz-Nawrocka
Uniwersytet Ekonomiczny w Katowicach Katedra Matematyki
monika.miskiewicz@ue.katowice.pl
WPŁYW OPTYMALNYCH PARAMETRÓW REDUKCJI SZUMU LOSOWEGO
NA IDENTYFIKACJĘ CHAOSU
W EKONOMICZNYCH SZEREGACH CZASOWYCH
Wprowadzenie
Rzeczywiste szeregi czasowe (st) składają się z części deterministycznej (yt) oraz części stochastycznej (εt), która wyraża poziom szumu losowego. Redukcja szumu losowego pozwala poznać własności szeregu (yt) na podstawie analizy szeregu obserwacji (st). Jedną z metod redukcji poziomu szumu losowego jest metoda najbliższych sąsiadów.
Celem artykułu było zbadanie wpływu procesu redukcji szumu losowego metodą najbliższych sąsiadów na identyfikację chaosu w szeregach czasowych.
Badania empiryczne przeprowadzono na podstawie rzeczywistych danych natu- ry ekonomicznej – szeregi finansowe utworzone z logarytmów dziennych stóp zwrotu cen zamknięcia wybranych indeksów giełd światowych. Dane obejmują okres od 3.01.2000 do 26.08.2013. Do przeprowadzenia niezbędnych obliczeń wykorzystano program napisany przez autora w języku Delhi, arkusz kalkula- cyjny Excel oraz program TISEAN.
1. Redukcja szumu losowego metodą najbliższych sąsiadów
Rzeczywisty szereg czasowy można opisać za pomocą układu równań:
(
t t)
t f x
x+1
= + η
, (1)Monika Miśkiewicz-Nawrocka 46
( )
t tt h x
s+1
=
+1+ ξ
, t=0,1,2, ... (2) gdzie:X X
f : → – funkcja opisująca rzeczywistą dynamikę układu, R
X
h
: →
– funkcja pomiarowa generująca szereg czasowy obserwacji st układu dynamicznego, X⊂
Rm,X – przestrzeń stanów, xt
,
xt+1∈
X – stan nieznanego, pierwotne- go układu wielowymiarowego odpowiednio w chwilach t,+ 1
t , st+1 – obserwacja szeregu czasowego w chwili t
+ 1
,η
t – szum dynamiczny wewnątrz układu,ξ
t – szum pomiarowy.W skrócie, szereg czasowy opisany równaniami (1) – (2) można zapisać jako:
t t
t y
s
= + ε
, (3)gdzie:
st – obserwacja szeregu czasowego w momencie t, yt – część deterministyczna szeregu czasowego,
ε
t – część stochastyczna szeregu czasowego (szum losowy).Podstawą metody najbliższych sąsiadów służącej do redukcji szumu loso- wego jest rekonstrukcja przestrzeni stanów [10], która pozwala na podstawie jednowymiarowego szeregu czasowego obserwacji odtworzyć przestrzeń stanów układu dynamicznego. Elementami zrekonstruowanej przestrzeni stanów są wektory opóźnień tzw. d-historie postaci:
( )
( ,
−τ, ... ,
− −1τ)
=
t t t dd
t s s s
s , (4)
gdzie:
st – obserwacja szeregu czasowego w momencie t, d – wymiar zanurzenia,
τ
– opóźnienie czasowe,(
d− 1 ) τ + 1 ≤
t≤
N.Szacowanie wartości części deterministycznej yn,
1 <
n<
N szeregu cza- sowego(
s1,
s2, ... ,
sN)
metodą najbliższych sąsiadów odbywa się według nastę- pującej procedury [3]:1. Dla oszacowanego wymiaru zanurzenia d oraz opóźnienia czasowego
τ = 1
tworzy się wektor opóźnień postaci:( )
( ,
−1, ... ,
− −1)
=
t t t dd
t s s s
s , (5)
tak aby filtrowana obserwacja sn była jedną ze środkowych współrzędnych wektora std.
2. Wyznacza się k najbliższych sąsiadów (w sensie odległości euklidesowej) wektora std:
( ) ld( ) ld( )k
d
l s s
s 1
,
2, ... ,
. (6) 3. Na podstawie pierwszych współrzędnych najbliższych sąsiadów wektora std,oblicza się wartość yn według wzoru:
∑
( )=
=
ki i l n s y k
1
1
, (7)gdzie:
( )i
sl – pierwsza współrzędna wektora sld( )i .
Do oceny skuteczności stosowanej metody filtracji można zastosować współczynnik poziomu redukcji szumu NRL, który bada zależność pomiędzy si- łą szumu dodawanego do układu a strukturą geometryczną jego atraktora.
Współczynnik NRL dany jest wzorem [7]:
( ) ∑
∑
=
=
T= ii T
i i
D d d
NRL
1
1 , (8)
gdzie:
di i Di – odległości i-tego wektora opóźnień (d-historii) odpowiednio od jego najbliższego i najdalszego sąsiada.
2. Identyfikacja dynamiki chaotycznej w szeregach czasowych
Do podstawowych narzędzi teorii nieliniowych układów dynamicznych, służących do identyfikacji deterministycznego chaosu należą największy wy- kładnik Lapunowa oraz wymiar korelacyjny układu1. Wartość największego
1 Metody identyfikacji chaosu pozwalają na wykrycie jedynie pojedynczego atrybutu dynamiki chaotycznej. Zatem przeprowadzenie pełnej analizy danych wymaga uwzględnienia uzupełnia- jących się metod (testu BDS, analizy przeskalowanego zakresu R/S, wymiaru fraktalnego sze- regu, testu Kaplana, analizy bispektrum lub testu White’a za pomocą sieci neuronowych).
Monika Miśkiewicz-Nawrocka 48
wykładnika Lapunowa mierzy wrażliwość układu dynamicznego na zmianę wa- runków początkowych, która jest podstawowym atrybutem dynamiki chaotycz- nej. Natomiast szacowanie wartości wymiaru korelacyjnego pozwala zmierzyć złożoność układu i określić liczbę zmiennych układu.
2.1. Największy wykładnik Lapunowa
Dla układu dynamicznego
(
X , f)
wykładniki Lapunowa definiuje się jako granice [11]:( )
x0 limn 1nln i(
n,x0)
i
μ
λ
= →∞ , i = 1, ... , m, dla m≥ 1
, (9) gdzie:(
n, x
0)
μ
i – wartości własne macierzy Jacobiego odwzorowania fn, f n – n-krotne złożenie funkcji f, X,f – j.w.
W praktyce, dla rzeczywistych szeregów czasowych, gdy nie jest znana funkcja generująca f, największy wykładnik Lapunowa szacuje się na podstawie zależności:
max 0
λ n
n ≈Δ ⋅e
Δ , (10)
jako współczynnik kierunkowy równania regresji:
n
ln
0 maxnln Δ = Δ + λ
, (11)gdzie:
Δ
0 – początkowa odległość pomiędzy dwoma początkowo bliskimi (w sensie metryki euklidesowej) wektorami zrekonstruowanej przestrzeni stanów,Δ
n – odległość pomiędzy tymi wektorami po n iteracjach,λ
max – największy wykładnik Lapunowa [3;11].Dodatnia wartość największego wykładnika Lapunowa jest bardzo często uznawana jako warunek konieczny i wystarczający obecności chaosu w układzie dynamicznym.
2.2. Wymiar korelacyjny
Wymiar korelacyjny atraktora układu dynamicznego jest nazywany grani- cą [3;8]:
( )
ε ε
ε ln
, , limln
0
t d DC C
= → , (12)
gdzie:
(
d t)
C(
d n t)
C ,
ε
, nlim , ,ε
,∞
= → – całką korelacyjną daną wzorem:
( ) ( ) ∑ ∑ ( )
= = +
−
− −
=
nj n j i
d j d
i x
x n I
n n d C
1 1
1 , 2
,
, ε τ ε
,ε > 0
, (13)( ) ⎩ ⎨ ⎧
≥
= <
0 ,
1
0 ,
0
a a aI ,
d
xi – wektor d-wymiarowej zrekonstruowanej przestrzeni stanów,
τ
– opóźnienie czasowe.Dla rzeczywistych szeregów czasowych wartość wymiaru korelacyjnego szacuje się jako współczynnik kierunkowy równania regresji [7;11]:
( )
D aC
ε =
c⋅ ln ε +
ln
, (14)gdzie:
a – stała.
Wartość wymiaru korelacyjnego DC wyznacza się dla kolejnych wartości wymiaru zanurzenia d. Dla szeregów deterministycznych wartość wymiaru DC powinna stabilizować się na pewnym poziomie równym szacowanemu wymia- rowi korelacyjnemu. Dla szeregów losowych wymiar DC powinien w przybliże- niu być równy wymiarowi zanurzenia d [5].
3. Badania empiryczne
Przedmiotem badania były logarytmy dziennych stóp zwrotu indeksów giełd światowych: CAC40 – indeks na Giełdzie Papierów Wartościowych w Pa- ryżu (CAC), HANGSENG – indeks na Giełdzie Papierów Wartościowych w Hongkongu (HSI), NIKKEI225 – indeks na Giełdzie Papierów Wartościo- wych w Tokio (NKX), SENSEX 30 – indeks na Giełdzie Papierów Wartościo- wych w Bombaju (SNX), S&P500 – indeks giełdy w Nowym Jorku (SPX), WIG – indeks na Giełdzie Papierów Wartościowych w Warszawie (WIG) oraz XU100 – indeks na Giełdzie Papierów Wartościowych w Stambule (XU); postaci:
ln
1ln −
−=
t tt s s
x , (15)
gdzie:
st – obserwacja szeregu, notowane w okresie 3.01.2000-26.08.20132.
2 Dane pochodzą z archiwum plików strony internetowej stooq.com.
Monika Miśkiewicz-Nawrocka 50
W pierwszym etapie badania, wybrane szeregi czasowe poddano procesowi re- dukcji poziomu szumu losowego metodą najbliższych sąsiadów dla opóźnienia cza- sowego
τ = 1
. Redukcję szumu losowego w szeregach czasowych przeprowadza się dla ustalonego wymiaru zanurzenia d i ustalonej liczby najbliższych sąsiadów wektora xtd. W celu ustalenia optymalnych parametrów, tj. parametrów, dla których poziom szumu losowego jest najniższy, pod uwagę wzięto następujące wartości wymiaru zanurzenia d = 2, 3, 4, 5, 6, 7, 8, 9, 10, 15, 20, natomiast jako najbliższych sąsiadów wektora xtd ustalono wektory z jego otoczenia o promieniu otoczenia ρ = 0,001; 0,01; 0,13. Do oceny poziomu szumu w przefiltrowanych szeregach za- stosowano współczynnik NRL.W tabeli 1 zamieszczono optymalne parametry redukcji szumu losowego:
wartość wymiaru zanurzenia d i promień otoczenia ρ, oraz odpowiadającą im najniższą wartość współczynnika NRL dla analizowanych szeregów. Tak przefil- trowane szeregi oznaczono symbolem NazwaSzeregu_red.
Tabela 1 Współczynnik NRL dla szeregów przefiltrowanych metodą najbliższych sąsiadów
Szereg d ρ NRL
CAC_red 2 0,1 0,0005687
HSI_red 2 0,1 0,0008235
NKX_red 9 0,1 0,0008070
SNX_red 2 0,1 0,0006529
SPX_red 2 0,1 0,0005776
WIG_red 2 0,1 0,0003023
XU_red 3 0,1 0,0011119
Następnie dla analizowanych szeregów oszacowano parametry rekonstrukcji przestrzeni stanów metodą opóźnień: stosując funkcję autokorelacji – ACF [1;9]
wyznaczono czas opóźnień
τ
, natomiast za pomocą metody najbliższego po- zornego sąsiada – FNN [1;4] obliczono wymiar zanurzenia d. Tabela 2 zawiera parametry rekonstrukcji d i τ dla szeregów czasowych przed i po filtracji.Tabela 2 Wartości parametrów rekonstrukcji przestrzeni stanów dla analizowanych szeregów Szereg Opóźnienie
czasowe
Wymiar
zanurzenia Szereg Opóźnienie czasowe
Wymiar zanurzenia
CAC 20 8 CAC_red 17 10
HSI 2 6 HSI_red 21 9
NKX 6 6 NKX_red 19 10
SNX 15 7 SNX_red 4 4
SPX 4 6 SPX_red 14 5
WIG 16 7 WIG_red 23 6
XU 4 6 XU_red 12 4
3 Redukcję szumu przeprowadzono przy wykorzystaniu darmowego programu TISEAN autor- stwa H. Kantza i T. Schreibera.
Kolejny etap badań, polegał na identyfikacji chaosu w analizowanych szere- gach czasowych. W tabeli 3 przedstawiono wyniki szacowania największego wy- kładnika Lapunowa dla badanych szeregów. Obok wartości największego wykład- nika Lapunowa podano również równanie regresji oraz współczynnik determinacji
R2, na podstawie których wyznaczono
λ
max. Znakiem „–” oznaczono sytuację, w której oszacowany współczynnik kierunkowy równania regresji nie może być traktowany jako wartość największego wykładnika Lapunowa, ponieważ R2 <0,3.Tabela 3 Wartości największego wykładnika Lapunowa dla analizowanych szeregów
Szereg Równanie regresji
λ
max Szereg Równanie regresjiλ
maxCAC 0,2395 2329 , 4 0003 , 0
2 =
−
= R
x
y – CAC_red
3317 , 0
1894 , 9 0061 , 0
2=
−
= R
x
y 0,0061
HSI 0,2953 1869 , 4 0009 , 0
2=
−
= R
x
y – HSI_red
3728 , 0
6463 , 8 011 , 0
2 =
−
= R
x
y 0,0110
NKX 0,3630 1765 , 4 0018 , 0
2=
−
= R
x
y 0,0018 NKX_red
4348 , 0
5717 , 8 038 , 0
2=
−
= R
x
y 0,0380
SNX 0,3596 1885 , 4 0021 , 0
2 =
−
= R
x
y 0,0021 SNX_red
3376 , 0
8706 , 8 0321 , 0
2 =
−
= R
x
y 0,0321
SPX 0,3309 3929 , 4 0011 , 0
2=
−
= R
x
y 0,0011 SPX_red
6639 , 0
4164 , 9 0094 , 0
2=
−
= R
x
y 0,0094
WIG 0,3495 3491 , 4 0029 , 0
2=
−
= R
x
y 0,0029 WIG_red
6013 , 0
376 , 11 0251 , 0
2 =
−
= R
x
y 0,0251
XU 0,0823 8043 , 3 0018 , 0
2=
−
= R
x
y – XU_red
1907 , 0
8222 , 6 0217 , 0
2=
−
= R
x
y –
Obliczone wartości największego wykładnika Lapunowa
λ
max dla wszyst- kich analizowanych szeregów czasowych są dodatnie, jednak są one niewielkie.Świadczy to o wrażliwości tych szeregów na zmianę warunków początkowych, a zatem o obecności chaosu, lecz jego poziom jest nieznaczny. Analizując dane zawarte w tabeli 3, można stwierdzić, że po zastosowaniu procedury redukcji szu- mu losowego wartości największego wykładnika Lapunowa są znacznie większe niż w szeregach przed filtracją. Największym poziomem chaosu wykazały się sze- regi NKX, SNX oraz WIG, dla których zastosowano procedurę redukcji szumu metodą najbliższych sąsiadów. Ponadto, szacowane równania regresji charaktery- zują silniejszym dopasowaniem do danych dla szeregów przefiltrowanych.
W tabeli 4 zamieszczono oszacowane wartości wymiaru korelacyjnego dla wszystkich analizowanych szeregów dla wymiaru zanurzenia d = 2, 3, … , 10.
5
s n b g m g s
R
n o g c D w c 52
Sze CACA HS HS NKNK SN SN SPXSPX WI WI XUXU
są z nyc brak go.
moż go ( styc
Rys.
na p okre gno czon Do wyk cza
ereg AC AC_r
I I_red KX KX_r NX NX_re
X X_re IG IG_re U U_red
O zna ch. J
k je Dl żna (rys czny
. 1. W
W pod
esow ozy
no p wy kład się
ed d red
ed ed ed d
blic aczn Jed est w
a p a za s. 1 ych
War
Wob dstaw
weg wra pro yzna
dnik na
1,0, 1, 0, 1,0, 1, 0, 1,0, 1, 0, 1,0,
czo nie dnak
wyr prze aobs ). F h w
rtośc
ec wie go az z ogno acze ka L pod
2 ,4114 ,0574 ,378 ,0127 ,4757 ,0073 ,4103 ,0185 ,3154 ,0393 ,457 ,0172 ,398,0477
ne niż k za
raźn efilt
serw Fak
bad
ci wy
fak e od pro ze w ozy
enia Lap dsta
4 4 1 7 7 3 3 5 4 3
2 1 7
wa ższe arów
neg trow wow kt te
dan
ymi
ktu, dwz ogno wzro ana a pr puno awi
W 3 2,180,10 2,12 0,02 2,280,01 2,18 0,02 2,000,07 2,25 0,02 2,140,07
artoś e od wno go p wan
wać en m nych
aru
że oro ozo oste aliz rogn owa
e za
Wymi 3 801 028 238 218 844 107 882 273 061 766 582 252 406 731
ści d w o d poz nych
ć wo moż h sz
kore
dla owan
wan em zow noz a LE ależ
M
iar k
20 2 0 30 2 0 20 3 0 20
wy wart la s ziom
h sz olni że p zere
elac
a sz nia nia jej wany
z w EM żnoś
Mon
kore 4 2,967 0,157 2,864 0,033 3,112 0,014 2,996 0,036 2,711 0,124 3,083 0,033 2,911 0,099
ymi tośc szer mu
zere iejs potw egac
yjne
zere log po hor ych wyko M. W
ści ika
lacy
7874 46 37 2541 67 64 142 32 34 1997
aru ci D
regó stab egó sze wie ch.
ego
gów gisty twi ryzo
sze orzy W m [3],
Miś
yjny
3,70,2 3,6 0,0 3,90,0 3,8 0,0 3,40,1 3,9 0,0 3,70,1
u ko Dc o
ów biliz
w X tem erdz
dla p
w c ycz ierd ontu ereg ysta meto
, [4 śkie
dla W 5 7592219 6136 0484 95230173 8393 0453 44171792 9134 0416 71081266
orel otrz prz zow XU mpo zać
prze
chao zneg dzają
u [6 gów ano odzi
]:
wic
ana Wymia
40 4 0 40 4 0 40 4 0 40
acy zym zefi wan U_re o wz
istn
efiltr
otyc go,
ą w 6], [ w dla
me ie L
cz-N
alizo ar za 6 4,600,287 4,322 0,06 4,786 0,020 4,689 0,054 4,220,24 4,752 0,050 4,504 0,154
yjne many
iltro nia s ed,
zro nien
rowa
czny odw wyk
[8], a ho etod LEM
awr
owan anurz 5176 26 58 6806 99 42 5613 25 06 4945
ego ych owa
się SN stu nie
anyc
ych wzo kładn
w oryz dę o M p
rock
nych zenia 5,70,3 5, 0,0 5,50,0 5,5 0,0 5,20,3 5,6 0,0 5,40,
dla h dl any wa NX_
wa pew
ch sz
h (tj orow
nicz kol zon opar prog ka
h sze a
7 73293617 1482 0857 5165024 511 0627 24323093 6239 0604 41731836
a sz la s ych arto _red arto wny
zere
. sz wan ze t lejn ntu p
rtą gno
ereg
97 2 7 5
7 23 9 4 36
zere szer jak ści d, W ości
ych
egów
zere nia H
tem nym pro na zę o
gów 8 5,650,44 5,85 0,10 5,870,02 5,92 0,07 5,840,38 5,97 0,07 5,440,21
egów regó k i n wy WIG wy h za
w
egów Hen mpo m eta gno wa obs
8 573418 571 078 772274 237 714 473822 755 714 467137
w p ów niep ymi G_re
ymi ależ
w w non
wz apie ozy artoś serw
60 5 0 60 6 0 50 6 0 60
prze nie prze iaru
ed o iaru żnoś
wyg n), w zros e ba T = ści wacj
9 ,471,527 ,825 ,132 ,543,030 ,900 ,080 ,802,460 ,841 ,083 ,227,243
efilt eprz efilt u ko ora u ko
ści
gene wyn
stu adan
= 1, naj ji sN
9 2 5 6 9 5 5 4 4 6 5 8
trow zefi
trow orel az H
orel det
erow niki
błę nia , 2, jwię
N+1
Tab
1 6,40,6 6,4 0,1 7,20,0 7,8 0,0 6,50,7 7,7 0,1 7,30,3
wan iltro wan lacy HSI_
lacy term
wan kró ędu
wy
… ększ
wy
bela
10 726 157 214 587 646 345 878 896 743 092 154 277 079 608
nyc owa nyc yjne _re yjne mini
nyc ótko
pro yzna , 10 zeg yzna
4
h a- ch
e- ed
e- i-
ch o- o- a- 0.
go a-
g
λ Δ Δ
e b s p d
R
R
gdz
λ
maΔ
mΔ
1euk będ sN+1 pier dy p
Rys.
Rys.
zie:
ax
min
– W klide dące
[8 rwia prog
. 2. W
. 3. W
– w – o
– W zw
eso e od 8]. W
aste gno
War
War
wyk odle ozn odl wią wą, dpo W c ek b oz w
rtośc
rtośc
kład egło nacz legł
zku , pr owie
celu błęd wyzn
ci bł
ci bł
dnik ość zon łość u z rogn edn u os du
nac
łędu
łędu
k L ć po nym
ć po tym noz nio p
szac śred czon
RM
RM
Lapu omi m jak
omi m, ż za
ˆs
prz cowdni nych
MSE
MSE
uno iędz ko iędz że o
ˆ
N+ sesz wani okw h m
prz
nied
wa zy smid
zy w odle
1 m zaco ia d wad meto
esza
dosz
Δ
,we
in, wek egło moż
owa dokł drat odą
acow
zaco
Δ
1ekto
ktor ości e p aną ładn tow
LE
wany
owan
Δ
≈
orem
ram i po przy i n noś wego EM w
ych
nych
Δ
mim s
mi s omi yjmo nied
ści w o RM
w z
prog
h pro
in
⋅
ed
sN
d N 1+
ędz owa dosz wyz MS zale
gnoz
ogno λma
e
or
or zy w
ać d zaco zna SE.
eżno
z sze
oz sz
ax ,
raz
raz wek
dwi owa aczo Ry ości
ereg
zere
jeg
smid
ktor ie w aną ony ysun
i od
gów
egów
go
1 in+
ram war ą wa
ch p nki d ho
w
naj
[8]
mi są rtośc arto pro
2-5 oryz
bliż
. ą m
ci:
ości ogno 5 pr zont
ższy
mierz ˆ+N
s ią r oz w rzed tu p
ym
zon
+1 o rzec
wyk dsta prog
m są
ne m oraz czyw
korz awi gnoz
ąsia
metr z ˆs wis zys ają zy.
(15
adem
ryk
−+1
ˆN s
teg tan błę
5)
m
ką
1, go no ę-
5
R
R
s t n p m k
P
s s w Ś d 54
Rys.
Rys.
szoś tu p nicz prze mu kacj
Pod
sąsi staw wyk Świ dla
. 4. W
. 5. W
N ści b prog
ze.
ez u los ji są
ds
W iadó wie kaz iadc
sze
War
War
Na p bad gnoz
Mo ukła sow
ą zn
um
W ar ów pr ały czą ereg
rtośc
rtośc
pods dany
zy, ożna ady wego nacz
mow
rtyk na rzep ce o t gów
ci bł
ci bł
staw ych jed a w cha o bł znie
wan
kule ide prow
chy tym w po
łędu
łędu
wie sze dnak więc
aoty łędy e mn
nie
e zb enty wad y ch m zn odd
RM
RM
pow ereg k te
wn yczn y pr
niej
e
bad yfik dzon hao nacz dany
MSE
MSE
wyż gów mp nios ne.
rogn jsze
ano kacj
nyc tyc znie
ych M
prz
nied
ższy w błę po w sko
Do noz e niż
o w ę ch ch b zne e w h pr
Mon
esza
dosz
ych ędy wzro
wać odat z an ż bł
wpły hao bad e w więk roce
ika
acow
zaco
wy y pro
ostu ć, ż tkow naliz
łędy
yw r osu dań w wi ksze edu
Miś
wany
owan
ykre ogn u ty że b wo zow y pr
redu w w mo ięks e wa urze
śkie
ych
nych
esów noz ych b
bada mo wany
rogn
ukc wyb ożn szym arto
red wic
prog
h pro
w (r zwi błęd ane ożna
ych noz
cji s bran na s m s ości
duk cz-N
gnoz
ogno
rys.
ięks dów e sz
a za h sz nie
szum nyc stw stop i naj kcji
awr
z sze
oz sz
. 2- szaj w je ereg auw
ereg eprz
mu ch s wierd
pniu ajwi
niż rock
ereg
zere
-5) m ją s est w
gi f waży gów zefil
los szer
dzić u n ięks ż dl ka
gów
egów
moż ię w wol fina yć, ż w w
ltro
sow rega ć, ż iż s szeg la s
w
żna wraz
lniej anso że w w ca owan
weg ach że p szer go w szer
a za z ze jsze owe w w ałym nyc
o m fin prz regi wyk regó
auw e wz e ni e ni wyn m p ch sz
meto nans
efil i ni kład ów
aży zros iż te ie s niku prze
zere
odą sow ltro iepr
dnik nie
yć, ż stem emp
ą g u red
dzia egó
ą na wych
wan rzef
ka L eprz
że w m h po w gene
duk ale ów.
ajbl h. N ne filtr
Lap zefi
w w hory
wyk erow kcji
we
iższ Na p sze row pun iltro
więk yzon kład wan szu eryfi
zyc pod ereg wane now
owa k- n- d- ne
u- fi-
ch d- gi e.
wa a-
nych. Istnienie pewnych zależności deterministycznych w czterech z badanych szeregów, wydaje się potwierdzać wolniejsze tempo wzrostu wartości wymiaru korelacyjnego po zastosowaniu metody redukcji szumu losowego.
Dodatkowo przeprowadzone badania wykazały, że szeregi poddane proce- sowi redukcji szumu charakteryzowały się znacznie mniejszymi błędami pro- gnozy w całym przedziale weryfikacji.
Literatura
[1] Cao L., Method of False Nearest Neighbors, [w:] Modeling and Forecasting Fi- nancial Data, ed. A.S. Soofi, L. Cao, Kluwer, Boston 2001.
[2] Guégan D., Leroux J., Forecasting Chaotic Systems: The Role of Local Lyapunov Exponents, „Chaos, Solitons & Fractals” 2009, Vol. 41.
[3] Kantz H., Schreiber T., Nonlinear Time Series Analysis, Cambridge University Press, Cambridge 2004.
[4] Kennel M.B., Brown R., Abarbanel H.D.I., Detecting Embedding Dimension for Phase Space Reonstruction Using a Geometrical Construction, „Physical Review A”
1992, Vol. 45.
[5] Kyrtsou C., Terraza M., Stochastic Chaos or ARCH Effects in Stock Series?
A Comparative Study, „International Review of Financial Analysis” 2002, Vol. 11.
[6] Miśkiewicz-Nawrocka M., Zastosowanie wykładników Lapunowa do analizy ekonomicznych szeregów czasowych, Wydawnictwo Uniwersytetu Ekonomicznego, Katowice 2012.
[7] Orzeszko W., Identyfikacja i prognozowanie chaosu deterministycznego w ekonomicz- nych szeregach czasowych, Polskie Towarzystwo Ekonomiczne, Warszawa 2005.
[8] Ott E., Chaos w układach dynamicznych, Wydawnictwa Naukowo-Techniczne, Warszawa 1997.
[9] Ramsey J.B., Sayers C.L., Rothman P., The Statistical Properties of Dimension Calculations Using Small Data Sets: Some Economic Applications, „International Economic Review” 1990, Vol. 31, No. 4.
[10] Takens F., Detecting Strange Attractors in Turbulence, [w:] Lecture Notes in Ma- thematics, ed. D.A. Rand and L.S. Young, Springer, Berlin 1981.
[11] Zawadzki H., Chaotyczne systemy dynamiczne, Wydawnictwo Akademii Ekono- micznej, Katowice 1996.
[12] Zhang J., Lam K.C., Yan W.J., Gao H., Li Y, Time Series Prediction Using Ly- apunov Exponents in Embedding Phase Space, „Computers and Electrical Engi- neering” 2004, Vol. 30.
Monika Miśkiewicz-Nawrocka 56
EFFECT OF OPTIMUM PARAMETERS OF RANDOM NOISE REDUCTION ON THE IDENTIFICATION OF CHAOS IN ECONOMIC TIME SERIES
Summary
Real time series are usually disturbed by random noise and the presence of noise in the data can significantly affect the characteristics of dynamic system. The aim of the ar- ticle will be to research the effect of reduction of random noise by the nearest neighbor method on the identification of chaos in time series. The test will be conducted on the basis of selected financial time series.