High Frequency Data: Making Forecasts and Looking for an Optimal Forecasting Horizon

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F63468352%3A_____%2F11%3A%230000102" target="_blank" >RIV/63468352:_____/11:#0000102 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/47813059:19240/10:#0003230 RIV/63468352:_____/10:#0000301

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

High Frequency Data: Making Forecasts and Looking for an Optimal Forecasting Horizon

Popis výsledku v původním jazyce

We illustrate the AutoRegessiveiGeneralised collditionaliy Heteros§cedastic (ARCH-GARCH) methodology on the developing a forecast mode! for exchange rates time series of the Czech crown (CZK) againsr the Slovak crown (SKK) and make comparisons the forecast accuracy with the class of Radial Basic Functiov Neural neural network RBF NN models. To illustrate the forecasting performance of these approaches the inIJu t/r.utput function estimation based on REF networks is presented. III a comparative study isshown that the RBF NN approach is able to model and predkt high frequency data with reasol1abie accuracy and more efficient than statistical methods. In order to find the optima! forecasting horizon, we use the analysis of fo recast errors and choose tntvalues that give the smallest error variance. It is found that the error variance estimation process based on soft methods is simplified and less critical to the question whether the data is true crisp or white noise.

Název v anglickém jazyce

High Frequency Data: Making Forecasts and Looking for an Optimal Forecasting Horizon

Popis výsledku anglicky

We illustrate the AutoRegessiveiGeneralised collditionaliy Heteros§cedastic (ARCH-GARCH) methodology on the developing a forecast mode! for exchange rates time series of the Czech crown (CZK) againsr the Slovak crown (SKK) and make comparisons the forecast accuracy with the class of Radial Basic Functiov Neural neural network RBF NN models. To illustrate the forecasting performance of these approaches the inIJu t/r.utput function estimation based on REF networks is presented. III a comparative study isshown that the RBF NN approach is able to model and predkt high frequency data with reasol1abie accuracy and more efficient than statistical methods. In order to find the optima! forecasting horizon, we use the analysis of fo recast errors and choose tntvalues that give the smallest error variance. It is found that the error variance estimation process based on soft methods is simplified and less critical to the question whether the data is true crisp or white noise.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA402%2F08%2F0022" target="_blank" >GA402/08/0022: Nejnovější inteligentní metodologie pro modelování a predikci ekonomických časových řad</a><br>

Návaznosti

N - Vyzkumna aktivita podporovana z neverejnych zdroju

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Sixth International Conference on Natural Computation

ISBN

978-1-4244-5960-5

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

—

Místo vydání

China

Místo konání akce

Yantai

Datum konání akce

1. 1. 2010

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—