The 4 reference contexts in paper Denis Domashchenko V., Edvard Nikulin E., Д. Домащенко В., Э. Никулин Е. (2017) “Прогнозирование рядов динамики рыночных индикаторов на основе нелинейной авторегрессионной нейронной сети // Forecasting time series of the market indicators based on a nonlinear autoregressive neural network” / spz:neicon:statecon:y:2017:i:3:p:4-9

  1. Start
    4700
    Prefix
    На данный момент наиболее распространенными являются модели, основывающиеся на векторной авторегресии (VAR). Первая модель векторной авторегрессии была предложена К. Симсом в 1980 году
    Exact
    [1]
    Suffix
    . Значительными преимуществами предложенной модели в сравнении с моделями, основанными на дифференциальных уравнениях, были простота идентификации, реализации и решение проблемы переоценки (overfitting) модели.
    (check this in PDF content)

  2. Start
    5119
    Prefix
    преимуществами предложенной модели в сравнении с моделями, основанными на дифференциальных уравнениях, были простота идентификации, реализации и решение проблемы переоценки (overfitting) модели. С тех пор методология построения авторегрессионных моделей сильно продвинулась, в основном благодаря простоте и универсальности методов. Были разработаны модели VEC
    Exact
    [2]
    Suffix
    , ARIMA [3] и GARCH [4], снимающие ограничения на использование только стационарных временных рядов. Данные модели являются наиболее распространенными решениями для прогнозирования рядов динамики, т.к. при простоте реализации позволяют получать достаточно точные результаты [5,6,7].
    (check this in PDF content)

  3. Start
    5132
    Prefix
    предложенной модели в сравнении с моделями, основанными на дифференциальных уравнениях, были простота идентификации, реализации и решение проблемы переоценки (overfitting) модели. С тех пор методология построения авторегрессионных моделей сильно продвинулась, в основном благодаря простоте и универсальности методов. Были разработаны модели VEC [2], ARIMA
    Exact
    [3]
    Suffix
    и GARCH [4], снимающие ограничения на использование только стационарных временных рядов. Данные модели являются наиболее распространенными решениями для прогнозирования рядов динамики, т.к. при простоте реализации позволяют получать достаточно точные результаты [5,6,7].
    (check this in PDF content)

  4. Start
    5150
    Prefix
    С тех пор методология построения авторегрессионных моделей сильно продвинулась, в основном благодаря простоте и универсальности методов. Были разработаны модели VEC [2], ARIMA [3] и GARCH
    Exact
    [4]
    Suffix
    , снимающие ограничения на использование только стационарных временных рядов. Данные модели являются наиболее распространенными решениями для прогнозирования рядов динамики, т.к. при простоте реализации позволяют получать достаточно точные результаты [5,6,7].
    (check this in PDF content)