Статья: СОВРЕМЕННЫЕ ПОДХОДЫ К ПРОГНОЗИРОВАНИЮ НЕСТАЦИОНАРНЫХ ВРЕМЕННЫХ РЯДОВ (2026)

Читать онлайн

В статье рассматриваются современные методы прогнозирования нестационарных временных рядов, актуальные для анализа социально-экономических систем, финансовых рынков и других областей с высокой неопределенностью. Проведен сравнительный анализ классических подходов (ARIMA, GARCH) и их модификаций, учитывающих структурные сдвиги, нелинейные зависимости и экзогенные факторы. Особое внимание уделено нейросетевым методам, включая LSTM, трансформеры (Informer, Autoformer) и их гибридные варианты, демонстрирующие высокую эффективность при работе с длинными последовательностями. Отдельно рассмотрены адаптивные методы, такие как скользящее окно, и их интеграция с машинным обучением для повышения точности прогнозирования в условиях нестабильности. Исследование включает критический анализ ограничений классических моделей ARIMA и GARCH; обзор современных архитектур нейронных сетей для временных рядов; практические аспекты выбора моделей в зависимости от характеристик данных; перспективные направления развития методов, включая адаптивные алгоритмы и ансамблевые подходы.

Ключевые фразы: ARIMA, garch, LSTM, ТРАНСФОРМЕРЫ, адаптивные методы, машинное обучение
Автор (ы): Слипченко Алексей Вячеславович (Slipchenko A. V.)
Журнал: ВЕСТНИК РОССИЙСКОГО ЭКОНОМИЧЕСКОГО УНИВЕРСИТЕТА ИМЕНИ Г. В. ПЛЕХАНОВА

Предпросмотр статьи

Идентификаторы и классификаторы

SCI
Экономика
УДК
33. Экономика. Народное хозяйство. Экономические науки
Для цитирования:
СЛИПЧЕНКО А. В. СОВРЕМЕННЫЕ ПОДХОДЫ К ПРОГНОЗИРОВАНИЮ НЕСТАЦИОНАРНЫХ ВРЕМЕННЫХ РЯДОВ // ВЕСТНИК РОССИЙСКОГО ЭКОНОМИЧЕСКОГО УНИВЕРСИТЕТА ИМЕНИ Г. В. ПЛЕХАНОВА. 2026. Т. 23 № 2 (146)
Текстовый фрагмент статьи
Будьте первым, кто начнет обсуждение

Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.