Fuzzy hybrid system for forecasting financial time series

• Autores: Hermann Mena, Patricio Fuenmayor Viteri
• Localización: Aestimatio: The IEB International Journal of Finance, ISSN 2173-0164, Nº. 11, 2015, págs. 78-91
• Idioma: inglés
• Títulos paralelos:
  • Un sistema híbrido difuso para la predicción de series temporales financieras
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este artículo se propone un sistema híbrido difuso para la predicción de series temporales. Dicho sistema está basado en el método de ajuste automático auto.arima del paquete forecast para R. En un primer momento se generan las predicciones y se identifican patrones y tendencias utilizando técnicas de agrupamiento difuso. Posteriormente, utilizando criterios inferenciales sobre los centros de los conglomerados, se finaliza con una predicción en términos de media. El sistema propuesto permite la inclusión de criterios expertos, es decir, el usuario puede establecer restricciones en los conglomerados basadas en el conocimiento a priori de la serie temporal objeto de análisis.

    El procedimiento puede ser aplicado a cualquier serie financiera que cumpla los requisitos de los modelos estacionales autorregresivos integrados de media móvil. El método propuesto se implementa en R. Se han llevado a cabo contrastes numéricos sobre préstamos, cuentas corrientes y cuentas de ahorro que muestran el buen funcionamiento del método propuesto.

  • English

    We propose a fuzzy hybrid system for forecasting time series, based on the automatic fitting method auto.arima included in the forecast package for R. First, we generate predictions and apply fuzzy clustering to identify patterns and tendencies. Then, using inference criteria on the centers of the clusters we end up with a mean forecast. The system allows the inclusion of expert criteria, i.e., the user can set up restrictions on the clustering based on a priori knowledge of the time series. This approach can be applied to any financial time series meeting the requirements of Seasonal Autoregressive Integrated Moving Average (SARIMA) models. The proposed method is implemented in R. Numerical tests on series of loans, accounts, and saving accounts demonstrate the efficacy of the method