This paper is discusses the problems of the short-term forecasting of financial time series using supervised machine learning (ML) approach. For this goal, we applied several the most powerful methods including Support Vector Machine (SVM), Multilayer Perceptron (MLP), Random Forests (RF) and Stochastic Gradient Boosting Machine (SGBM). As dataset were selected the daily close prices of two stock index: SP 500 and NASDAQ, two the most capitalized cryptocurrencies: Bitcoin (BTC), Ethereum (ETH), and exchange rate of EUR-USD. As features we used only the past price information. To check the efficiency of these models we made out-of-sample forecast for selected time series by using one step ahead technique. The accuracy rates of the forecasted prices by using ML models were calculated. The results verify the applicability of the ML approach for the forecasting of financial time series. The best out of sample accuracy of short-term prediction daily close prices for selected time series obtained by SGBM and MLP in terms of Mean Absolute Percentage Error (MAPE) was within 0.46-3.71 %. Our results are comparable with accuracy obtained by Deep learning approaches.
Анотація. У статті обґрунтовано необхідність дослідження смартекономіки (розумної економіки) не тільки на рівні міст (локалітетів), а й на рівні національної економіки. Запропоновано методичний підхід до оцінки розвитку смарт-економіки на рівні країни. На основі систематизації існуючих оцінок розвитку смарт-економіки на рівні міст та узагальнення найбільш комплексних підходів до оцінки прогресу країн визначено послідовні кроки зі здійснення оцінки розвитку смарт-економіки на національному рівні. Узагальнено результати рейтингування міст за різними індексами протягом 2018-2020 рр. Отримані результати скориговано з урахуванням чисельності населення, що проживає в «розумних містах» відносно всього населення країни. Результати проведеного аналізу візуалізовано та визначено країни, які мають найбільший прогрес у просуванні на шляху смарт-економіки. Сформульовано пропозиції з перспективного розвитку смарт-економіки та «розумних міст» у контексті сучасних викликів.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.