Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Prognozowanie cen" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Prognozowanie ceny jednego metra kwadratowego mieszkania w Polsce
    Autorzy:
    Kozicki, Bartosz
    Waściński, Tadeusz
    Lisowska, Agnieszka
    Powiązania:
    https://bibliotekanauki.pl/articles/1819102.pdf
    Data publikacji:
    2019-05-12
    Wydawca:
    Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach
    Tematy:
    Ceny nieruchomości
    Mieszkania
    Nakłady inwestycyjne
    Polska
    Prognozowanie cen
    Opis:
    W artykule omówiono problem z zakresu prognozowania ceny jednego metra kwadratowego mieszkania w Polsce w latach 1999- 2017 w ujęciu kwartalnym na podstawie informacji pierwotnych uzyskanych z Narodowego Banku Polskiego. Badania rozpoczęto od analizy i oceny szeregów czasowych. Na podstawie uzy-skanych ocen, dobrano metody prognostyczne i wykonano prognozowanie. Następnie przeprowadzono analizę zastosowanych metod prognostycznych i wybrano najlepszą.
    Źródło:
    Zeszyty Naukowe Uniwersytetu Przyrodniczo-Humanistycznego w Siedlcach; 2018, 46, 119; 27-33
    2082-5501
    Pojawia się w:
    Zeszyty Naukowe Uniwersytetu Przyrodniczo-Humanistycznego w Siedlcach
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Podejmowanie decyzji inwestycyjnych na Rynkach nieruchomości mieszkaniowych w oparciu o prognozy cen mieszkań konstruowane na podstawie opinii ekspertów zużyciem rozkładu Weibulla
    Making Investment Decisions on Housing Markets Based on Forecasts Housing Prices Constructed on the Basis of Expert Opinion Using the Weibull Distribution
    Autorzy:
    Dittmann, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/587250.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Decyzje inwestycyjne
    Nieruchomości mieszkaniowe
    Prognozowanie cen
    Rynek nieruchomości
    Investment decisions
    Prediction of prices
    Real estate housing
    Real estate market
    Opis:
    This paper applies to investment decisions on housing markets based on forecasts housing prices constructed on the basis of expert opinion using the Weibull distribution. The first part shows the different ways to generate or increase revenue from property. The second part addresses the issue of using different types of price forecasts on the housing market that are useful in making investment decisions. The third section deals with the aim of the study i.e. indicates the possibility of using the model of subjective probability Weibull distribution built on the judgment of experts to construct house price forecasts and to assess the chances of profitability of investment.
    Źródło:
    Studia Ekonomiczne; 2013, 155; 162-174
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predicting housing sale prices in Germany by application of machine learning models and methods of data exploration
    Przewidywanie cen mieszkań w Niemczech z wykorzystaniem modeli uczenia maszynowego i metod eksploracji danych
    Autorzy:
    Kim, Chong Dae
    Bedorf, Nils
    Powiązania:
    https://bibliotekanauki.pl/articles/32041024.pdf
    Data publikacji:
    2024
    Wydawca:
    Szkoła Główna Handlowa w Warszawie
    Tematy:
    uczenie maszynowe
    Niemcy
    ekonomia
    zbiór danych o rynku nieruchomości
    big data
    prognozowanie cen
    machine learning
    Germany
    economics
    real estate dataset
    sale price prediction
    Opis:
    The prediction of real estate prices is a popular problem in the field of machine learning and often demonstrated in literature. In contrast to other approaches, which regularly focus on the US market, this paper investigates the biggest, German real estate dataset, with more than 1.5 million unique samples and more than 20 features. In this paper we implement and compare different machine learning models in respect to performance and interpretability to give insight in the most important properties, which contribute to the sale price. Our experiments suggest that the prediction of sale prices in a realworld scenario is achievable yet limited by the quality of data rather than quantity. The results show promising prediction scores but are also heavily dependent on the location, which leaves room for further evaluation.
    Przewidywanie cen nieruchomości jest popularnym problemem w dziedzinie uczenia maszynowego i często przedstawianym w literaturze. W przeciwieństwie do innych podejść, które koncentrują się na rynku amerykańskim, niniejszy artykuł bada największy niemiecki zbiór danych dotyczących nieruchomości, zawierający ponad 1,5 mln unikatowych próbek i ponad 20 cech. W tym artykule wdrażamy i porównujemy różne modele uczenia maszynowego pod względem wydajności i możliwości interpretacji, aby uzyskać wgląd w najważniejsze
    Źródło:
    Kwartalnik Nauk o Przedsiębiorstwie; 2024, 71, 1; 107-122
    1896-656X
    Pojawia się w:
    Kwartalnik Nauk o Przedsiębiorstwie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Możliwości zwiększenia wartości rynkowej produkcji poprzez optymalizację harmonogramów pracy elektrowni wodnej na dobę następną
    Possibilities to increase production market value through a day ahead hydro power plant schedules optimization
    Autorzy:
    Pakulski, Tomasz
    Powiązania:
    https://bibliotekanauki.pl/articles/267020.pdf
    Data publikacji:
    2019
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    prognozowanie cen energii
    sztuczne sieci neuronowe
    elektrownia wodna
    zwiększenie wartości rynkowej produkcji
    energy prices forecasting
    artificial neural network
    hydropower plant
    market value production increase
    Opis:
    Opracowanie ma na celu przedstawienie możliwości zwiększenia wartości rynkowej produkcji elektrowni wodnych (EW) poprzez cenową optymalizację harmonogramów ich pracy na dobę następną. W referacie przedstawiono koncepcję prognozowania cen energii na Towarowej Giełdzie Energii (TGE) na podstawie określonych w Krajowym Systemie Elektroenergetycznym (KSE) warunków popytowo - podażowych. Zaprezentowano wyniki testowania oraz walidacji modeli prognostycznych, wykorzystujących metody sztucznej inteligencji, pod kątem poprawności prognozowania oraz odwzorowania dobowych profili cenowych. Wykazano, że poprzez zmianę dobowego harmonogramowania pracy EW istnieje możliwość zwiększenia wartości rynkowej produkcji EW w okresie średniorocznym o ok. 5-7 % w stosunku do wariantu aktualnego.
    The study aims at presenting the possibilities of hydropower plants (HPPs) market value production increase through a day ahead pricing schedule optimization. The change of HPPs planning system in Poland results from the new provisions introduced in national legislation, in particular from the validity of the renewable energy sources act. The approach presented in this paper is based on the change of current HPPs schedules by using energy price forecasts. The paper presents the concept of energy price forecasting at the Polish Power Exchange (PPE) based on the demand and supply conditions defined in the National Power System. The results of testing and validation forecast models using artificial intelligence methods were presented. The research was carried out to check correctness of forecasting systems and the mapping of daily price profiles in various conditions. It has been shown that it is possible to increase the HPPs production market value by changing the daily HPPs operation schedule by about 5-7% compared to the present case. The risk factors that may contribute to the reduction of the expected income were indicated. Potential areas for further growth in the production market value were presented.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2019, 63; 81-84
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Czy dezagregacja indeksu cen poprawia prognozy polskiej inflacji?
    Forecasting Inflation Components – Does it Help to Predict Polish Inflation?
    Autorzy:
    Baranowski, Paweł
    Mazurek, Małgorzata
    Nowakowski, Maciej
    Raczko, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/1827218.pdf
    Data publikacji:
    2010-03-31
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    prognozowanie
    inflacja
    subindeksy cen
    agregacja
    forecasting
    inflation
    inflation components
    sectoral aggregation
    Polska
    Opis:
    W dotychczasowych badaniach rozważa się celowość wykorzystania na cele prognostyczne danych o niższym stopniu agregacji (np. dla inflacji Hubrich, 2005; Reijer and Vlaar, 2006). W artykule badamy czy prognozowanie 12 subindeksów cen dóbr i usług konsumpcyjnych (komponentów inflacji), a następnie ich agregacja poprawia trafność prognozy inflacji. Prognozy inflacji oraz jej poszczególnych komponentów wyznaczymy przy pomocy modeli autoregresji (AR), średniej ruchomej (MA), wektorowej autoregresji (VAR) oraz autoregresji progowej (TAR). Otrzymane wyniki nie pozwalają jednoznacznie rozstrzygnąć postawionego problemu. Okazuje się, że dla modeli AR i TAR dezagregacja nie pozwala zmniejszyć błędów prognoz, dla modeli MA nie otrzymano jednoznacznych wskazań testów, zaś dla VAR zmniejsza błędy prognoz.
    This paper examines whether forecasting CPI components improves CPI forecast. We exploit quarterly data for Poland, disaggregated into 12 components. We follow methodology used in previous studies for Euro Area (Hubrich, 2005; Reijer and Vlaar, 2006). AR, MA, TAR and unrestricted VAR models are estimated using recursive sample and aggregated into CPI. Using out-of-sample forecasts, these models are evaluated and compared to the benchmark -- equivalents for aggregate CPI. The evidence is mixed. VAR component-forecast outperform benchmark. Contrary to VAR, for AR and TAR models we do not find substantial gain from using disaggregated data. Results for MA models are not robust. Moreover, it seems that results for AR- and VAR-based forecasts are comparable to consensus forecast.
    Źródło:
    Przegląd Statystyczny; 2010, 57, 1; 17-33
    0033-2372
    Pojawia się w:
    Przegląd Statystyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie tablic przepływów międzygałęziowych do modelowania procesów inflacyjnych
    Applying input-output tables for modeling inflation processes
    Autorzy:
    Przybyliński, Michał
    Gorzałczyński, Artur
    Powiązania:
    https://bibliotekanauki.pl/articles/684683.pdf
    Data publikacji:
    2016
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    model cen input-output
    prognozowanie inflacji
    HICP
    wskaźnik cen
    przepływy międzygałęziowe
    input-output price model
    forecasting inflation
    price index
    Opis:
    The aim of this study is a preliminary test of input-output price model as a tool for forecasting inflation. A procedure for predicting the popular price index HICP is proposed. The procedure is then tested on Danish economy for the period 2000–2007, due to the availability of statistical material. The procedure involves ex post solution of input-output price model for an open economy, and then applying appropriate weights to calculate a macroeconomic deflator of household consumption. In the experiment it was assumed, that the exogenous variables of the price model has been perfectly for seen, and the parameters of the model were adopted at the level of the preceding year. Forecasts errors were decomposed into three components. The proposed procedure is significantly different from the most frequently used methods of forecasting inflation, which describe the macroeconomic price indicators (with greater than annual frequency) using stochastic models.
    Celem niniejszego opracowania jest wstępna próba oceny modelu cen input-output jako narzędzia do prognozowania inflacji. Zaproponowano procedurę prognozowania popularnego indeksu HICP. Została ona przetestowana na przykładzie gospodarki Danii w latach 2000–2007, co wynikało z dostępności materiału statystycznego. Procedura polega na rozwiązaniu modelu cen input-output dla otwartej gospodarki, a następnie zastosowaniu odpowiednich wag do obliczenia makroekonomicznego deflatora konsumpcji gospodarstw domowych. W eksperymencie założono, że zmienne egzogeniczne modelu cenowego zostały przewidziane ze 100% trafnością, a parametry modelu przyjęto na poziomie z poprzedniego roku. Błędy tak uzyskanych prognoz zostały zdekomponowane na trzy składowe. Proponowana procedura znacznie różni się od najczęściej stosowanych metod prognozowania inflacji, które opisują zachowanie się makroekonomicznych wskaźników cenowych (z częstotliwością większą niż roczną) przy użyciu modeli stochastycznych.
    Źródło:
    Gospodarka w Praktyce i Teorii; 2016, 42, 1
    1429-3730
    2450-095X
    Pojawia się w:
    Gospodarka w Praktyce i Teorii
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozowanie inflacji w Polsce na podstawie modeli autoregresji wektorowej
    Forecasting Inflation in Poland Based on Vector Autoregressive Models
    Projections relatives à l’inflation en Pologne sur la base des modèles autorégressifs vectoriels
    Прогнозирование инфляции в Польше на основе модели векторной авторегрессии
    Autorzy:
    Wójcik, Szymon
    Powiązania:
    https://bibliotekanauki.pl/articles/543416.pdf
    Data publikacji:
    2015-01
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    Model wektorowej autoregresji
    Prognozowanie
    Inflacja
    Zmienność poziomu cen
    Vector Autoregression Model (VAR)
    Forecasting
    Inflation
    Price level variability
    Opis:
    В статье были использованы модели векторной авторегрессии для прогнозирования месячного показателя потребительских цен в Польше. Выбор используемых макроэкономических переменных соответствовал трем теориям формирования инфляции: монетаристской, кейнсианской (курсовой) и издержек. В прогнозировании была использована концепция вне выборки (out-of-sample), а качество результатов было обследовано с использованием ошибок прогноз ex post.
    W artykule wykorzystano modele wektorowej autoregresji do prognozowania miesięcznego indeksu cen konsumenta w Polsce. Dobór użytych zmiennych makroekonomicznych odpowiadał trzem teoriom powstawania inflacji: monetarystycznej, keynesowskiej i kosztowej. W prognozowaniu wykorzystano koncepcję prognozowania poza próbę (out-of-sample), a jakość wyników zbadano przy pomocy błędów prognoz ex post.
    The article presents a usage of vector autoregressive models in forecasting polish consumer price index. Macroeconomic variables used in this paper are considered to reflect particular economic theories describing causes of inflation. Out-of-sample methodology was used in forecasting process. Accuracy of results was diagnosed by using ex post forecasting errors.
    Źródło:
    Wiadomości Statystyczne. The Polish Statistician; 2015, 1; 28-41
    0043-518X
    Pojawia się w:
    Wiadomości Statystyczne. The Polish Statistician
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozowanie wybranego subindeksu CPI przy użyciu danych Google Trends
    Forecasting transport inflation using Google Trends
    Autorzy:
    Marynowska, Anna
    Powiązania:
    https://bibliotekanauki.pl/articles/585573.pdf
    Data publikacji:
    2018
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Analiza czynnikowa
    Google Trends
    Inflacja
    Prognozowanie
    Wskaźnik cen towarów i usług konsumpcyjnych
    Consumer price index (CPI)
    Forecasting
    Inflation
    Principal components
    Opis:
    Prognozy inflacji mają bezpośredni wpływ na prowadzenie polityki monetarnej państwa oraz odgrywają dużą rolę w uświadamianiu społeczeństwa o potrzebie wprowadzenia ewentualnych zmian w sposobie jej prowadzenia. W celu zapewnienia trafności konstruowanych prognoz stale poszukuje się zmiennych, które istotnie wpływają na inflację. Celem artykułu jest sprawdzenie, czy dane udostępniane przez serwis Google Trends mogą poprawić dokładność prognoz komponentów CPI związanych z sektorem transportowym. Dla każdego z subindeksów zbudowano modele prognostyczne uwzględniające zmienne wpływające na poziom wybranych cen, modele wzbogacone o hasła z wyszukiwarki Google i modele zawierające w swojej specyfikacji wspólne czynniki opisujące zmienność 32 wybranych haseł Google.
    Inflation forecasts determine the monetary policy and can be treated as a way of raising society’s awareness of the fact that it needs certain adjustments. Experts continuously seek for the adequate variables that affect the level of inflation. In this paper the author examines whether Google Trends improve forecast of three chosen CPI components related to transport. The Author created a prognostic model for each of the components. Created models include: independent variables such as oil price and rate of excise duty, chosen variables together with statistics provided by Google Trends or principal components (explaining 32 google variables’ volatility) accordingly.
    Źródło:
    Studia Ekonomiczne; 2018, 375; 55-72
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies