- •Оглавление
- •Раздел 0. Теоретические основы математического анализа в экономике 4
- •Введение
- •Раздел 0.Теоретические основы математического анализа в экономике
- •1.1. Предвидение и его формы
- •1.2. Сущность и основные понятия
- •1.3. Роль и место математических методов в процессе принятии управленческих решений
- •1.4. Классификация прогнозов
- •1.5. Классификация методов прогнозирования
- •Трендовая модель прогнозирования
- •Задачи анализа временного ряда
- •Механическое сглаживание
- •Тестовый способ определения вида уравнения (типа) тренда
- •Анализ цикличности (сезонности)
- •1.6. Принципы прогнозирования
- •1.7. Этапы прогнозирования
- •1.8. Прогнозирование средствами матстатистики
- •Номинальная шкала
- •Ранговая шкала
- •Метрические шкалы
- •Построение графического тренда на основе канала
- •Сглаживание по нечётной базе
- •Сглаживание по четной базе
- •Взвешенное сглаживание
- •Метод экспоненциального сглаживания и его использование в прогнозировании
- •Выбор параметра сглаживания
- •Прогнозирование на основе сглаживания
- •Расчёт параметров уравнения тренда
- •Метод наименьших квадратов
- •Тренды на основе сплайн-функций
- •Критерии случайности
- •1.9. Понятие регрессии
- •Регрессионные модели
- •Отбор факторов для регрессии
- •Вид функции регрессии
- •Расчет параметров регрессии
- •Прогнозирования на основе регрессионных моделей
- •Авторегрессия
- •1.10. Производственные функции
- •Функция Кобба-Дугласа. Общая характеристика
- •1.12. Оптимизационные методы прогнозирования
- •Определение оптимального ассортимента
- •Задачи о «смесях»
- •Задачи о «раскрое»
- •Распределение ресурсов во времени. Оптимальное регулирование запасов
- •1.13. Прочие методы прогнозирования Экспертиза
- •Прогнозирование на основе групповой экспертной оценки
- •Самореализующиеся прогнозы
- •Раздел 1.Основные модели краткосрочного прогноза
- •2.1. Упрощенные модели краткосрочного прогноза
- •2.1.1. Наивная модель на основе предыдущего значения показателя
- •2.1.2. Наивная модель на основе абсолютного прироста за предыдущий интервал времени
- •2.1.3. Наивная модель на основе коэффициента роста за предыдущий интервал времени
- •2.1.4. Наивная модель на основе простого среднего значения
- •2.1.5. Наивная модель на основе среднего абсолютного прироста
- •2.1.6. Наивная модель на основе среднего коэффициента роста
- •2.2. Модель прогноза на основе простого скользящего среднего
- •2.3. Модели прогноза на основе экспоненциальных средних
- •2.3.1. Однопараметрическая модель Брауна
- •2.3.2. Двухпараметрическая модель Хольта
- •2.3.3. Трехпараметрическая модель Хольта-Уинтерса
- •2.3.4. Двухпараметрическая модель Хольта с гипотезой Тейла-Вейджа
- •2.3.5. Трехпараметрическая модель Бокса-Дженкинса
- •2.4. Модели прогнозирования стационарных временных рядов
- •2.4.1. Модели авторегрессии
- •2.4.2. Модели скользящего среднего
- •2.4.3. Модели авторегрессии - скользящего среднего
- •Идентифицирующие свойства для корреляционных и автокорреляционных функций для модификаций модели arma
- •2.5. Модель arima для прогнозирования нестационарных временных рядов
- •Раздел 2.Проблемы выбора модели прогнозирования
- •3.1. Факторы, влияющие на выбор модели прогнозирования
- •Классы проблем и соответствующие им методы прогнозирования
- •3.2. Проблема точности прогноза
- •3.3. Комбинированные модели краткосрочного прогноза
- •3.3.1. Адаптивные селективные модели
- •3.3.2. Адаптивные гибридные модели
- •3.3.3. Общие принципы построения комбинированных моделей
- •Раздел 3.Исследование точности адаптивных гибридных моделей краткосрочного прогноза
- •4.1. Описание упрощённых гибридных моделей краткосрочного прогноза
- •4.1.1. Гибридная модель на основе базового набора из упрощённых моделей
- •4.1.2. Гибридная модель на основе базового набора из моделей на основе экспоненциальных средних
- •4.1.3. Гибридная модель на основе базового набора из моделей авторегрессии и моделей скользящего среднего
- •4.3. Исходные данные для расчётов
- •Характеристика особенностей исследуемых рядов
- •4.4. Обобщение и анализ исследования точности моделей краткосрочного прогноза
- •Степень точности прогнозов по mape
- •Наиболее и наименее точные модели прогноза по mape
- •Заключение
- •Раздел 4.Список использованной литературы
- •Раздел 5.Приложение
- •Прогнозные оценки курса доллара сша
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По наивной модели на основе абсолютного прироста
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По наивной модели на основе коэффициента роста
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели Хольта-Уинтерса
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели Бокса-Дженкинса
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели авторегрессии второго порядка ar(2)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели скользящего среднего первого порядка ma(1)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели скользящего среднего второго порядка ma(2)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели на основе упрощенных моделей
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели из моделей на основе экспоненциальных средних
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели из моделей авторегрессии и моделей скользящего среднего
- •Значения критериев точности прогноза
- •Значения критериев точности прогноза производства компьютеров
- •Значения критериев точности прогноза производства бензина
- •Значения критериев точности прогноза продаж хлебных изделий
- •Значения критериев точности прогноза производства мяса
- •Значения критериев точности прогноза производства мороженого
- •Значения критериев точности прогноза продаж оао «Связной сПб»
- •Значения критериев точности прогноза продаж в отдельной торговой точке оао «Связной сПб»
Метод экспоненциального сглаживания и его использование в прогнозировании
Сглаживание по методу экспоненциально-взвешенного среднего ориентировано на устранение влияния случайных колебаний, как правило, в ряду без тренда, т.е. для выявления цикличности.
Сглаженный ряд рассчитывается по формуле:
|
Первое значение сглаженного ряда равно первому значению исходного. Последующие значения оцениваются как доля влияния нового наблюдения + доля совокупного влияния всех предыдущих наблюдений (представлением этого влияния является предыдущее значение сглаженного ряда) |
и называются соответственно коэффициентами адаптации и затухания.
Итеративную формулу можно расписать подробнее для первых значений ряда:
|
|
В такой записи видно, что вес каждого наблюдения со временем уменьшается в раз, т.е. затухает по экспоненте, что и дало название методу.
Выбор параметра сглаживания
Параметр (или ) подбирается опытным путём. Как правило, наилучшие результаты при =0,3 (от 0,2 до 0,5)..
Очевидно, что при =0 сглаженный ряд есть константа – сглаживание негибкое;
при =1 сглаженный ряд есть исходный – сглаживания нет.
Рис.39. Экспоненциальное сглаживание
Прогнозирование на основе сглаживания
Из рисунка видно, что сглаженный ряд идет ниже исходного. Поэтому прогнозирование по тренду на основе сглаженного ряда неадекватно. Прогнозируются иногда колебательные ряды.
Однако, сглаживание можно использовать для определения типа тренда, т.к. тип у исходного и сглаженного рядов совпадает.
MS Excel использует в качестве параметра фактор затухания .
Расчёт параметров уравнения тренда
После того, как определён тип тренда, необходимо рассчитать его параметры. Т.е. из всех возможных линий данного типа выбрать наиболее похожую на исходный ряд. Существенную роль играет конкретизация «похожести» (критерий меры близости рядов). В зависимости от критерия находятся методы расчета параметров.
Иногда, для различных участков ряда строят свои тренды. Их согласование приводит к построению сплайн-функций.
Меры близости рядов
После того как определён вид уравнения тренда, необходимо определить (провести, построить) сам тренд, т.е. - определить его параметры. Из бесконечного множества трендов [определённого ранее вида] нужно выбрать тренд наипохожий на исходный ряд. Критерий выбора – минимизация расхождений [значений тренда и ряда]. Однако, что считать мерой близости (= расхождения)?.
Близость тренда к ряду в каждый из моментов времени можно оценить разницей значений в этот момент (чем меньше, тем лучше): . Но как оценить близость в целом (по всем наблюдениям) [на основе близости в каждый момент]?
Существует множество подходов в рамках т.н. «функций коллективного выбора» (см. Мулен Э. Кооперативное принятие решений), рассмотрим простейшие.
Оценка в целом (мера) близости может быть построена как:
максимум |
|
|
сумма |
расхождений по всем наблюдениям |
|
произведение |
|
|
При этом следует учитывать, что отклонение тренда от ряда в одну сторону, может компенсироваться удалением в другую сторону в другой момент. Для устранения этого в функции меры можно использовать вместо также модуль и квадрат: .
Из полученных 9 вариантов меры, применительно к критерию на min, здравы лишь 4 (а то и 2):
|
|
|
|
|
Бессмысленно (тренд уходит вниз).
|
Неоднозначность решения |
|
|
Неоднозначность решения |
Наиболее распространён |
|
|
Бессмысленно из-за множественности решений. Минимум (0) достигается любым трендом, совпадающим с рядом хотя бы в один момент. |
(Меры на основе произведения применимы, если в качестве отклонения в момент времени принять не разницу , а отношение ).
Рисунок 20 демонстрирует, что [линейный] тренд можно построить по-разному. При этом тренд, параметры которого рассчитаны на основе минимизации максимального модуля, даёт особо отличный результат (расчет произведён методом математического программирования).
Рисунок 20 Влияние меры близости рядов на построение тренда
Т.о., результат прогнозирования существенно зависит от выбранной меры.
Меры на основе суммирования можно усовершенствовать, введя взвешивание. Вполне логично предположить, что более поздние наблюдения имеют для прогнозирования большее значение.