- •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»
2.1.6. Наивная модель на основе среднего коэффициента роста
Модель краткосрочного прогноза в предположении, что уровни динамического ряда изменяются в геометрической прогрессии, имеет вид [7, с. 132; 10, с. 53; 14, с. 37; 21, с. 157]
, (9)
где - средний коэффициент роста уровня ряда в единицу времени.
Прогнозирование по модели (9) может осуществляться в случае, если есть основания считать, что общая тенденция уровня ряда описывается показательной (экспоненциальной) кривой [4, с. 177].
Формула расчета среднего коэффициента роста по формуле средней геометрической ориентирована на достижение при ее применении конечного уровня динамического ряда . Поэтому если на конце временного интервала уровень ряда резко изменился (например, рост сменился спадом) и оказался ниже начального уровня , то прогноз по модели (9) распространится на будущую тенденцию падения, которой на самом деле не было [7, с. 132].
2.2. Модель прогноза на основе простого скользящего среднего
Прогноз на основе простого скользящего среднего строится с учетом не всех имеющихся уровней ряда, а определенного количества последних наблюдений. Модель прогноза имеет вид [3, с. 54; 12, с. 40]
, (10)
где - количество наблюдений в скользящем среднем.
Как только новое значение уровня ряда становится доступным, оно включается в формулу (10), а наиболее старое значение исключается. Таким образом, скользящее среднее порядка - это среднее значение последних последовательных уровней ряда [3, с. 54].
Модель простого скользящего среднего является одним из наиболее простых вычислительных методов сглаживания. Сглаживание значений данных – это метод уменьшения влияния на данные случайных факторов. В результате применения к исходным данным методов сглаживания получаются новые данные, в которых в значительной степени уменьшено присутствие случайной составляющей, и поэтому лучше прослеживаются общие тенденции, имеющиеся в исходных данных [13, с. 99].
В прогнозировании сглаживание применяется для следующих целей [13, с. 99]:
выделения тренда по сглаженным данным путём построения функции регрессии, с использованием которой затем производится прогнозирование;
прогнозирования непосредственно по сглаженным данным (как в рассмотренной модели простого скользящего среднего).
Одним из недостатков простого скользящего среднего является то, что всем включенным в процесс вычисления данным присваивается одинаковый вес, равный . Однако целесообразно считать, что “новые” данные должны иметь больший вес. Этот недостаток устраняется в схеме скользящего среднего с экспоненциальными весами [14, с. 40].
Второй недостаток скользящего среднего заключается в том, что операция вычисления скользящей средней трансформирует исходный динамический ряд. Так, если до сглаживания уровни ряда были независимыми, то после их замены скользящими средними уровни преобразованного ряда (в пределах интервала сглаживания) будут находиться в некоторой зависимости между собой. Взаимосвязь уровней ряда при сглаживании значительных случайных колебаний может привести к нежелательным эффектам (эффекту Слуцкого). Полученный в этом случае тренд будет характеризоваться периодичностью (незначительной по сравнению с исходными случайными колебаниями цикличностью развития), в то время как в исходном ряде ее не было [21, с. 37].
К третьему недостатку скользящих средних следует отнести то, что они зачастую сглаживают важные мелкие волны и изгибы в тренде [9, с. 184].
Модель прогноза на основе простого скользящего среднего может применяться для прогнозирования динамических рядов с незначительными колебаниями уровней ряда [3, с. 54; 21, с. 157], то есть для динамических рядов, не имеющих тренда [6, с. 75]. При этом автор [3, с. 54] считает, что в случае однонаправленных изменений исследуемого показателя (повышения или понижения) более точный прогноз может быть получен методом двойного скользящего среднего. В то же время автор [21, с. 157] считает, что применение скользящей средней (адаптивной или экспоненциальной) неправомерно для прогнозирования рядов с явной тенденцией к росту (или падению).