- •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»
2.3.2. Двухпараметрическая модель Хольта
Простое экспоненциальное сглаживание временных рядов, содержащих устойчивый тренд, приводит к систематической ошибке, связанной с отставанием сглаженных значений от фактических уровней временного ряда. Для учета тренда в нестационарных рядах применяется специальное двухпараметрическое линейное экспоненциальное сглаживание [19, с. 416].
Двухпараметрический метод сглаживания Хольта включает два уравнения вида [11, с. 36; 19, с. 416].
, (16)
, (17)
где - сглаженное значение тренда прогнозируемого показателя на период ;
, , и , , - сглаживающие константы.
Уравнение (16) предназначено для сглаживания наблюдаемых значений временного ряда, а уравнение (17) – для сглаживания тренда данного временного ряда. Значения сглаживающих констант выбираются в следующих пределах: ; . Каждая новая оценка тренда в соответствии с (17) вычисляется как взвешенная сумма разности между последними двумя сглаженными значениями показателя (текущая оценка тренда) и предыдущей сглаженной оценкой тренда [19, с. 416].
Уравнение (17) позволяет значительно сократить влияние случайных возмущений на тренд с течением времени. Уравнения (16) и (17) используются м модели линейного экспоненциального прогнозирования Хольта. Прогноз на период ( ) равен текущей сглаженной величине плюс текущее сглаженное значение тренда, то есть [19, с. 416]
. (18)
Следовательно, двухпараметрическая модель Хольта является модификацией однопараметрической модели Брауна, где на каждом этапе не просто усредняются данные, а вычисляется трендовая составляющая, которая прибавляется к сглаживаемым данным [13, с. 114].
Процедура прогнозирования начинается с того, что сглаженная величина полагается равной , то есть [19, с. 416]. Определение начального значения тренда возможно тремя способами:
положить (такой подход хорошо работает в случае длинного исходного временного ряда; в этом случае сглаженный тренд за небольшое число периодов приблизится к фактическому значению тренда) [19, с. 416];
использовать в качестве оценки оценку параметра регрессии эмпирического уравнения парной линейной регрессии вида , найденную по первым пяти (или более) наблюдениям временного ряда [19, с. 416];
использовать в качестве оценки величину, равную
[11, с. 114].
Алгоритм прогнозирования с использованием модели Хольта включает следующую последовательность действий [13, с. 114]:
задание значений коэффициентов сглаживания и ;
вычисление начальных значений и ;
вычисление по формулам (16) и (17) последовательно для от 2 до пар значений и , причём сначала вычисляется , а затем ;
вычисление прогнозного значения по формуле (18).
2.3.3. Трехпараметрическая модель Хольта-Уинтерса
Экономические временные ряды содержат периодические сезонные колебания. В зависимости от характера этих колебаний временные ряды делят на два класса [6, с. 131]: мультипликативные и аддитивные. При мультипликативных сезонных колебаниях предполагается, что амплитуда колебаний изменяется во времени пропорционально уровню тренда (текущему среднему уровню ряда). При аддитивном характере сезонности исходят из предположения о неизменности во времени, примерном постоянстве амплитуды периодических колебаний, ее независимости от уровня тренда. При этом для аддитивных колебаний характеристики сезонности измеряются в абсолютных величинах и отражаются в статистической модели в виде слагаемых, а для мультипликативных колебаний – в относительных величинах и представляются в моделях в виде сомножителей.
Поэтому экономические временные ряды, содержащие периодические сезонные колебания, могут быть описаны [6, с. 131] моделями как с аддитивным характером сезонности вида
так и с мультипликативным характером сезонности вида
,
где - характеристика тенденции развития;
- аддитивный сезонный фактор;
- мультипликативный сезонный фактор;
- число фаз в полном сезонном цикле (для ежемесячных наблюдений , для квартальных );
- неавтокоррелированный шум с нулевым математическим ожиданием.
Можно получить множество адаптивных сезонных моделей прогноза, используя разные комбинации типов тенденций временного ряда в сочетании с сезонными эффектами аддитивного или мультипликативного вида. Выбор конкретной модели прогноза основывается на анализе характера динамики исследуемого процесса. К основным моделям прогноза сезонных явлений относятся:
трехпараметрическая модель Хольта-Уинтерса;
двухпараметрическая модель Хольта с гипотезой Тейла-Вейджа;
трехпараметрическая модель Бокса-Дженкинса.
При линейной тенденции развития процесса и при мультипликативном характере сезонного эффекта используется модель прогноза Хольта-Уинтерса, представляющая собой объединение двухпараметрической модели линейного роста Хольта и сезонной модели Уинтерса.
Прогноз по модели Хольта-Уинтерса на шагов вперед определяется выражением [6, с. 132; 19, с. 421-422]
, (19)
коэффициенты которого вычисляются по формулам:
, (20)
, (21)
, (22)
, ,
где - сглаженное значение сезонного фактора;
- число периодов в году, характеризующих сезонность ( для квартальных данных, для месячных данных);
- сглаживающие константы.
Уравнение (20) сглаживает наблюдаемые уровни ряда, уравнение (21) – сезонный фактор, а уравнение (22) – тренд [19, с. 421].
Автор модели П. Уинтерс предлагал находить оптимальные значения для коэффициентов , и экспериментальным путем, перебирая возможные комбинации этих параметров на сетке возможных значений и используя в качестве критерия оптимальности среднюю квадратическую ошибку прогноза [6, с. 132-133]. Автор [12, с. 41] рекомендует следующие значения этих коэффициентов: ; ; .
В [19, с. 422] предложено два способа определения начальных значений , и .
Наиболее простой способ заключается в следующем:
положить начальные сезонные индексы за нулевой год (год, предшествующий прогнозному) равными 1 (например, при квартальных данных: );
положить ;
положить начальное сглаженное значение для 4-го квартала (12-го месяца) нулевого года равным фактическому значению для 4-го квартала (12-го месяца) первого года (или для 1-го квартала (1-го месяца) первого года); это значение также используется в качестве прогнозных значений для каждого из четырех кварталов (каждого из 12 месяцев первого года), то есть, например, для квартальных данных, .