- •Федеральное агентство по образованию Российской Федерации
- •Глава 1. Анализ временных рядов
- •1.1 Идентификация модели временных рядов
- •1.1.1 Систематическая составляющая и случайный шум
- •1.1.2 Два общих типа компонент временных рядов
- •1.1.3 Анализ тренда
- •1.1.4 Анализ сезонности
- •1.2 Arima-модели
- •1.2.1 Два основных процесса
- •1.2.2 Модель arima
- •1.2.3 Идентификация
- •1.2.4 Оценивание параметров
- •1.2.5 Оценивание модели
- •1.3 Экспоненциальное сглаживание
- •1.3.1 Простое экспоненциальное сглаживание
- •1.3.2 Выбор лучшего значения параметра a (альфа)
- •1.3.3 Индексы качества подгонки
- •1.3.4 Сезонная и несезонная модели с трендом или без тренда
- •1.4 Сезонная декомпозиция
- •1.5 Анализ распределенных лагов
- •1.5.1 Общая цель
- •1.5.2 Общая модель
- •1.5.3 Распределенный лаг Алмона
- •1.6 Одномерный анализ Фурье
- •1.7 Подготовка данных к анализу
- •Глава 2. Прогнозирование объемов покупки и продажи евро
- •2.1 Прогнозирование объема покупки евро
- •2.1.1 Конечно-разностное дифференцирование
- •2.1.2 Двухпараметрическая модель Хольта
- •2.1.3 Аддитивная модель сезонных явлений с линейным ростом (модель Тейла, Вейджа)
- •2.1.4 Мультипликативная модель сезонных явлений с линейным ростом (модель Хольта-Уинтерса)
- •2.1.5 Arima-модели
- •2.1.6 Итоги прогнозирования
- •2.2 Прогнозирование объема продаж евро
- •2.2.1 Конечно-разностное дифференцирование
- •2.2.2 Двухпараметрическая модель Хольта
- •2.2.3 Аддитивная модель сезонных явлений с линейным ростом (модель Тейла, Вейджа)
- •2.2.4 Мультипликативная модель сезонных явлений с линейным ростом (модель Хольта-Уинтерса)
- •2.2.5 Arima-модели
- •2.2.6 Итоги прогнозирования
- •2.3 Итоги прогнозирования и выводы
- •Заключение
2.1 Прогнозирование объема покупки евро
Рассматриваемый временной ряд приведен в табличной форме в Приложении 1, а также представлен на рисунке 2.1.1.
Рис. 2.1.1. Объем покупки евро, шт.
Проведя предварительный анализ по графику, можно предположить, что явного тренда нет, амплитуда изменений значений уровней ряда очень велика (от 10000 до 50000 штук), ярко выраженной сезонности нет. Вероятно, присутствует цикличность.
Проведем более детальный анализ ряда с помощью нескольких моделей.
2.1.1 Конечно-разностное дифференцирование
Алгоритм построения модели и прогнозирования:
последовательное взятие разностей между соседними уровнями ряда: D1 = Yt+1 – Yt;
вычисление среднего значения ряда разностей: D1ср;
построения прогноза для рабочей выборки: Y^t+1 = Yt + D1cp;
построение прогноза для контрольной выборки: Y^t+1 = Yt^ + D1cp;
вычисление средней процентной ошибки прогноза модели;
построение прогноза на последующие периоды: Y^t+1 = Yt^ + D1cp.
В результате выполнения указанного алгоритма был построен ряд первых разностей (рис. 2.1.1.1) и прогноз на период с декабря 2006 г. по декабрь 2007г. (рис. 2.1.1.2).
Средняя процентная ошибка прогноза вычислена по следующей формуле:
где Yn+t – фактическое значение объема покупки евро в момент n+t,
Y^n+t - прогнозное значение объема покупки евро в момент n+t,
m – количество уровней ряда.
Рис. 2.1.1.1. График первых разностей
Таблица 2.1.1.2
Прогноз покупки евро
Декабрь 2006 |
18645 |
Январь 2007 |
18964 |
Февраль 2007 |
19284 |
Март 2007 |
19604 |
Апрель 2007 |
19923 |
Май 2007 |
20243 |
Июнь 2007 |
20563 |
Июль 2007 |
20882 |
Август 2007 |
21202 |
Сентябрь 2007 |
21522 |
Октябрь 2007 |
21841 |
Ноябрь 2007 |
22161 |
Декабрь 2007 |
22481 |
Средняя процентная ошибка прогноза модели составила 65,2%.
График прогноза объема покупки евро представлен на рисунке 2.1.1.3.
Рис. 2.1.1.3. График модели разностного дифференцирования и прогноз покупки евро
На графике представлен результат построения модели и прогноз на 2007 год объема покупки евро с доверительными интервалами (интервалы, в пределах которых может изменяться значение прогноза). График показывает, что модель повторяет поведение ряда с некоторым запаздыванием. На графике прогноза видна четкая тенденция к увеличению объема покупки евро в 2007 г, правда, небольшими темпами.
2.1.2 Двухпараметрическая модель Хольта
- параметры экспоненциального сглаживания (параметры адаптации);
a1,t, a2,t – коэффициенты модели;
Yt – фактическое значение объема покупки евро;
Y^t – прогнозное значение.
В результате построения модели и оптимизации значений коэффициентов их значения получились следующими:
= 0,012, = 1. Это говорит о том, что в модели учитываются прошлые значения ряда.
Среднепроцентная ошибка подгонки модели составила 66,1%, ошибка прогноза 71,15%.
Таблица 2.1.2.1
Прогноз покупки евро
Декабрь 2006 |
18015 |
Январь 2007 |
18132 |
Февраль 2007 |
18248 |
Март 2007 |
18364 |
Апрель 2007 |
18480 |
Май 2007 |
18596 |
Июнь 2007 |
18712 |
Июль 2007 |
18828 |
Август 2007 |
18945 |
Сентябрь 2007 |
19061 |
Октябрь 2007 |
19177 |
Ноябрь 2007 |
19293 |
Декабрь 2007 |
19409 |
График модели и прогноза приведен на рисунке 2.1.2.2.
Рис. 2.1.2.2. График модели Хольта и прогноз покупки евро
График показывает, что модель недостаточно хорошо описывает ряд, о чем также свидетельствуют большие ошибки подгонки и прогноза. График прогноза показывает тенденцию к увеличению объема покупки валюты небольшими темпами (на уровне 20000). Это соответствует прогнозу прошлой модели (конечно-разностного дифференцирования).