- •Литература
- •План курса
- •Тема 1. Математические методы в экономике
- •1.1. Введение
- •1.2. Модели математической экономики. Производственные функции
- •1.3. Эконометрические модели
- •Тема 2. Методы прогнозирования обратимых процессов
- •2.1. Краткосрочное прогнозирование обратимых процессов
- •Средняя величина
- •Авторегрессия
- •2.2. Среднесрочное прогнозирование обратимых процессов
- •Парная регрессия и метод наименьших квадратов
- •Множественная регрессия и эффект мультиколлинеарности
- •Тема 3. Методы прогнозирования необратимых процессов
- •3.1. Краткосрочное прогнозирование. Модель Брауна
- •3.2. Среднесрочное прогнозирование
- •МНК с дисконтированием
- •Модификации метода Брауна
- •Метод стохастической аппроксимации (МСА)
- •Тема 4. Финансовая математика
- •4.1. Основные термины и принципы финансовой математики
- •4.2. Модели расчетов с простыми и сложными ставками
- •Простые проценты
- •Плавающие ставки по простым процентам
- •Учёт нецелых периодов наращения в банковском секторе
- •Простые учётные ставки
- •Сложные проценты
- •Плавающие ставки по сложным процентам
- •Связь между простыми и сложными процентами
- •Смешанная формула расчёта процентов
- •Сложные учётные ставки
- •Связь между простыми и сложными учётными ставками
- •Уравновешенные и относительные ставки
- •Непрерывные проценты
- •Учёт инфляции
- •4.3. Операции с платежами
- •Финансовая эквивалентность
- •Консолидация платежей по формуле простых процентов
- •Замена платежей по формуле простых процентов
- •Консолидация и замена платежей по формуле сложных процентов
- •Консолидация платежей по формулам банковского учёта
- •Разъединение платежей по формулам простых и сложных процентов
- •4.4. Потоки платежей
- •Общие понятия и приведённая стоимость потока платежей
- •Оценка эффективности инвестиционного проекта
- •Приведённая стоимость потока инвестиций (расходов) K
- •Приведённая стоимость потока доходов D
- •Чистая приведённая стоимость (NPV)
- •Внутренняя норма доходности проекта (IRR)
- •Индекс доходности проекта (PI)
- •Срок окупаемости проекта (DPP)
- •Модифицированная внутренняя норма доходности MIRR (Modified IRR)
- •Приведённая стоимость финансовой ренты
- •4.5 Конверсия валют
Для нахождения коэффициентов такой функции обычно пользуются методами математической статистики или численными методами.
2.2. Среднесрочное прогнозирование обратимых процессов
Парная регрессия и метод наименьших квадратов
Как мы уже говорили, в среднесрочном прогнозировании обратимых процессов обычно используют метод регрессии, который сводится фактически к изучению и построению той или иной зависимости между двумя или несколькими переменными. Примером таких моделей являются как раз ПФ, которые мы с вами рассмотрели чуть ранее.
Обычно для нахождения коэффициентов функции в эконометрике, как вы знаете, используют метод наименьших квадратов. Преимущество метода — в его простоте и в том, что оценки, найденные с использованием МНК являются несмещенными.
Вообще, давайте вспомним, какой смысл имеет МНК? Для этого обратимся к следующему рисунку (Рисунок 8).
Yt
Y t =a b xt
* * * * * *
* * * |
εt |
* |
xt
Рисунок 8: Графическая интерпретация МНК
В нашем распоряжении имеется некоторый ряд данных, и мы предполагаем (либо находим с помощью коэффициента корреляции), что этот ряд можно описать какой-то линейной функцией:
|
(2.2.1) |
Y t =a b xt . |
Строим эту функцию и видим, что она проходит около фактических значений с каким-
|
. На каждом наблюдении имеются такие отклонения. Для |
то отклонением: εt=Y t −Y t |
того, чтобы функция описала этот ряд данных наилучшим образом, надо подобрать такие коэффициенты a и b, чтобы все эти отклонения были минимальными. Однако, как видим, отклонения могут быть как положительными (когда фактическое значение лежит выше
28
расчётного), так и отрицательными (соответственно, ситуация наоборот). Если мы все эти отклонения просто сложим, то они сократятся и мы не получим реальную оценку ситуации — суммарное отклонение вполне может стать равным нулю. Для того, чтобы избежать этой ситуации и получить более адекватную оценку, все отклонения вначале возводят в квадрат, после чего суммируют и получают сумму квадратов отклонений:
T |
T |
|
|
2 |
|
2 |
- которую как раз и нужно минимизировать, подбирая |
S=∑ ε |
=∑ Y t−Y t |
|
|
t =1 |
t=1 |
|
|
различные значения коэффициентов a и b. Математически это означает требование:
T |
|
T |
|
|
2 |
2 |
(2.2.2) |
S=∑ Y t−Y t |
=∑ Y t − a b xt min |
||
t =1 |
|
t=1 |
|
Ну, а чтобы найти значения коэффициентов, при которых эта функция принимает минимальные значения, нужно взять производные S по a и по b и приравнять их нулю:
∂ S |
=0 , |
∂ S |
=0 . |
(2.2.3) |
|
∂ a |
|
∂ b |
Решая полученные уравнения, мы вначале получаем следующую систему нормальных уравнений:
|
T |
|
T |
|
|
T a b ∑ xt =∑Y t |
|
|
|||
|
t =1 |
|
t =1 |
, |
(2.2.4) |
|
T |
T |
T |
||
a ∑ xt b∑ xt2=∑Y t xt |
|
|
|||
{ |
t =1 |
t=1 |
t =1 |
|
|
из которой можно легко вывести формулы для нахождения коэффициентов функции:
|
T |
|
T |
|
T |
|
|
|
|
T ∑Y t xt −∑ Y t ∑ xt |
|
|
|||||
b= |
t =1 |
|
t=1 |
|
t =1 |
, |
(2.2.5) |
|
T |
|
T |
|
2 |
||||
|
T ∑t =1 |
xt2− ∑t =1 xt |
|
|
||||
|
T |
|
T |
|
|
|
|
|
|
∑Y t−b ∑ xt |
. |
|
|
(2.2.6) |
|||
a= t=1 |
t |
=1 |
|
|
|
|||
|
|
|
|
|
||||
|
T |
|
|
|
|
|
|
|
Врезультате расчётов по формулам (2.2.5) и (2.2.6) мы найдём такие коэффициенты a и b линейной функции (2.2.1), для которых выполняется условие (2.2.2), то есть сумма квадратов отклонений фактических значений от расчётных минимальна.
Вслучае, если мы строим тренд (зависимость какого-то показателя от времени), в
формулы (2.2.5) и (2.2.6) вместо xt надо просто подставить номер наблюдения t — в результате будет построен линейный тренд с коэффициентами a и b.
Стоит заметить, что когда мы строим регрессионные модели, переменными у нас фактически выступают коэффициенты, поэтому удобней регрессии представить несколько иначе. Так систему нормальных уравнений (2.2.4) можно представить ещё и через
29
уравнение в отрезках, разделив соответствующие левые и правые части уравнений на стоящие в правых частях суммы:
a |
|
b |
=1 |
T |
T |
||
∑Y t |
|
∑ Y t |
|
t=1 |
|
t=1 |
T∑T xt
|
|
|
|
|
|
t=1 |
(2.2.7) |
|
|
|
a |
|
|
b |
|||
|
|
|
|
=1 |
||||
{ |
T |
|
T |
|||||
∑Y t xt |
|
|
∑Y t xt |
|
||||
t=1 |
|
|
t=1 |
|
||||
T |
|
|
|
T |
|
|
||
∑ xt |
|
|
∑ xt2 |
|
||||
t =1 |
|
|
t =1 |
|
Такое представление позволяет построить на плоскости коэффициентов (в нашем случае по оси абсцисс будем откладывать a, по оси ординат — b) прямые, каждая из которых характеризует разное сочетание коэффициентов a и b, удовлетворяющее по отдельности каждому из уравнений (2.2.4). Точкой пересечения этих двух прямых будет пара коэффициентов a* и b*, являющаяся решением системы уравнений (2.2.4). Графически эта ситуация показана на рис. 9.
b
T
∑ Y t
t =1
T
∑ xt
t=1
(a*, b*)
T
∑ Y t xt
t =1
T
∑ x2t
t=1
T |
|
|
|
|
|
(1) |
|
|
|
|
|
|
|||
∑ Y t |
|
T |
a |
||||
(2) |
∑ Y t xt |
|
|||||
t =1 |
|
|
T |
|
t =1 |
|
T |
|
|
|
∑ xt |
|
|
t=1 |
Рисунок 9: Задача нахождения оптимума на плоскости коэффициентов модели
Такое представление позволяет несколько иначе взглянуть на задачу нахождения коэффициентов модели с помощью метода наименьших квадратов: она заключается в том,
30
что отдельно для каждого из уравнений системы (2.2.4) существует бесконечное множество решений, но в самой системе в общем случае оно только одно. Впрочем, нельзя отрицать, что теоретически возможна ситуация, в которой прямые (1) и (2) на рис. 9 не будут пересекаться, а, например, сольются. Тогда в результате решения системы (2.2.4) мы не получим точечной оценки — то есть найти истинное значение коэффициентов модели будет невозможно.
Метод наименьших квадратов прекрасно работает в случае с линейными функциями, но очевидно, что не всегда линейная функция описывает ряд лучше всех остальных. В таких случаях появляется потребность найти коэффициенты других функций. Например, степенных, экспоненциальных, тригонометрических, обратных и др. функции. Для оценки таких моделей также можно применить МНК. В таких случаях имеющуюся модель нужно вначале привести к виду линейной, используя один из двух методов:
1.Метод линеаризации,
2.Метод подстановки.
Метод линеаризации обычно применяется в случаях с экспоненциальными или степенными функциями — в тех случаях, когда его невозможно применить напрямую, и заключается в том, что в функции логарифмируется и левая, и правая части, после чего находятся коэффициенты, при которых достигается минимум суммы квадратов отклонений линеаризованных функций.
Рассмотрим пример со степенной функцией:
|
b |
(2.2.8) |
Y t =c xt . |
Линеаризуем функцию (2.2.8) используя натуральные логарифмы. Получим:
|
|
ln Y t=ln c b ln xt . |
|
Проведя замену ln c=a |
, мы получим функцию практически идентичную (2.2.2): |
|
(2.2.9) |
ln Y t=a b ln xt . |
После этого МНК без проблем применяется уже к функции (2.2.9), а не (2.2.8). В итоге минимизируется следующая сумма квадратов отклонений:
T |
|
T |
|
|
2 |
2 |
(2.2.10) |
S=∑ ln Y t−lnY t |
=∑ ln Y t − a b ln xt . |
||
t =1 |
|
t =1 |
|
Если теперь найти частные производные (2.2.10) по коэффициентам a и b, аналогично (2.2.3), то мы найдём коэффициенты, для которых сумма отклонений (2.2.10) минимальна. Однако стоит обратить внимание на то, что мы минимизируем эту самую линеаризованную функцию, а не изначальную. А в связи с тем, что всегда при расчёте коэффициентов есть небольшая ошибка, то после расчёта, по возвращении к нормальной, не линеаризованной форме, она возрастает экспоненциально. Причём, экспонирование приводит к тому, что ошибка становится положительной, и распределённой со смещением. В результате этого у модели появляется систематическое отклонение от
31