- •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»
Метрические шкалы
Взаимосвязь количественных признаков отображается на корреляционном поле (в MS Excel – «точечная диаграмма»). Каждому объекту соответствует точка из корреляционного облака.
Рис. 13 Корреляционное поле зависимости рентабельности и суммы сделки
Для выявления взаимосвязи «облако» оконтуривают, и рисуют наиболее длинную ось облака, как среднюю линию между границами. Чем уже облако – тем теснее взаимосвязь.
Однако есть вопросы: с какой вероятностью расхождение реальных данных с прогнозом не превысит заданной величины / какова величина расхождения, которая не будет превышена с заданной вероятностью. Прогноз, включающий в себя границы возможного отклонения от точечного прогноза в пределах заданной вероятности, называется интервальным. Вероятность - надёжность, отклонение - доверительный интервал. Как правило 95%.Факторы качества: длина базы, разброс значений, горизонт планирования.
Построение графического тренда на основе канала
Сглаживание по методу среднего (или сглаживание методом скользящей средней) ориентировано на устранение влияния, привносимого циклическими отклонениями. Лучшие результаты получаются при выборе базы сглаживания длинной равной периоду цикличности. Определить наиболее вероятный период цикла можно:
по графику – расстояние между двумя максимами (минимумами)
по графику – длина динамического ряда делится на количество максимумов (минимумов)
расчетным путём – построить функцию автокорреляции
Выбрав базу сглаживания в N периодов, поступают далее так: Берут первые N значений ряда, находят среднее между ними – получают первое значение сглаженного ряда. Затем берут N значений, начиная со второго, - получают второе сглаженное значение. И т.д., «скользя» вдоль исходного ряда, получают сглаженный. Как правило, сглаженное значение относят к среднему моменту времени для значений, подвергшихся усреднению.
Различают следующие виды скользящего среднего:
с нечётной / четной базой сглаживания
простое / взвешенное среднее.
Определение периода цикличности на основе функции автокорреляции
Под автокорреляцией Ra (лага в t периодов) понимают корреляцию ряда с рядом, полученным из исходного сдвигом на t периодов. При этом в расчет не принимаются граничные значения рядов.
, где
COV (Y,G) – ковариация,
D – смещенная дисперсия
Рассмотрим пример расчета автокорреляции лага 1 (Рис. ). В расчете использовались данные, выделенные жирной рамкой ( с янв. по май). Расчет с помощью функции КОРРЕЛ проверен по вышеприведенной формуле. Обратите внимание, что дисперсия рассчитана по функции ДИСПРА.
Рис. 14. Расчет автокорреляции.
Функцией автокорреляции от времени Ra (t) называют зависимость коэффициента автокорреляции от лага t.
Возьмем явно периодичный ряд с циклом 5 лет (Рис. 15). Построим 5 сдвинутых рядов и рассчитаем коэффициенты автокорреляции, тем самым построим функцию автокорреляции.
Рис. 15. Использование функции автокорреляции для определения длины цикла.
На рисунке видно, что исходный ряд (Y) больше всего похож по колебаниям (коррелирует на 100%) на ряд, сдвинутый на величину цикла (Y-5). Т.о., наибольшие значения функции автокорреляции соответствуют лагам, кратным длине цикла. Наименьшие значения – лагам, равным полуциклам. (В данном примере полцикла –2,5 периода, что соответствует приблизительно равным минимумам коэф. Корреляции – 0,41 и 0,49).
Вывод: период цикличности можно определить на основе максимума функции автокорреляции.