- •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»
2.1.2. Наивная модель на основе абсолютного прироста за предыдущий интервал времени
Адаптация простейшей модели (2) к структуре временного ряда при наличии тенденции (тренда) возрастания или убывания уровней ряда во времени производится, например, путем введения дополнительного слагаемого – абсолютного прироста значения показателя за предыдущий интервал времени [19, с. 404]. Тогда (2) преобразуется к виду
, (3)
где - абсолютный прирост значения показателя за интервал времени от до .
Модель (3) основана на допущении о постоянстве абсолютных изменений уровня ряда. Модели (2) и (3) в силу чрезмерной простоты нельзя рассматривать как надежный инструмент прогнозирования. Однако в краткосрочном прогнозировании они иногда дают вполне удовлетворительные результаты. Данные модели применяются также для сравнительной оценки качества краткосрочных прогнозов. В этом случае ошибки этих моделей рассматриваются как эталон, с которыми сопоставляются ошибки прогнозов, полученных другими методами [21, с. 156].
2.1.3. Наивная модель на основе коэффициента роста за предыдущий интервал времени
Другой простой вид адаптации простейшей модели (2) к структуре временного ряда при наличии тренда заключается во введении дополнительного сомножителя – коэффициента роста значения показателя за предыдущий интервал времени [19, с. 404]. В этом случае (2) преобразуется к виду
, (4)
где - коэффициент роста значения показателя за интервал времени от до .
2.1.4. Наивная модель на основе простого среднего значения
Основной недостаток моделей (3) и (4) заключается в том, что в них не учитывается динамика изменения прогнозируемого показателя за предшествующие периоду времени периоды [19, с. 404].
В самом простом случае, при предположении о том, что средний уровень ряда не имеет тенденции к изменению или если это изменение незначительно, модель краткосрочного прогноза имеет вид [10, с. 53; 14, с. 35; 21, с. 154]
. (5)
В модели (5) прогнозируемый уровень ряда равен среднему значению уровней ряда в прошлом.
Доверительные интервалы прогноза по модели (5) вычисляются по формуле [4, с. 177; 21, с. 155]
, (6)
где - табличное значение критерия Стьюдента с степенями свободы и доверительной вероятностью ;
- исправленное среднее квадратическое отклонение выборки уровней временного ряда , .
Основной недостаток модели (5) заключается в том, что она не учитывает интервал прогноза [7, с. 131].
2.1.5. Наивная модель на основе среднего абсолютного прироста
Модель краткосрочного прогноза в предположении стабильности скорости изменения уровней динамического ряда имеет вид [7, с. 131; 10, с. 53; 14, с. 36]
, (7)
где - средний абсолютный прирост уровня ряда в единицу времени.
Применение модели (7) предполагает, что изменение уровней ряда происходит в соответствии с арифметической прогрессией [7, с. 131], то есть если общая тенденция изменения уровней ряда является линейной [4, с. 177]. Данная модель применяется для предварительного прогноза в случае, когда у исследователя нет полного динамического ряда, а имеется только информация на начало и на конец периода предыстории [7, с. 131].
Условие корректного применения модели (7) имеет вид [4, с. 178]
, (8)
где - остаточная дисперсия прогноза, не объясненная прогнозированием по модели (7);
;
, , - абсолютный прирост уровня динамического ряда за один интервал наблюдения (от момента времени до момента времени );
- общий прирост уровня динамического ряда от начального уровня до текущего уровня .