- •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. Модели прогноза на основе экспоненциальных средних
В отличие от скользящих средних процедура вычисления экспоненциальных средних включает обработку всех предыдущих уровней ряда с учетом устаревания информации по мере удаления от текущего момента времени. Идея экспоненциального сглаживания состоит в том, что по мере “старения” соответствующим уровням ряда придаются убывающие веса [19, с. 407].
2.3.1. Однопараметрическая модель Брауна
Однопараметрическая модель прогноза Брауна основана на простом экспоненциальном сглаживании. Она предназначена для прогнозирования стационарных временных рядов. Стационарный временной ряд – ряд, уровни которого не содержат тренда и среднее значение ( ) и дисперсия которого остаются постоянными с течением времени [19, с. 407].
Простая экспоненциальная средняя на момент (период) времени вычисляется как взвешенная сумма фактического значения уровня на этот период и сглаженного значения на предыдущий период ( ) по формуле [19, с. 408]
, (11)
где - номер момента (периода) времени;
- экспоненциальная средняя (сглаженное значение уровня ряда) на момент времени ( );
, , - сглаживающая константа, характеризующая фактор взвешивания наблюдений.
Процедура экспоненциального сглаживания начинается с определения сглаженного значения на первый момент времени, которое полагается равным первому наблюдению [19, с. 408], то есть
. (12)
Однопараметрическая модель Брауна в качестве прогноза на один период вперед использует экспоненциальную среднюю для текущего момента времени [19, с. 409], то есть
(13)
Подставляя в (13) выражение (11) для , получим следующие формы записи однопараметрической модели прогноза Брауна [19, с. 409]
, (14)
. (15)
В выражении (15) величина в скобках представляет собой ошибку прогноза. Следовательно, однопараметрическая модель Брауна построена по следующему принципу: прогноз на период ( ) равен прогнозу на предыдущий период плюс ошибка прогноза на период , умноженная на сглаживающую константу . Выбор значения константы является ключевым моментом в экспоненциальном сглаживании. Если она близка к единице, то на новый прогноз в значительной степени будет влиять ошибка предыдущего прогноза, а если близка к нулю, то новый прогноз будет близок к предыдущему [19, с. 409].
Малые значения ( ) следует использовать для сглаживания временных рядов, уровни которых существенно изменяются под влиянием случайных возмущений (то есть нерегулярной компоненты). В этом случае происходит максимальное сглаживание (фильтрация) случайных отклонений [19, с. 409].
Для более стабильных временных рядов, не подверженных существенному влиянию случайного фактора, значение следует увеличить. При больших каждый новый прогноз становится чувствительным к текущим изменениям прогнозируемого показателя [19, с. 409].
Автор данного метода английский учёный Р.Г. Браун предложил следующую формулу расчета [4, с. 186; 12, с. 41]
,
где - число уровней ряда, входящих в интервал сглаживания.
Величина , а, следовательно, и определяются в этом случае эмпирически. В качестве удовлетворительного практического компромисса Браун рекомендовал выбирать значение в пределах от 0,1 до 0,3 [4, с. 186; 14, с. 41].
Однако опыт сглаживания и прогнозирования экономических временных рядов показал, что наибольшая точность прогнозирования может быть достигнута при любых допустимых значениях [11, с. 25]. Поэтому на практике рекомендуется выбирать значение этого коэффициента в пределах от 0,2 до 0,8 [13, с. 111].
Простое экспоненциальное сглаживание является несложным и удобным способом прогнозирования. Для своей реализации он не требует хранения всех предыдущих уровней ряда: для прогнозирования на период ( ) необходимо знать только текущее значение и сглаженную величину за предыдущий период [19, с. 409].
К основным достоинствам модели прогнозирования Брауна относятся [11, с. 37]:
логичная, ясная и легко понимаемая концепция прогнозирования;
возможность быстрого определения эмпирическим путём оптимального значения единственного параметра сглаживания .
Следует отметить, что проведённые рядом исследователей теоретические и эмпирические сравнения однопараметрической модели Брауна с многопараметрическими моделями прогнозирования ни в одном случае не выявили заметного преимущества многопараметрических моделей [11, с. 37].