- •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»
2.3.4. Двухпараметрическая модель Хольта с гипотезой Тейла-Вейджа
При линейной тенденции развития процесса и при аддитивном характере сезонного эффекта используется модель прогноза Хольта с гипотезой Г. Тейла и С. Вейджа, являющаяся развитием двухпараметрической модели линейного роста Хольта.
Прогноз по данной модели на шагов вперед определяется выражением [6, с. 133]
.
Выражения для обновления коэффициентов модели имеют вид:
,
,
,
, ,
где - сглаженное значение аддитивно учитываемого сезонного фактора.
2.3.5. Трехпараметрическая модель Бокса-Дженкинса
Трехпараметрическая модель прогнозирования Дж. Бокса и Г. Дженкинса представляет собой усовершенствованную двухпараметрическую модель Хольта, которая учитывает разность ошибок прогноза. Прогноз по данной модели на шагов вперед определяется системой выражений [11, с. 36]
, (23)
, (24)
, (25)
,
где - ошибка прогнозирования.
На основе практических испытаний модели на многих экономических рядах Бокс и Дженкинс пришли к выводу, что включение в модель разности ошибок не является необходимым. Коэффициент всегда оказывался близким к нулю. Другой исследователь модели Бокса-Дженкинса П. Харрисон пришел к такому же выводу. Данный вывод исследователей модели объясняется стохастическим характером уровней временных рядов, и, в частности тем, что корреляция ошибок в таких рядах неустойчива [11, с. 37].
2.4. Модели прогнозирования стационарных временных рядов
Временные ряды многих экономических показателей имеют сложную структуру. Моделирование таких рядов на основе построения моделей тренда, сезонности и периодической составляющей не приводит к удовлетворительным результатам, так как во временном ряду остатков остаются статистические зависимости [6, с. 141; 2, с. 108]. Поэтому моделирование таких рядов производится путем предварительного приведения их к стационарному виду за счет выполнения операций выделения тренда и устранения сезонной компоненты, поскольку ряд остатков , как правило, является стационарным [6, с. 141].
К наиболее распространенным моделям стационарных временных рядов относятся: 1) модели авторегрессии; 2) модели скользящего среднего; 3) модели авторегрессии-скользящего среднего.
2.4.1. Модели авторегрессии
Моделью авторегрессии порядка называется модель стационарного процесса, выражающая значение уровня временного ряда в виде линейной комбинации конечного числа предшествующих ему значений и аддитивной случайной составляющей [2, с. 108]. В англоязычной статистической литературе эти модели называются AutoRegressive processes of order и кратко обозначаются AR( )-models. Модель авторегрессии порядка имеет вид [6, с 141]
,
где - белый шум, то есть последовательность случайных величин, удовлетворяющих следующим условиям:
;
Наиболее часто на практике используются авторегрессионные модели первого и второго порядков.
Модель авторегрессии первого порядка AR(1) определяется выражением вида [6, с. 142]
,
(условие стационарности AR(1)).
В модели авторегрессии первого порядка параметр имеет смысл коэффициента автокорреляции первого порядка, то есть [2, с. 109].
Модель авторегрессии первого порядка называется также марковским процессом. Марковскими процессами называются процессы, в которых состояние объекта в каждый следующий момент времени определяется только его состоянием в настоящий момент времени и не зависит от того, каким путем объект достиг этого состояния [2, с. 108-109]. В терминах корреляционного анализа для временных рядов марковский процесс представляет собой процесс, в котором существует статистически значимая корреляционная связь исходного ряда с рядом, сдвинутым на один временной интервал, и в котором эта связь отсутствует с рядами, сдвинутыми на два, три и т. д. временных интервала [2, с. 109].
В общем случае прогнозирование с использованием модели авторегрессии включает следующие этапы [2, с. 111]:
выделение неслучайной составляющей и расчет остатков ;
проверка полученного ряда на стационарность;
определение порядка модели ;
идентификация модели;
экономическое истолкование модели и построение прогноза.
Идентификация модели – это статистическое оценивание ее параметров по имеющейся реализации временного ряда [16, с. 250]. Идентификация модели авторегрессии первого порядка выполняется в следующей последовательности [2, с. 111-112; 16, с. 251]:
вычисление выборочной дисперсии остатков по формуле , где - выборочное среднее значение остатков;
расчет выборочного коэффициента автокорреляции по формуле
;
оценка дисперсии белого шума по формуле .
Модель авторегрессии второго порядка AR(2), называемая также процессом Юла, определяется выражением вида [2, с. 113; 6, с. 146]
.
Необходимые и достаточные условия стационарности данной модели имеют вид [6, с. 148; 16, с. 254]:
Идентификация модели авторегрессии второго порядка выполняется в следующей последовательности [2, с. 116; 16, с. 257-258]:
вычисление выборочной дисперсии остатков по формуле
;
оценка коэффициентов автокорреляции первого и второго порядков по формуле
, ;
допустимые значения этих коэффициентов, обеспечивающие стационарность модели AR(2) должны принадлежать области вида
вычисление параметров авторегрессии по формулам
, ;
оценка дисперсии белого шума по формуле
.
Идентификация моделей авторегрессии связана с проблемой, заключающейся в том, что оценка значений коэффициентов автокорреляции при реальных соотношениях объема выборки имеющихся уровней динамического ряда и горизонта планирования дает, как правило, неудовлетворительный результат [16, с. 251]. Поэтому в [19, с. 435] описан упрощенный вариант прогнозной модели авторегрессии вида
, ,
в котором оценки параметров авторегрессии вычисляются методом наименьших квадратов для множественной линейной регрессии зависимой переменной , представленной исходным временным рядом, на объясняющие переменные , , … , которые характеризуются тем же временным рядом, но сдвинутым соответственно на 1, 2, … периодов вперед.