- •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»
2.4.2. Модели скользящего среднего
Моделью скользящего среднего порядка называется модель стационарного процесса, выражающая значение уровня временного ряда в виде линейной комбинации конечного числа предыдущих значений ошибок модели и аддитивной случайной составляющей. В англоязычной статистической литературе эти модели называются Moving Average models и кратко обозначаются MA( )-models. Следует отметить, что термин “скользящее среднее” в названии этого класса моделей употреблен в ином смысле, чем в методах сглаживания временного ряда. В частности, сумма весовых коэффициентов в этих моделях не равна единице [16, с. 261].
Модель скользящего среднего порядка имеет вид [6, с 151]
.
Временной ряд, описываемый моделью скользящего среднего является стационарным по определению, так как он представляет собой линейную комбинацию стационарных процессов белого шума [2, с. 118].
Наиболее часто на практике используются модели скользящего среднего первого и второго порядков. Модели скользящего среднего первого порядка MA(1) и второго порядка MA(2) соответственно имеют вид [6, с 151]:
,
.
Данные модели стационарны при любых значениях параметров , и .
Идентификация модели MA(1) производится в следующей последовательности [2, с. 120]:
оценка коэффициента автокорреляции первого порядка по формуле
;
определение параметра из решения квадратного уравнения вида
(из двух решений данного уравнения в качестве оценки параметра выбирается решение, меньшее единицы);
оценка дисперсии белого шума по формуле
.
Идентификация параметров и модели MA(2) сводится к решению системы из двух нелинейных уравнений вида
2.4.3. Модели авторегрессии - скользящего среднего
Модель авторегрессии - скользящего среднего представляет собой смешанную модель стационарного временного ряда, в которую включается члены, описывающие авторегрессионные составляющие, и члены, моделирующие остаток в виде скользящего среднего [6, с. 153-154]. В общем случае она имеет вид [6, с. 154]
.
Данная модель может истолковываться как линейная модель множественной регрессии, в которой в качестве объясняющих переменных выступают предыдущие значения самой зависимой переменной, а в качестве регрессионного остатка – скользящее среднее из элементов белого шума. Поэтому сущность этой модели лучше отражает название “авторегрессионная модель со скользящими средними в остатках”. Однако для краткости чаще используется название “модель авторегрессии – скользящего среднего”. В англоязычной литературе эти модели называют AutoRegressive - Moving Average, или сокращенно ARMA [16, с. 270].
В практических экономических задачах, как правило, используют пять видов модели ARMA, идентифицирующие свойства автокорреляционных и частных автокорреляционых функций для которых представлены в табл. 6, заимствованной из [6, с. 155].
Модели ARMA(1,0) и ARMA(2,0) – это модели авторегрессии AR(1) и AR(2) соответственно, а модели ARMA(0,1) и ARMA(0,2) - модели скользящего среднего MA(1) и MA(2) соответственно.
Наиболее распространенная на практике модель ARMA (1,1) имеет вид [6, с. 154]
Таблица 16