- •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»
Механическое сглаживание
Пример 1. Берётся циркуль. Раскрывается на к.л. ширину по усмотрению исследователя. Проводится окружность с центром в первой точке графика. Центр окружности соединяется отрезком с точкой пересечения окружности с графиком. Строится вторая окружность с центром в предыдущей точке пересечения. И т.д. Полученная ломаная – искомый сглаженный ряд.
Недостатком метода является множественность точек пересечения (Рисунок 2 – справа). Плохо и то, что точки пересечения, вообще говоря, лежат между точками графика (не соответствуют однозначно моментам времени исходного ряда).
Рисунок 2 Сглаживание циркулем.
Пример 2. На усмотрение исследователя выбираются ключевые точки (как правило – чередующиеся минимумы и максимумы) графика. В эти точки забивается по гвоздю. На каждый гвоздь надевается резинка. Через все резинки «по ходу времени» продевается нитка. Растягивая нитку в оба конца получаем сглаженный ряд (степень сглаживания зависит от силы натяжения).
Рисунок 6 Сглаживание шнурком.
С развитием ПК механическое сглаживание отошло в область курьёзов, хотя математическое описание (достаточно сложное) получаемых кривых сохраняет теоретический интерес.
Наиболее часто используются методы математического сглаживания на основе медианы, среднего арифметического и экспоненциально-взвешенного среднего.
Тестовый способ определения вида уравнения (типа) тренда
Способ основан на определении того, какая из основных характеристик ряда наиболее постоянна. Для этого:
Строятся соответствующие производные ряды.
Определяется, какой из них более постоянен (похож на константу).
Для этого рассчитывают параметры линейного тренда производного ряда Y`=at+b. Отношение a/b характеризует «похожесть» ряда на константу. (Очевидно, что похожесть возрастает с убыванием a, если же a=0 – ряд есть константа b).
иллюстрирует выбор между тремя видами тренда. Для этого рассчитаны три производных от дохода ряда. На основании параметров тренда рассчитаны коэффициенты «похожести». Наименьший (по модулю) коэффициент у ряда темпов роста (5,9%), следовательно ряд доходов описывается экспоненциальным трендом.
Рис. 7. Тестовое определение вида тренда.
Анализ цикличности (сезонности)
Цикличность – закономерное периодическое отклонение от основной тенденции (тренда)
Сезонность - вид цикличности, обусловленный временем года. В общем - в рамках года. (электроснабжение, транспорт, с-х и т.д.)
Фаза цикла – номер наблюдения внутри периода цикла. Если период цикла – N, говорят о наличии N фаз.
Задачи:
определение наличия циклов, их периодов; силы и характера в различных фазах
выявление факторов, вызвавших их
оценка последствий для выявления тренда и уточнения трендового прогноза
математическое моделирование
Методы расчета сезонной составляющей (наиболее применимые):
коэффициенты и индексы сезонности
аналитическая функция
изменяющееся по фазам цикла семейство трендов
Определение сезонной составляющей при аддитивной сезонности
Если ряд отклоняется от значений тренда в каждой фазе цикла на одну и ту же величину, говорят об аддитивной сезонности.
Аддитивная сезонность моделируется расчётом коэффициентов сезонности. Число коэффициентов равно числу фаз. Коэффициент [фазы] показывает [величину] отклонение ряда от тренда [в данной фазе].
Коэффициент рассчитывается как среднеарифметическое отклонение ряда от тренда в данной фазе.
Пусть N-период сезонности, M-длина ряда. Тогда N/M - количество циклов. Kn – коэффициент фазы n.
При аддитивной сезонности уравнение разложения динамического ряда на компоненты имеет вид: .
Пример: Прогноз моделирования налоговых поступлений (тыс. руб) по месяцам.
Рисунок 8 Аддитивная сезонность
Периодичность явно равна 3-м (квартальная). Следовательно, нужно рассчитать 3 коэффициента сезонности. Проиллюстрирован расчет коэффициента для третьего месяца квартала (К3).
Определение сезонной составляющей при мультипликативной сезонности.
Если ряд отклоняется от значений тренда в каждой фазе цикла в одно и то же число раз, говорят о мультипликативной сезонности.
Наглядно разница между аддитивной и мультипликативной сезонностью при растущем тренде такова: размах аддитивной неизменен, а мультипликативной – растёт со временем.
Рис. 9. Сравнительный вид аддитивной (add) и мультипликативной (mult) сезонностей
Мультипликативная сезонность моделируется расчётом индексов сезонности, которые показывают [разы] отклонения ряда от тренда [по фазам].
Индекс рассчитывается как среднее относительное отклонение ряда от тренда в данной фазе.
Варианты вычисление индексов
При мультипликативной сезонности уравнение разложения динамического ряда на компоненты имеет вид:
Выявление сезонности с использованием тригонометрических функций
Если в динамическом ряду много плавных, симметричных колебаний (интенсивность роста = падению), удобно произвести разложение в ряды Фурье:
,
где w-момент начала цикла, i – номер цикла, d - период цикла (в радианах).
Исходный ряд предполагается состоящим из тренда и серии волн различной длины и амплитуды. В основном, применяется в техническом прогнозировании (регулярные, периодические процессы).
На основании проведённого моделирования основных компонент ряда (тренда и сезонности) можно производить предсказания о возможных значениях этого ряда. В статистике это выражается в экстра- и интерполяции.
Экстраполяция – это распространение результатов, полученных из наблюдений над одной частью явления, на другую его часть [9, с. 180]. Метод экстраполяции тренда относится к классу пассивных методов прогнозирования, так как предполагает строгую инерционность развития, которая представляется в виде проектирования прошлых тенденций в будущее, а главное независимость характеристик объекта прогнозирования от тех или иных факторов [4, с. 175; 15, с. 133; 21, с. 151].
Один из недостатков метода экстраполяции тренда при краткосрочном прогнозировании заключается в том, что экстраполяция прошлых усреднённых показателей приводит к тому, что остаются незамеченными необычные отклонения в обе стороны от тенденции (в то время как для краткосрочного прогноза предвидение этих отклонений является основной задачей) [4, с. 175; 15, с. 133]. Кроме того, следует учитывать, что методы экстраполяции тренда не всегда дают удовлетворительные прогнозы из-за того, что они основаны на учете только части причин, по которым происходит изменение прогнозируемого показателя [9, с. 179].
Общая классификация методов экстраполяции тренда показана на рис. 10, заимствованном из [7, с. 124].
Для построения модели экстраполяции тренда не требуется знания ни производства, ни экономических условий, в которых протекает исследуемый процесс. Модель экстраполяции тренда строится исключительно на основе имеющейся числовой информации [18, с. 8].
Рис. 10. Общая классификация методов экстраполяции тренда
Упрощенные методы прогнозирования используются при недостаточной информации о предыстории объекта прогнозирования (когда нет длинного динамического ряда характеристик объекта) [7, с. 125]. Они используют модели прогнозирования на основе: 1) предыдущего значения прогнозируемого показателя; 2) абсолютного прироста за предыдущий интервал времени; 3) коэффициента роста за предыдущий интервал времени; 4) простого среднего значения; среднего абсолютного прироста; 5) среднего коэффициента роста.
Аналитические методы экстраполяции тренда основаны на применении метода наименьших квадратов к динамическому ряду и представлении закономерности развития явления во времени в виде уравнения тренда на основе подходящей кривой роста (например, полинома, экспоненты, модифицированной экспоненты, кривой Гомперца) [7, с. 125].
Адаптацией модели называется процесс её корректировки на основании вновь поступившей информации. Целью адаптации модели является приспособление модели к изменившимся условиям её функционирования. Адаптация направлена на повышение адекватности модели путем последовательного использования текущих (новых) значений признаков, неизвестных при её построении [14, с. 39].
Адаптивными методами прогнозирования называются методы прогнозирования, позволяющие строить самокорректирующиеся (самонастраивающиеся) модели прогнозирования, которые способны оперативно реагировать на изменение условий путем учёта результата прогноза, сделанного на предыдущем шаге, и учёта различной информационной ценности уровней ряда [6, с. 116].
Адаптивные методы используются в условиях сильной колеблемости уровней динамического ряда и позволяют при экстраполяции тренда учитывать степень влияния предыдущих уровней на последующие значения динамического ряда. Адаптивные методы прогнозирования используют модели прогнозирования на основе скользящих и экспоненциальных средних, а также модели авторегрессии [7, с. 125].
Модель авторегрессии – это модель стационарного процесса, выражающая значение прогнозируемого показателя в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной оставляющей [10, с. 55].
Следует отметить, что логические методы прогнозирования (исторические аналогии, сценарный подход) в отличие от математических методов (прогнозной экстраполяции, моделирования) требуют глубокого знания производства, предметной области и макроэкономической ситуации. Некоторое время назад большинство специалистов отдавали предпочтение каузальным (причинно-следственным) моделям, основанным на логических методах. Однако исследования по применению эконометрических моделей в бизнесе показали, что модели временных рядов в некоторых случаях дают не худшие, а даже лучшие результаты по сравнению с каузальными моделями. Объяснение этому факту находят в том, что числовая информация, представляющая некоторый экономический или бизнес-процесс, уже содержит в себе, хотя и в неявном виде, будущие экономические или другие изменения и закономерности. Поэтому в современном прогнозировании используются и логические, и математические методы, причём как параллельно, так и в одной и той же модели [18, с. 8].