3.5. Эффективность моделей прогнозирования

Независимо от примененной модели важно оценить ее эффективность с точки зрения точности, и в идеале ошибки прогноза должны быть сведены к минимуму. Ошибка прогноза - это разница между прогнозным и фактическим значениями. Эффективность конкретной модели зависит от ряда факторов, основные из которых следующие:

Имеющиеся данные

Исторические данные, которые используются при выработке модели прогнозирования, играют чрезвычайно важную роль. В идеале желательно иметь большое количество данных за значительный период времени. Так, чтобы спрогнозировать покупательский спрос на 2002 г., обычно недостаточно просто взять данные за предшествующий год. Чтобы выдать надежную модель, возможно, понадобятся данные, по крайней мере, за 4—5 лет. Более того, используемые данные должны быть «типичными» с точки зрения ситуации. Так, в октябре 1986 г. мировые финансовые рынки испытали серьезные потрясения в результате резкого обвала цен на акции. Таким образом, если взять данные из этого нетипичного периода, то они окажутся непригодными для составления прогнозов относительно цен на акции в аналогичные периоды в будущем. Перед тем, как сформировать прогнозную модель, необходимо устранить некоторые данные, которые не являются типичными в общем временном ряду.

Используемая модель прогнозирования

Точность прогноза однозначно зависит от применяемой модели. Однако, вышесказанное не означает, что при составлении того или иного прогноза приемлема только какая-нибудь одна модель. Вполне возможно, что в ряде случаев несколько различных моделей выдадут относительно надежные оценки. В любой модели прогнозирования основным элементом является тренд. В большинстве рассмотренных примеров предполагается, что тренд является линейным. Но это может быть и не так, и многие временные ряды, связанные с хозяйственной и финансовой деятельностью, выказывают нелинейный тренд. Другими элементами модели прогнозирования являются сезонные и циклические колебания, а также случайные колебания, которые невозможно предсказать в определенные временные точки.

Сочетание этих элементов также является важной частью модели. Крайне важно выбрать наиболее приемлемый метод — сложения или умножения, что можно сделать, исходя из прошлых данных.

Другие модели строятся с учетом соотношений с другими переменными по методу регрессии. Так, например, такая переменная, как покупательский спрос на нефтепродукты, может зависеть от других переменных, в частности, от расходов на рекламу, ценообразования, процентных ставок и валютообменных курсов. Это так называемые причинно-следственные связи, и зачастую они обеспечивают большую точность и надежность прогноза по сравнению с моделями прогнозирования на основе временных рядов.

Признание модели объективной

Прежде чем использовать модель для составления реальных прогнозов, ее необходимо проверить на объективность, с тем чтобы обеспечить точность прогнозов. Этого можно достичь несколькими путями:

1) На основе имеющихся исторических данных создается модель. Затем фактические данные сравниваются с соответствующими оценками, полученными с помощью этой модели. Расхождения между двумя значениями покажут, как модель проявит себя при определении будущих значений. Однако при всем этом существует вероятность того, что степень точности прогнозирования окажется искаженной, так как вполне вероятно, что модель внутри диапазона используемых данных проявит себя лучше, чем на временных периодах вне этого диапазона.

2) Результаты модели можно сравнить с фактическими значениями, когда те появятся. Так, мы можем применить модель, чтобы спрогнозировать спрос в январе 2003г. Когда будут получены фактические данные за январь, тогда можно проверить точность модели. Недостаток такого подхода состоит в том, что проверка «беспристрастности» модели может занять много времени. В принципе, модель можно проверить только на продолжительном временном отрезке. Понятно, что этот метод проверки часто используется, но чтобы не тратить много времени, все равно необходимо провести первичную проверку.

3) В попытке устранить до некоторой степени недостатки, описанные в пунктах 1) и 2), можно разработать модель прогнозирования исходя из усеченного набора имеющихся исторических данных. Например, если у нас есть показатели объема продаж за период с 1997 по 2002 гг., мы можем выработать модель на основе значений только за 1997-2001 гг. Остальные показатели, т. е. показатели за 2002 г., можно использовать для сравнения с прогнозными показателями, полученными с помощью этой модели. Такого рода проверка более реалистична, так как она фактически моделирует прогнозную ситуацию. Недостаток этого метода состоит в том, что самые последние, а следовательно, и наиболее значимые показатели исключены из процесса формирования исходной модели.

Внесение изменений в существующую модель

Очевидно, для того, чтобы уменьшить ожидаемые ошибки, следует вносить определенные изменения в уже существующую модель. Такие изменения вносятся на протяжении всего времени, когда модель применяется в реальной жизни.

И, безусловно, модель необходимо уточнять при изменении обстоятельств. Изменения можно вносить непрерывно в том, что касается тренда, сезонных и циклических колебаний, а также любого используемого причинно-следственного соотношения. Эти изменения затем проверяются с помощью уже описанных методов.

Как видно из рис.12, процесс оформления модели включает в себя несколько этапов: сбор данных, выработку исходной модели, проверку, уточнение — и опять все сначала на основе непрерывного сбора дополнительных данных с целью обеспечения надежности модели в качестве источника прогнозной информации.

Рис. 12. Разработка модели прогнозирования