- •Анализ и прогнозирование финансовых процессов
- •Глава 1. Математические методы и модели как средства исследования экономических процессов ………………………………………………………….7
- •Глава 8. Построение доверительных интервалов прогнозов ………………….210
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей ………………………………………………………….232
- •Предисловие
- •Глава 1. Математические методы и модели как средства исследования экономических процессов
- •1.1. Экономико-математические методы и модели исследования экономических процессов
- •1.2. Разновидности экономико-математических моделей и методов
- •1.3. Программные средства анализа экономических данных
- •1.4. Методика статистического анализа и прогнозирования данных
- •Контрольные вопросы
- •Глава 2. Исследование структуры временных рядов экономических показателей
- •2.1. Понятие временного ряда
- •В таблице 2.4 представлен ряд динамики средних величин - Среднедушевые номинальные денежные доходы населения России в месяц,
- •2.2. Структура временного ряда
- •2.3. Оценивание однородности и направленности изменений финансовых процессов, представленными временными рядами
- •2.4. Статистические показатели измерения динамики финансовых процессов
- •2.5. Показатели и критерии устойчивости и колеблемости развития финансовых процессов
- •Контрольные вопросы и задания
- •Глава 3. Прогнозирование финансовых процессов с использованием кривых роста
- •3.1. Основные этапы прогнозирования с использованием кривых роста
- •3.2. Характеристика кривых роста
- •3.3. Методы выбора кривых роста для выравнивания
- •3.4. Методы оценки параметров кривых роста
- •Контрольные вопросы и задания
- •Глава 4. Сезонные колебания в финансовых процессах
- •4.1. Исследование сезонных колебаний в финансовых процессах
- •4.2. Статистические критерии выявления сезонных колебаний
- •4.3 Показатели измерения сезонности
- •4.4. Моделирование тренд-сезонных временных рядов
- •Контрольные вопросы и задания
- •Глава 5. Адаптивные методы прогнозирования
- •5.1. Сущность адаптивных методов
- •5.2. Экспоненциальное сглаживание
- •5.3. Полиномиальные адаптивные модели
- •5.4. Адаптивные модели прогнозирования сезонных процессов
- •5.5. Метод эволюции
- •5.6. Модели авторегрессии и скользящего среднего
- •Контрольные вопросы и задания
- •Глава 6. Оценка точности и адекватности модели
- •6.1. Оценка адекватности модели
- •Проверка равенства математического ожидания уровней ряда остатков нулю.
- •6.2. Оценка точности модели
- •Контрольные вопросы и задания
- •Глава 7. Применение регрессионных моделей для прогнозирования
- •7.1.Типы регрессионных моделей
- •7.2. Определение зависимости между моделируемыми показателями и определяющими их факторами
- •7.3. Оценка тесноты линейной и нелинейной связи
- •7.4. Линейная модель парной регрессии. Оценка значимости параметров линейной регрессии
- •7.5. Нелинейная регрессия
- •Полиномы разных степеней -;
- •7.6. Модель множественной регрессии
- •7.7. Отбор факторов при построении модели множественной регрессии. Мультиколлинеарность
- •7.8. Регрессионные модели с фиктивными переменными
- •7.9. Прогнозирование в регрессионных моделях
- •Контрольные вопросы и задания
- •Глава 8. Построение доверительных интервалов прогнозов
- •8.1. Методы и критерии, используемых при построении доверительных интервалов
- •8.2. Доверительные интервалы при получении оценок по моделям регрессии
- •8.3.Оценка доверительных интервалов в моделях экономического прогнозирования
- •Доверительный интервал для тренда в общем виде определяется как
- •Контрольные вопросы и задания
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей
- •9.1. Алгоритм методики оценивания доверительных интервалов прогнозов
- •9.2. Практическая реализация методов прогнозирования
- •(По индексам)
- •Контрольные вопросы и задания
- •Литература
- •Шелобаев Сергей Иванович
4.4. Моделирование тренд-сезонных временных рядов
Так как во многих социально-экономических процессах наблюдаются сезонные изменения, то моделирование и прогнозирование таких процессов должно производиться с учетом сезонности. Как отмечалось ранее, для отображения сезонных процессов могут быть использованы аддитивные и мультипликативные модели.
В моделях аддитивного типа (2.1) каждая компонента сезонного временного ряда получается суммированием отдельно полученных компоненты тренда и сезонной компоненты.
Тренд Utчаще всего оценивается в виде полинома:
, (4.12)
или же, если априорно известен вид зависимости, в форме других известных функций (экспоненциальных функций, логистическая кривая, кривая Гомперца).
Для сезонной компоненты используют модель, описываемую уравнением:
. (4.13)
Данная модель позволяет моделировать некоторую среднюю сезонную волну, в действительности, и амплитуда, и фаза сезонной волны могут изменяться. Учесть эти изменения можно путем усложнения модели (4.13), либо введением явного фактора времени в уравнения:
,
либо изменением во времени коэффициентов ряда Фурье a0,аi,bi.
Рассмотрим последнее предложение подробнее. Расчет коэффициентов отрезка ряда Фурье основывается на значениях всего ряда остаточной компоненты . Разобьем промежуток времени1,Тнаkчастей:
,
но так, чтобы .
На каждом отрезке определяем значения коэффициентов ряда Фурьеa0,аi,bi по формулам (4.7). В результате получим матрицу коэффициентов:
.
Рассматривая каждый столбец как выборку случайных величин a0,аi,bi, можно составить уравнение регрессии. Изменения динамики коэффициентов отрезка ряда Фурье представим в виде линейной зависимости:
. (4.14)
Разбивая отрезок 1,Тнаkравных частей, изменяем масштаб времени: в формулах (4.13) и (4.14) параметрыiиtимееют разные значения, они совпадают лишь приk=m. Согласовать масштаб времени можно, вводя масштабирование:
.
Для обеспечения стабильности коэффициентов регрессии необходимо, чтобы временной ряд был достаточно длинным (не менее шести лет).
В моделях мультипликативного типа (2.2) компонента сезонного временного ряда получается как произведение трендовой и сезонной компонент. Трендовая составляющая обычно представляется полиномом, а сезонная компонента - индексами сезонности. Представленные модели в основном моделируют постоянную сезонную волну, реальные экономические процессы, как правило, имеют неоднородные сезонные колебания.
Построение обобщенных моделей тренд-сезонных временных рядов финансовых показателей аддитивного и мультипликативного типов приведено в параграфе 9.2.
Контрольные вопросы и задания
Дайте определение сезонным колебаниям.
Какие факторы вызывают сезонные изменения в экономических процессах?
В чем отличие циклической компоненты временного ряда от сезонной?
Как графически определить наличие сезонных колебаний во временном ряде?
Какие критерии используются для выявления сезонных колебаний во временном ряде? Поясните суть каждого метода.
Как можно определить характер сезонности (аддитивный или мультипликативный)?
Какие показатели используются для измерения сезонности?
Что такое сезонная волна?
Какие методы оценки точности выделения сезонной компоненты вы знаете?
Какими моделями возможно представление сезонной компоненты в тренд-сезонных экономических процессах?
В таблице приведены данные по выручке от реализации лако-красочной продукции, млн. руб.
-
Месяц
1 год
2 год
3 год
Январь
7 254
9 783
8 367
Февраль
7 373
8 943
7 880
Март
7 468
7 855
8 633
Апрель
8 157
7 934
9 748
Май
8 795
8 467
12 454
Июнь
9 589
9 796
14 875
Июль
10 995
11 892
16 893
Август
12 790
13 934
19 356
Сентябрь
13 562
14 563
20 767
Октябрь
13 457
14 985
17 986
Ноябрь
12 976
13 478
15 733
Декабрь
11 157
9 623
11 124
а) Построить график временного ряда методом наложения, сделать вывод о наличии сезонных колебаний.
б) Подобрать подходящую кривую роста для данного временного ряда.
в) Определить наличие сезонных колебаний, используя специальные математические критерии.
По данным задания 11 рассчитать индексы сезонности, как отношение фактических уровней и сглаженных по тренду уровней. Построить график сезонной волны и сделать выводы.