- •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
5.2. Экспоненциальное сглаживание
Адаптивные модели базируются на двух схемах: скользящего среднего (MA-модели) и авторегрессии (АR-модели).
Согласно схеме скользящего среднего, оценкой текущего уровня является взвешенное среднее всех предшествующих уровней, причем веса при наблюдениях убывают по мере удаления от последнего уровня, т. е. информационная ценность наблюдений признается тем большей, чем ближе они к концу интервала наблюдений. Такие модели хорошо отражают изменения, происходящие в тенденции, но в чистом виде не позволяют отражать колебания.
Модель простой экспоненциальной средней описывается выражением:
, (5.1)
и используется, как отмечалось ранее, для сглаживания временных рядов. Для оценки ее текущего значения к величине экспоненциальной средней в момент времени (t-1), взятой с весом(1-α), необходимо добавить величину текущего фактического уровня ряда , умноженного на коэффициентα.
Рассмотрим процедуры прогнозирования, выполняемые с использованием моделей экспоненциальных средних. Экспоненциальное сглаживание, как указывалось в параграфе 2.3 осуществляется по формуле:
,
здесь β=1-α, или
,
где n– количество членов исходного ряда;
s0 - величина, характеризующая начальные условия.
При n→∞ и β<1коэффициент βn→0, а сумма коэффициентов уровней ряда, следовательно, в этом случае экспоненциальная средняя не зависит от начальных условий и полностью определяется суммой произведений уровней ряда на соответствующие им коэффициенты:
.
Таким образом, величина stоказывается взвешенной суммой всех членов ряда, причем веса падают экспоненциально в зависимости от дальности периода наблюдений. Например, еслиα=0,3, тогда вес текущего наблюдения равен0,3; вес предыдущего наблюденияyt-1 равенαּβ=0,3ּ0,7=0,21; для наблюденияyt-2 равенαּβ2=0,3ּ0,72=0,147и т.д.
Пусть модель временного ряда имеет вид:
,
где а1=const;
εt– случайные неавтокоррелированные отклонения нулевым математическим ожиданием и дисперсией σ2.
В работах Р.Брауна показано, что экспоненциальная средняя st имеет то же математическое ожидание, что и рядyt, но меньшую дисперсию:
;
. (5.2)
Так как , то дисперсия экспоненциальной среднейменьше дисперсии временного ряда, равной. Из формулы (5.2) видно, что при высоком значенииαдисперсия экспоненциальной средней незначительно отличается от дисперсии рядаyt. Чем меньшеα, тем в большей степени уменьшается дисперсия экспоненциальной средней, таким образом, экспоненциальная средняя играет роль фильтра, поглощающего колебания исходного временного ряда.
Предположим, что модель временного ряда имеет вид:
,
где а1,t - изменяющийся во времени средний уровень ряда;
εt– случайные неавтокоррелированные отклонения нулевым математическим ожиданием и дисперсией σ2.
Прогнозная модель в этом случае имеет вид:
,
где - прогноз, сделанный в моментtнаτшагов вперед;
- оценкаа1,t .
Экспоненциальная средняя служит средством оценки единственного параметра модели:
,
т.е. все свойства экспоненциальной средней распространяются на прогнозную модель. В выражении (5.3)
, (5.3)
полученному из (5.1), величина есть погрешность прогноза, а новый прогнозstполучается в результате корректировки предыдущего прогноза с учетом его ошибки. В этом и проявляется сущность адаптации этой модели.