- •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
5.3. Полиномиальные адаптивные модели
Если тенденция исследуемого процесса близка к линейной, то для анализа и прогнозирования такого процесса используются модели линейного роста. Прогнозные оценки по таким моделям на τ шагов вперед получают по уравнению:
,
где - текущие оценки коэффициентов адаптивного полинома первого порядка, подлежащие определению.
В двухпараметрической модели Хольта оценка коэффициентов производится следующим образом:
;
, (5.4)
- параметры экспоненциального сглаживания, называемые также параметрами адаптации, для которых должно выполняться условие .
Обозначим через ошибку прогноза, т.е. отклонение прогнозный оценки, полученной в момент(t-1), на один шаг вперед(τ=1)от фактического уровня ряда. Тогда уравнения (5.4) можно переписать в следующем виде:
;
.
Напомним, что через обозначается прогноз, сделанный в моментt наτшагов вперед, т.е. в данном случае через обозначен прогноз, произведенный в момент(t-1)на один шаг вперед.
Частным случаем модели Хольта является модель линейного ряда Брауна:
;
,
Здесь β – параметр дисконтирования(0<β<1), характеризующий уменьшение веса данных наблюдения за единицу времени.
Введение дополнительного члена в модель, учитывающего разность ошибок прогнозирования, не привело к ее значительному улучшению, и она не получила широкого распространения.
Понятие экспоненциальной средней можно обобщить на случай экспоненциальных средних более высоких порядков. Выравнивание р-го порядка по формуле
,
является простым экспоненциальным сглаживанием, примененным к результатам сглаживания (р-1)-го порядка. В общем случае принимается гипотеза, что исследуемый процесс, состоящий из детерминированной и случайной компоненты, может быть описан полиномомq-го порядка, а прогноз наτшагов вперед осуществляется по формуле
,
где - параметры, подлежащие определению.
В фундаментальной теореме метода экспоненциального сглаживания утверждается, что (q+1)неизвестных коэффициентов полиномаq-го порядка могут быть оценены с помощью линейных комбинаций(q+1)значений , . Следовательно, задача в данном случае сводится к вычислению значений функций сглаживания и через их линейные комбинации – к определению коэффициентов полинома.
В практических расчетах обычно используются полиномы не выше второго порядка. В таблице 5.1. приведены соответствующие формулы расчета по этим моделям.
Таблица 5.1.
Рекуррентные формулы для расчета параметров адаптивных полиномиальных моделей
Степень полино-миаль-ной модели |
Экспоненциаль-ные средние |
Начальные условия |
Оценки коэффициентов |
Прогнозная модель |
0 |
|
|
| |
1 |
|
|
| |
2 |
|
|
|
|
Процедура построения прогнозной модели методом экспоненциального сглаживания сравнительна проста. Определив одним из возможных способов параметр сглаживания αи начальные условияпо соответствующим формулам, приведенным в таблице 5.1., рассчитывают экспоненциальные средние, коэффициенты моделии прогноз наτшагов вперед. Ошибки прогнозов, вычисленные на каждом шаге процедуры, накапливаются для дальнейшей оценки точности прогноза. Окончательная прогнозная модель формируется на последнем шаге вычислений приt=nпо последним значениям коэффициентов. Подставляя в нее заданное время упреждения прогнозаτ, получают результат прогнозирования. При поступлении новой информации, приняв в качестве начальных условий последние значения функции сглаживанияможно продолжать дальнейшее сглаживание.
Необходимые для расчета начальные условия в случае отсутствия априорной информации о характере исследуемого процесса могут быть получены путем оценивания параметров кривой роста , построенной по нескольким первым точкам ряда. Использование же в качестве начальных условий только первого уровня ряда нежелательно ввиду возможной его вариации, которая при малом объеме выборке может значительно исказить прогнозные расчеты.
Одним из наиболее сложных моментов использования метода экспоненциального сглаживания является выбор величины параметра сглаживания α. С одной стороны, повышение скорости реакции модели на резкое изменение процесса, увеличение веса более «свежих» наблюдений может быть достигнуто при выборе больших значенийα. С другой стороны, стремление лучше сгладить случайные отклонений и обеспечить устойчивость модели к кратковременным разовым изменениям процесса диктует необходимость уменьшений α. Автор метода экспоненциального сглаживания Р. Браун предложил следующую формулу расчетаα:
,
где m– число уровней, входящих в интервал сглаживания. В качестве удовлетворительного практического компромисса он рекомендовал братьαв пределах от 0,01 до 0,3. Однако ряд исследований показал, что наилучшим параметром сглаживания может бытьα>0,3. Следует отметить, что близость величины параметра сглаживания к единице является симптомом неправильного выбора структуры модели, хотя при краткосрочном прогнозировании выбор больших значенийα, позволяющих учитывать ценность более «свежих» данных, вполне оправдана.
Поэтому величину m, как и непосредственно параметрα, лучше определять эмпирическим путем. Поиск оптимальных значений параметра сглаживания для адаптивных полиномиальных моделей может также осуществляться путем перебора его различных значений. В этом случае в качестве оптимального выбирается то значениеα, при котором получена наименьшая дисперсия ошибки, вычисленная либо относительно всех сглаженных уровней динамического ряда, либо не использованных в расчетах уровней, специально оставленных для проверки качества прогнозных моделей.
Порядок адаптивной полиномиальной модели обычно определяется на основе визуального анализа графика процесса, качественного анализа, с помощью метода изменения разностей, а также сравнения статистических характеристик моделей на участке обучения и ретроспективного прогноза.
Пример. Построить адаптивную модель Хольта по имеющимся данным об объеме привлеченных средств (депозитах) в коммерческом банке.
1 год |
Депозиты, в тыс.руб. |
2 год |
Депозиты, в тыс.руб. |
3 год |
Депозиты, в тыс.руб. |
Январь |
19888 |
Январь |
43120 |
Январь |
43538 |
Февраль |
21250 |
Февраль |
40783 |
Февраль |
46257 |
Март |
23750 |
Март |
39034 |
Март |
50713 |
Апрель |
26147 |
Апрель |
38457 |
Апрель |
54522 |
Май |
26357 |
Май |
40963 |
Май |
57063 |
Июнь |
31256 |
Июнь |
44374 |
Июнь |
61258 |
Июль |
32893 |
Июль |
44757 |
Июль |
64994 |
Август |
35625 |
Август |
44325 |
Август |
68119 |
Сентябрь |
33354 |
Сентябрь |
43938 |
Сентябрь |
71871 |
Октябрь |
40953 |
Октябрь |
43319 |
Октябрь |
71578 |
Ноябрь |
41872 |
Ноябрь |
43496 |
Ноябрь |
72462 |
Декабрь |
42187 |
Декабрь |
43679 |
Декабрь |
73071 |
Параметры сглаживания возьмем равные .
1. Начальные значения параметров приt=0 оценим по пяти первым точкам временного ряда с помощью метода наименьших квадратов. Расчеты удобно выполнить с помощью мастер-диаграмм ПППExcel. Для нахождения коэффициентов добавим линию тренда на графике временного ряда. Результаты линейной аппроксимации приведены на рис. 5.2.
Рис.5.2. Оценка линии регрессии методом наименьших квадратов
по пяти начальным точкам
Уравнение тренда имеет вид , откуда начальные значения параметров модели, соответствующие моменту времениt=0:
.
2. Используя начальные оценки параметров , соответствующие параметру времениt=0, находим оценки коэффициентов на момент времениt=1:
;
;
, .
3. Находим значение для момента времениt=1 по формуле:
Корректируем параметры для момента времениt=2:
;
;
, .
6. Находим значение для момента времениt=2по формуле:
7. Далее возвращаемся к пункту 5 и повторяем вычисления до конца наблюдений.
Результаты расчетов приведены в таблице 5.2.
Таблица 5.2
Результаты расчета прогнозной модели Хольта при
t | ||||||
0 |
|
18128.000 |
1783.500 |
|
|
|
1 |
19888 |
19895.050 |
1770.340 |
19911.500 |
-23.500 |
0.12 |
2 |
21250 |
20421.217 |
775.002 |
21665.390 |
-415.390 |
1.95 |
3 |
23750 |
21233.866 |
805.119 |
21196.219 |
2553.781 |
10.75 |
4 |
26147 |
23236.695 |
1763.288 |
22038.985 |
4108.015 |
15.71 |
5 |
26357 |
25802.895 |
2405.617 |
24999.983 |
1357.017 |
5.15 |
6 |
31256 |
26912.454 |
1368.770 |
28208.512 |
3047.488 |
9.75 |
7 |
32893 |
30363.567 |
3034.645 |
28281.224 |
4611.776 |
14.02 |
8 |
35625 |
33044.564 |
2751.726 |
33398.212 |
2226.788 |
6.25 |
9 |
33354 |
35676.387 |
2655.804 |
35796.290 |
-2442.290 |
7.32 |
10 |
40953 |
34847.457 |
-131.983 |
38332.191 |
2620.809 |
6.40 |
11 |
41872 |
39081.742 |
3361.031 |
34715.474 |
7156.526 |
17.09 |
12 |
42187 |
42043.232 |
3041.398 |
42442.774 |
-255.774 |
0.61 |
13 |
43120 |
43056.289 |
1418.725 |
45084.630 |
-1964.630 |
4.56 |
14 |
40783 |
43526.504 |
659.917 |
44475.014 |
-3692.014 |
9.05 |
15 |
39034 |
41804.026 |
-1245.999 |
44186.421 |
-5152.421 |
13.20 |
16 |
38457 |
39491.208 |
-2099.454 |
40558.028 |
-2101.028 |
5.46 |
17 |
40963 |
38137.426 |
-1502.917 |
37391.754 |
3571.246 |
8.72 |
18 |
44374 |
39664.453 |
921.038 |
36634.510 |
7739.490 |
17.44 |
19 |
44757 |
43237.447 |
3042.603 |
40585.491 |
4171.509 |
9.32 |
20 |
44325 |
45213.915 |
2189.695 |
46280.050 |
-1955.050 |
4.41 |
21 |
43938 |
45248.583 |
465.673 |
47403.610 |
-3465.610 |
7.89 |
22 |
43319 |
44470.877 |
-529.030 |
45714.256 |
-2395.256 |
5.53 |
23 |
43496 |
43505.854 |
-877.824 |
43941.847 |
-445.847 |
1.03 |
24 |
43679 |
43235.609 |
-391.761 |
42628.030 |
1050.970 |
2.41 |
25 |
43538 |
43428.454 |
75.924 |
42843.848 |
694.152 |
1.59 |
26 |
46257 |
43527.914 |
94.752 |
43504.379 |
2752.621 |
5.95 |
27 |
50713 |
45466.700 |
1569.979 |
43622.666 |
7090.334 |
13.98 |
28 |
54522 |
49610.104 |
3628.719 |
47036.679 |
7485.321 |
13.73 |
29 |
57063 |
54137.047 |
4347.298 |
53238.823 |
3824.177 |
6.70 |
30 |
61258 |
57489.404 |
3551.345 |
58484.345 |
2773.655 |
4.53 |
31 |
64994 |
61192.825 |
3673.006 |
61040.749 |
3953.251 |
6.08 |
32 |
68119 |
64955.549 |
3744.781 |
64865.830 |
3253.170 |
4.78 |
33 |
71871 |
68293.399 |
3419.236 |
68700.330 |
3170.670 |
4.41 |
34 |
71578 |
71823.491 |
3507.920 |
71712.635 |
-134.635 |
0.19 |
35 |
72462 |
72704.023 |
1406.010 |
75331.411 |
-2869.411 |
3.96 |
36 |
73071 |
72956.410 |
483.111 |
74110.034 |
-1039.034 |
1.42 |
|
|
|
|
среднее |
1412.802 |
6.99 |
На последнем шаге получили следующую прогнозную модель:
Точечный прогноз на шаг
Точечный прогноз на шаг
Точечный прогноз на шаг
На рисунке 5.3 представлены графики исходного ряда, смоделированного ряда и точечный прогноз на три шага.
Рис. 5.3 Исходный ряд, смоделированный ряд и точечный прогноз