- •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
5.4. Адаптивные модели прогнозирования сезонных процессов
Рассмотрим адаптивные модели аддитивной и мультипликативной формы, имеющие явный механизм отображения сезонного развития исследуемого процесса.
Прогноз в момент времениtнаτшагов вперед по аддитивной модели Хольта-Уинтерса определяется выражением:
, (5.5)
,
,
,
где s - аддитивные сезонные коэффициенты,
L– период сезонности (для квартальных данныхL=4, для месячных данныхL=12).
Текущая оценка формируется на основе двух взвешенных в соответствии со значениями параметра сглаживания компонент – очищенного от сезонных колебаний фактического уровня и его значения в предыдущий период. При определении сезонных коэффициентов берется их последняя оценка, полученная для аналогичной фазы цикла, и новая оценка, учитывающая скорректированную величину среднего уровня.
Прогноз по мультипликативной модели Хольта-Уинтерса определяется выражением:
, (5.6)
,
,
,
Где – мультипликативные сезонные коэффициенты.
Текущая оценка параметра формируется на основе взвешенной суммы текущей оценки, полученной путем исключения сезонных колебаний из ряда фактических значений, предыдущей оценки и оценки коэффициента роста , характеризующего изменение среднего уровня процесса за полный сезонный цикл в единицу времени. При определении сезонного коэффициентаf учитывается скорректированная величина среднего уровня.
Начальные оценки параметров , , f могут быть получены различными способами. Например, начальная величина сезонных коэффициентов может определяться на основе данных первого года наблюдений, путем вычисления отношений каждого уровня ряда к среднегодовой величине. За начальное значение коэффициента можно взять среднюю величину наблюдений первого года, начальное значение коэффициента приравнивается нулю. Начальные значения параметров и можно определить и другими способами, например, построить уравнение регрессии по начальным наблюдениям ряда.
Практика показывает, что при относительном постоянстве амплитуды сезонной волны целесообразно использовать аддитивную модель, а при изменении сезонной волны в соответствии с тенденцией среднего уровня – мультипликативную.
П. Харрисон предложил метод, названный «волновым трендом» (seatrend) для корректировки сезонной компоненты в адаптивных моделях Уинтерса и Брауна. В данном методе для корректировки сезонной компоненты используется гармонический анализ. Сглаженные оценки для векторов сезонных коэффициентов получаются по формуле:
,
где - коэффициенты ряда Фурье,
знак означает суммирование только по статистически значимым гармоникам.
Начальные значения коэффициентов определяются по формулам:
,
,
,,
где - начальные оценки сезонных коэффициентов. Далее коэффициенты пересчитываются по следующим формулам:
,
,
где - ошибка в определении сезонного коэффициента в момент времениt. Величинаetрассчитывается для аддитивной и мультипликативной модели по формулам:
,
,
где at– оценка уровня ряда в момент времениtбез учета сезонной компоненты. В модели Харрисона, таким образом, обновление вектора сезонных коэффициентов происходит на каждом шаге.
Х. Тейл и С. Вейдж предложили для моделирования тренд-сезонных временных рядов использовать аддитивную модель вида:
,
,
,
где аt– значение тренда рядаYtв моментt,
bt– изменение тренда от момента(t-1)к моментуt,
st– сезонная компонента с периодом сезонностиL,
t,vt, qt– случайные некоррелированные величины с нулевым средним значением, постоянной дисперсией и отсутствием автокорреляции.
Данный метод дает наилучшие результаты лишь при соответствии исследуемого процесса стохастическому процессу Тейла-Вейджа. Для рядов, описываемых процессами Тейла-Вейджа, автокорреляционная функция вторых разностей должна иметь следующие свойства:
,
,
при.
Возможно построение сезонных моделей путем комбинирования различных типов тенденций с коэффициентами аддитивного и мультипликативного вида. В зависимости от характера динамики моделируемого процесса в таблице (5.3) приведены девять моделей, объединенных в три группы.
Таблица 5.3
Вид моделируемого процесса
Тенденция Роста
|
Характер сезонного эффекта модели | ||
Отсутствие сезонного эффекта |
Аддитивный сезонный эффект |
Мультипликативный сезонный эффект | |
Отсутствие тенденции роста |
|
|
|
Аддитивный рост | |||
Экспонен-циальный рост |
Следуя данному подходу, для любой из этих моделей оценка параметра осуществляется по формуле:
,
где - параметр сглаживания(01),значенияd1иd2принимают значения в соответствии с типом моделируемого процесса.
Итак, в адаптивных моделях происходит обновление сезонных колебаний на каждом шаге. Использование данных моделей для прогнозирования тренд-сезонных процессов позволит учесть неоднородность сезонных колебаний в различные кварталы (месяцы) и повысить точность прогноза.
Следует отметить, что мультипликативную модель можно преобразовать в аддитивную, если перейти к логарифмам:
, (5.7)
это дает возможность представить экономический процесс, содержащий сезонные колебания в виде различных комбинаций моделей двух типов.
Пример построения моделей Хольта-Уинтерса с аддитивными и мультипликативными коэффициентами сезонности приведен в параграфе 9.2.