Стохастическое моделирование - это форма финансового моделирования, включающая одну или несколько случайных величин. Цель такого моделирования состоит в том, чтобы оценить, как вероятные результаты находятся в пределах прогноза для прогнозирования условий для разных ситуаций. Моделирование методом Монте-Карло является одним из примеров стохастической модели; при использовании для оценки портфеля, различные моделирование того, как портфель может выполнять, разрабатываются на основе распределения вероятностей отдельных возвратов акций.
ВЫКЛЮЧЕНИЕ «Стохастическое моделирование»
Стохастическое моделирование представляет данные или прогнозирует результаты, все из которых учитывают определенные степени непредсказуемости или случайности. Стохастическое моделирование используется во многих отраслях по всему миру, многие из которых зависят от таких моделей для улучшения деловой практики или повышения рентабельности. Например, страховая отрасль в значительной степени полагается на стохастическое моделирование для прогнозирования будущих балансов компаний. Другие отрасли и области исследований, которые зависят от стохастического моделирования, включают в себя инвестирование в акции, статистику, лингвистику, биологию и даже квантовую физику.
Понимание концепции стохастического моделирования
Чтобы понять иногда запутанную концепцию стохастического моделирования, полезно сравнить ее с детерминированным моделированием. В то время как первое дает множество ответов, оценок или результатов, детерминированное моделирование является противоположным. При детерминированном моделировании обычно существует только одно решение или ответ на проблему в большинстве элементарных математик. Детерминированное моделирование также типично диктует наличие только одного набора конкретных значений. Альтернативно, стохастическое моделирование можно сравнить с добавлением вариаций к сложной математической задаче, чтобы увидеть ее влияние на решение. Затем этот процесс повторяется несколькими различными способами для создания ряда решений.
[Стохастическое моделирование - мощный метод прогнозирования, который может быть использован для значительного влияния на инвестиции и реализацию торговых стратегий. Если вы заинтересованы в изучении этого и других видов финансового моделирования, ознакомьтесь с Курсом финансового моделирования Investopedia Academy и овладейте навыками оценки любого финансового проекта.]
Стохастическое моделирование в инвестиционном мире
Стохастические модели инвестиций пытаются прогнозировать изменения цен и доходности активов и классов активов, таких как облигации и акции, с течением времени. В инвестиционном мире стохастические модели можно классифицировать по-разному, имея разные модели для отдельных активов и нескольких активов. Такое моделирование в большинстве случаев используется для финансового планирования и актуарной работы, что позволяет инвесторам и трейдерам оптимизировать распределение активов, а также управление активами и пассивами.
Значение стохастического моделирования является обширным и далеко идущим. Важность того, чтобы иметь возможность рассматривать различные результаты и фактор в различных переменных, не имеет себе равных, и в некоторых отраслях это может означать успех или банкротство компании. Поскольку новые переменные могут вступать в игру в любое время и потому, что количество переменных, которые могут иметь эффект, может быть высоким, стохастические модели иногда выполняются сотни или даже тысячи раз, предлагая потенциальные результаты практически для каждой ситуации в бизнесе, промышленности, портфель или агентство могут столкнуться.
В процессе финансового прогнозирования для расчета финансовых показателей используются такие специфические методы, как математическое моделирование, эконометрическое прогнозирование, экспертные оценки, построение трендов и составление сценариев, стохастические методы.
Математическое моделирование позволяет учесть множество взаимосвязанных факторов, влияющих на показатели финансового прогноза, выбрать из нескольких вариантов проекта прогноза наиболее соответствующий принятой концепции производственного, социально-экономического развития и целям финансовой политики.
Эконометрическое прогнозирование основано на принципах экономической теории и статистики: расчет показателей прогноза осуществляется на основе статистических оценочных коэффициентов при одной или нескольких экономических переменных, выступающих в качестве прогнозных факторов; позволяет рассмотреть одновременное изменение нескольких переменных, влияющих на показатели финансового прогноза. Эконометрические модели описывают с определенной степенью вероятности динамику показателей в зависимости от изменения факторов, влияющих на финансовые процессы. При построении эконометрических моделей используется математический аппарат регрессионного анализа, который дает количественные оценки усредненных взаимосвязей и пропорций, сложившихся в экономике в течение базисного периода. Для получения наиболее надежных результатов экономико-математические методы дополняются экспертными оценками.
Метод экспертных оценок предполагает обобщение и математическую обработку оценок специалистов-экспертов по определенному вопросу. Эффективность этого метода зависит от профессионализма и компетентности экспертов. Такое прогнозирование может быть достаточно точным, однако экспертные оценки носят субъективный характер, зависят от «ощущений» эксперта и не всегда поддаются рациональному объяснению.
Трендовый метод , предполагающий зависимость некоторых групп доходов и расходов лишь от фактора времени, исходит из постоянных темпов изменений (тренд постоянных темпов роста) или постоянных абсолютных изменений (линейный временной тренд). Недостатком данного метода является игнорирование экономических, демографических и других факторов.
Разработка сценариев не всегда исходит из научности и объективности, в них всегда ощущается влияние политических предпочтений, предпочтений отдельных должностных лиц, инвесторов, собственников, но это позволяет оценить последствия реализации тех или иных политических обещаний.
Стохастические методы предполагают вероятностный характер как прогноза, так и связи между используемыми данными и прогнозными финансовыми показателями. Вероятность расчета точного финансового прогноза определяется объемом эмпирических данных, используемых при прогнозировании.
Таким образом, методы финансового прогнозирования различаются по затратам и объемам предоставляемой итоговой информации: чем сложнее метод прогнозирования, тем больше связанные с ним затраты и объемы получаемой с его помощью информации.
Точность прогнозов
Основными критериями при оценке эффективности модели, используемой в прогнозировании, служат точность прогноза и полнота представления будущего финансового состояния прогнозируемого объекта. Вопрос с точностью прогноза несколько более сложен и требует более пристального внимания. Точность или ошибка прогноза - это разница между прогнозным и фактическим значениями. В каждой конкретной модели эта величина зависит от ряда факторов.
Чрезвычайно важную роль играют исторические данные, используемые при выработке модели прогнозирования. В идеале желательно иметь большое количество данных за значительный период времени. Кроме того, используемые данные должны быть "типичными" с точки зрения ситуации. Стохастические методы прогнозирования, использующие аппарат математической статистики, предъявляют к историческим данным вполне конкретные требования, в случае невыполнения которых не может быть гарантирована точность прогнозирования. Данные должны быть достоверны, сопоставимы, достаточно представительны для проявления закономерности, однородны и устойчивы.
Точность прогноза однозначно зависит от правильности выбора метода прогнозирования в том или ином конкретном случае. Однако это не означает, что в каждом случае применима только какая-нибудь одна модель. Вполне возможно, что в ряде случаев несколько различных моделей выдадут относительно надежные оценки. Основным элементом в любой модели прогнозирования является тренд или линия основной тенденции изменения ряда. В большинстве моделей предполагается, что тренд является линейным, однако такое предположение не всегда закономерно и может отрицательно повлиять на точность прогноза. На точность прогноза также влияет используемый метод отделения от тренда сезонных колебаний - сложения или умножения. При использовании методов регрессии крайне важно правильно выделить причинно-следственные связи между различными факторами и заложить эти соотношения в модель.
Прежде чем использовать модель для составления реальных прогнозов, ее необходимо проверить на объективность, с тем чтобы обеспечить точность прогнозов. Этого можно достичь двумя разными путями:
Результаты, полученные с помощью модели, сравниваются с фактическими значениями через какой-то промежуток времени, когда те появляются. Недостаток такого подхода состоит в том, что проверка "беспристрастности" модели может занять много времени, так как по-настоящему проверить модель можно только на продолжительном временном отрезке.
Модель строится исходя из усеченного набора имеющихся исторических данных. Оставшиеся данные 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.
В свете вышесказанного относительно проверки модели становится ясным, что для того, чтобы уменьшить ожидаемые ошибки, придется вносить изменения в уже существующую модель. Такие изменения вносятся на протяжении всего периода применения модели в реальной жизни. Непрерывное внесение изменений возможно 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. Таким образом, 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.
Виды прогнозов
Различают три основных вида прогноза: технологический, экономический и прогноз объема продаж (спроса).
1. Технологические прогнозы охватывают уровень развития НТП или технологическое развитие в сферах, непосредственно влияющих на производство, в котором осуществляется прогноз. Например, предприятие, выпускающее компьютеры, интересует перспективы расширения объема памяти на дискетах, т.к. они являются дополнительной продукцией для использования компьютеров, а предприятие, использующее вредные, токсичные вещества в своем производстве, интересует разработка технологий по очистке и утилизации отходов.
Развитие НТП приводит к появлению новых товаров и услуг, а те, в свою очередь, составляют серьезную конкуренцию существующим предприятиям. Грамотно сделанный прогноз позволит сэкономить финансовые ресурсы, предскажет развитие новых технологий, даже если научно-технические изменения не повлияли на производство продукции.
2. Экономический прогноз позволяет предусмотреть будущее состояние экономики, процентные ставки и другие факторы, влияющие на развитие любого предприятия. От результатов экономического прогноза зависят такие решения как: расширение или сокращение производственных мощностей; заключение новых договоров; увольнение или наем рабочих и т.д.
3. Представление о реальном уровне спроса на продукцию предприятия на конкретный период в будущем дает прогноз объема продаж. Такой прогноз является основой для планирования и проведения экономических расчетов. На спрос влияют множество факторов, учет которых можно выявить с помощью составления прогноза объема продаж (спроса). В качестве базы для будущего прогноза используются такие показатели, как уровень спроса в предшествующем периоде, демографические изменения, изменения рыночных долей отраслевых организаций, динамику политической ситуации, интенсивность рекламы, конкурентов и др.
В экономически развитых странах все большее распространение получает использование формализованных моделей управления финансами. Степень формализации находится в прямой зависимости от размеров предприятия: чем крупнее фирма, тем в большей степени ее руководство может и должно использовать формализованные подходы в финансовой политике. В западной научной литературе отмечается, что около 50% крупных фирм и около 18% мелких и средних фирм предпочитает ориентироваться на формализованные количественные методы в управлении финансовыми ресурсами и анализе финансового состояния предприятия. Ниже приведена классификация именно количественных методов прогнозирования финансового состояния предприятия.
Исходным пунктом любого из методов является признание факта некоторой преемственности (или определенной устойчивости) изменений показателей финансово-хозяйственной деятельности от одного отчетного периода к другому. Поэтому, в общем случае, перспективный анализ финансового состояния предприятия представляет собой изучение его финансово-хозяйственной деятельности с целью определения финансового состояния этого предприятия в будущем.
Существует определенное количество методик прогнозирования, которые могут быть использованы в реальной практике коммерческих фирм. Модели прогнозирования можно разбить на три группы:
џ качественные;
џ статистические;
џ факторные.
Эти три группы различаются по степени точности прогноза в долгосрочном и краткосрочном периодах, степени сложности и трудоемкости при расчетах, а также по источнику, из которого черпаются исходные данные для прогнозирования (например, экспертные оценки, маркетинговые исследования, статистика и пр.).
В качественных методах прогнозирование основывается на мнениях и суждениях экспертов, интуиции сотрудников, результатах маркетинговых исследований или сравнении с деятельностью конкурирующих предприятий. Информация такого рода, как правило, не содержит в себе количественных данных, является приблизительной и часто носит субъективный характер.
Разумеется, что из-за этого качественные методы не отвечают строгим научным критериям. Однако в случаях, когда статистические данные не доступны или нет уверенности, что статистические закономерности сохранятся в будущем, у качественных методов просто нет альтернатив. И хотя эти методы нельзя практически стандартизировать и добиться от них высокой точности прогноза, однако они с успехом могут использоваться при оценке рыночных перспектив нового продукта или новой технологии, прогнозировании изменений в законодательстве или правительственной политики и т. д. Как правило, качественные методы используются при средне - и долгосрочном прогнозировании.
В случаях, когда фирме доступен достаточно большой объем статистических данных и есть уверенность, что тренд или сезонные колебания достаточно стабильны, то статистические методы показывают высокую эффективность при составлении краткосрочных прогнозов спроса на товары. Главной предпосылкой статистических методик является предположение, что будущее является продолжением прошлого. Поскольку статистические данные, как правило, носят количественный характер, то при прогнозировании широко используются различные математические и количественные модели, заимствованные, прежде всего, из области статистики. Точность прогноза на период до 6 месяцев обычно является достаточно высокой. Это объясняется тем, что в краткосрочном периоде тенденции спроса обычно достаточно устойчивы.
Статистические прогнозы напрямую зависят от имеющихся исходных данных. Чем обширнее статистическая база, тем точнее прогноз. По мере поступления новых статистических данных постепенно меняется и прогноз на будущее. Вместе с тем при переломе тенденции статистический прогноз сигнализирует об этом с некоторым запозданием. Это является серьезным недостатком статистических моделей и накладывает на них определенные ограничения при практическом использовании.
Главной предпосылкой для использования факторных моделей при прогнозировании спроса является тот факт, что динамика спроса обусловлена целым рядом взаимно обусловленных причин, которые иногда можно выявить и проанализировать. Например, на уровень спроса положительно влияет уровень потребительского обслуживания. В этом случае при целенаправленной политике фирмы по повышению уровня сервиса можно ожидать увеличения объема спроса. В таких случаях говорят, что уровень обслуживания потребителей является фактором роста уровня спроса. В случае, когда удается полно и качественно выявить все причинно-следственные связи и описать их, факторные модели позволяют прогнозировать с высокой степенью точности будущие изменения спроса в средне - и долгосрочном периодах.
Факторные модели имеют несколько разновидностей:
- 1). џ статистические - например, регрессионные или эконометрические модели;
- 2).џ дескриптивные - например, при описании объекта по методу «черного ящика», описании жизненного цикла объекта или компьютерном имитационном моделировании.
При прогнозировании результирующих показателей используются в той или иной степени статистические данные по факторным показателям. И на основании прогноза факторных показателей выстраивается прогноз результирующего показателя.
Основной проблемой, затрудняющей применение факторных моделей на практике, является то, что найти, выявить и описать причинно-следственные связи достаточно сложно. Даже если некоторые такие взаимосвязи выявлены, часто оказывается, что в рассматриваемом периоде эти связи не являются определяющими при прогнозировании спроса. Для качественного прогноза с помощью факторной модели требуется выявить и описать все наиболее важные и значимые факторы влияния, но именно это как раз и бывает сложно сделать. Кроме того, для прогноза необходимо иметь статические данные не только по результирующим, но и по факторным показателям, причем за период не менее чем 6 месяцев. Из этих проблем точность факторных моделей, к сожалению, оказывается не слишком высока. Перечень прогнозируемых показателей может ощутимо варьировать. Этот набор величин можно принять в качестве первого критерия для классификации методов. Итак, по набору прогнозируемых показателей методы прогнозирования можно разделить на:
- 1. Методы, в которых прогнозируется один или несколько отдельных показателей, представляющих наибольший интерес и значимость для аналитика, например, выручка от продаж, прибыль, себестоимость продукции и т. д.
- 2. Методы, в которых строятся прогнозные формы отчетности целиком в типовой или укрупненной номенклатуре статей. На основании анализа данных прошлых периодов прогнозируется каждая статья баланса и отчета и финансовых результатах. Огромное преимущество методов этой группы состоит в том, что полученная отчетность позволяет всесторонне проанализировать финансовое состояние предприятия. Аналитик получает максимум информации, которую он может использовать для различных целей, например, для определения допустимых темпов наращивания производственной деятельности, для исчисления необходимого объема дополнительных финансовых ресурсов из внешних источников, расчета любых финансовых коэффициентов и т. д.
Методы прогнозирования отчетности, в свою очередь, делятся на методы, в которых каждая статья прогнозируется отдельно исходя из ее индивидуальной динамики, и методы, учитывающие существующую взаимосвязь между отдельными статьями как в пределах одной формы отчетности, так и из разных форм. Действительно, различные строки отчетности должны изменяться в динамике согласованно, так как они характеризуют одну и ту же экономическую систему.
В зависимости от вида используемой модели все методы прогнозирования можно подразделить на три большие группы:
- 1. Методы экспертных оценок, которые предусматривают многоступенчатый опрос экспертов по специальным схемам и обработку полученных результатов с помощью инструментария экономической статистики. Это наиболее простые и достаточно популярные методы, история которых насчитывает не одно тысячелетие. Применение этих методов на практике, обычно, заключается в использовании опыта и знаний торговых, финансовых, производственных руководителей предприятия. Как правило, это обеспечивает принятие решения наиболее простым и быстрым образом. Недостатком является снижение или полное отсутствие персональной ответственности за сделанный прогноз. Экспертные оценки применяются не только для прогнозирования значений показателей, но и в аналитической работе, например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т. п.
- 2. Стохастические методы, предполагающие вероятностный характер, как прогноза, так и самой связи между исследуемыми показателями. Вероятность получения точного прогноза растет с ростом числа эмпирических данных. Эти методы занимают ведущее место с позиции формализованного прогнозирования и существенно варьируют по сложности используемых алгоритмов. Наиболее простой пример - исследование тенденций изменения объема продаж с помощью анализа темпов роста показателей реализации. Результаты прогнозирования, полученные методами статистики, подвержены влиянию случайных колебаний данных, что может иногда приводить к серьезным просчетам.
Стохастические методы можно разделить на три типовые группы, которые будут названы ниже. Выбор для прогнозирования метода той или иной группы зависит от множества факторов, в том числе и от имеющихся в наличии исходных данных.
Первая ситуация - наличие временного ряда - встречается на практике наиболее часто: финансовый менеджер или аналитик имеет в своем распоряжении данные о динамике показателя, на основании которых требуется построить приемлемый прогноз. Иными словами, речь идет о выделении тренда. Это можно сделать различными способами, основными из которых являются простой динамический анализ и анализ с помощью авторегрессионых зависимостей.
Вторая ситуация - наличие пространственной совокупности - имеет место в том случае, если по некоторым причинам статистические данные о показателе отсутствуют, либо есть основание полагать, что его значение определяется влиянием некоторых факторов. В этом случае может применяться многофакторный регрессионный анализ, представляющий собой распространение простого динамического анализа на многомерный случай.
Третья ситуация - наличие пространственно-временной совокупности -имеет место в том случае, когда: а) ряды динамики недостаточны по своей длине для построения статистически значимых прогнозов; б) аналитик имеет намерение учесть в прогнозе влияние факторов, различающиеся по экономической природе и их динамике. Исходными данными служат матрицы показателей, каждая из которых представляет собой значения тех же самых показателей за различные периоды или на разные последовательные даты.
3. Детерминированные методы, предполагающие наличие функциональных или жестко детерминированных связей, когда каждому значению факторного признака соответствует вполне определенное неслучайное значение результативного признака. В качестве примера можно привести зависимости, реализованные в рамках известной модели факторного анализа фирмы Дюпон. Используя эту модель и подставляя в нее прогнозные значения различных факторов, например выручки от реализации, оборачиваемости активов, степени финансовой зависимости и других, можно рассчитать прогнозное значение одного из основных показателей эффективности - коэффициента рентабельности собственного капитала.
Другим весьма наглядным примером служит форма отчета о прибылях и убытках, представляющая собой табличную реализацию жестко детерминированной факторной модели, связывающей результативный признак (прибыль) с факторами (доход от реализации, уровень затрат, уровень налоговых ставок и др.).
Здесь нельзя не упомянуть об еще одной группе методов, основанных на построении динамических имитационных моделей предприятия. В такие модели включаются данные о планируемых закупках материалов и комплектующих, объемах производства и сбыта, структуре издержек, инвестиционной активности предприятия, налоговом окружении и т.д. Обработка этой информации в рамках единой финансовой модели позволяет оценить прогнозное финансовое состояние компании с очень высокой степенью точности. Реально такого рода модели можно строить только с использованием персональных компьютеров, позволяющих быстро производить огромный объем необходимых вычислений. Однако эти методы не являются предметом настоящей работы, поскольку должны иметь под собой гораздо более широкое информационное обеспечение, чем бухгалтерская отчетность предприятия, что делает невозможным их применение внешними аналитиками.
Формализованные модели прогнозирования финансового состояния предприятия подвергаются критике по двум основным моментам:
- а) в ходе моделирования могут, а фактически и должны быть разработаны несколько вариантов прогнозов, причем формализованными критериями невозможно определить, какой из них лучше;
- б) любая финансовая модель лишь упрощенно выражает взаимосвязи между экономическими показателями. На самом деле оба эти тезиса вряд ли имеют негативный оттенок; они лишь указывают аналитику на существующие ограничения любого метода прогнозирования, о которых необходимо помнить при использовании результатов прогноза.
Каждое значение временного ряда может состоять из следующих составляющих: тренда, циклических, сезонных и случайных колебаний. Метод простого динамического анализа используется для определения тренда имеющегося временного ряда. Данную составляющую можно рассматривать в качестве общей направленности изменений значений ряда или основной тенденции ряда. Циклическими называются колебания относительно линии тренда для периодов свыше одного года. Такие колебания в рядах финансовых и экономических показателей часто соответствуют циклам деловой активности: резкому спаду, оживлению, бурному росту и застою. Сезонными колебаниями называются периодические изменения значений ряда на протяжении года. Их можно вычленить после анализа тренда и циклических колебаний. Наконец, случайные колебания выявляются путем снятия тренда, циклических и сезонных колебаний для данного значения. Остающаяся после этого величина и есть беспорядочное отклонение, которое необходимо учитывать при определении вероятной точности принятой модели прогнозирования.
Метод простого динамического анализа исходит из предпосылки, что прогнозируемый показатель (Y) изменяется прямо (обратно) пропорционально с течением времени. Поэтому для определения прогнозных значений показателя Y строится, например, следующая зависимость:
Y t = a + b*t, (1.1)
где t - порядковый номер периода.
Параметры уравнения регрессии (а,b) находятся, как правило, методом наименьших квадратов. Существуют также другие критерии адекватности. Для понимания сущности данного вопроса необходимо предварительно дать определения понятий - метод.
Применительно к экономической науке и практике - метод - это:
- 1) система правил и приемов подхода к изучению явлений и закономерностей природы, общества и мышления;
- 2) путь, способ достижения определенных результатов в познании и практике;
- 3) прием теоретического исследования или практического осуществления чего-нибудь, исходящий из знания закономерностей развития объективной действительности и исследуемого предмета, явления, процесса.
Методы прогнозирования - это совокупность приёмов и способов мышления, позволяющих на основе анализа ретроспективных данных об исследуемом объекте вывести суждения определённой достоверности относительно будущего развития объекта.
Вся совокупность методов прогнозирования может быть представлена двумя группами - в зависимости от степени их однородности:
- · простые методы;
- · комплексные методы.
Группа простых методов объединяет однородные по содержанию и используемому инструментарию методы прогнозирования (например, экстраполяция тенденций, морфологический анализ и др.).
Комплексные методы отражают совокупности, комбинации методов, чаще всего реализуемые специальными прогностическими системами.
Кроме того, все методы прогнозирования поделены еще на три класса:
- · фактографические методы;
- · экспертные методы;
- · комбинированные методы.
В основу их выделения положен характер информации, на базе которой составляется прогноз:
- 1) фактографические методы базируются на фактическом информационном материале о прошлом и настоящем развитии объекта прогнозирования. Чаще всего применяются при поисковом прогнозировании для эволюционных процессов;
- 2) экспертные (интуитивные) методы основаны на использовании знаний специалистов-экспертов об объекте прогнозирования и обобщении их мнений о развитии (поведении) объекта в будущем. Экспертные методы в большей мере соответствуют нормативному прогнозированию скачкообразных процессов;
- 3) комбинированные методы включают методы со смешанной информационной основой, в которых в качестве первичной информации наряду с экспертной используется и фактографическая.
В свою очередь, каждый из перечисленных классов также подразделяется на группы и подгруппы. Так, среди фактографических методов выделяются группы:
- · статистических (параметрических) методов;
- · опережающих методов.
Группа статистических методов включает методы, основанные на построении и анализе динамических рядов характеристик (параметров) объекта прогнозирования. Среди них наибольшее распространение получили экстраполяция, интерполяция, метод аналогий (модель подобия), параметрический метод и др.
Группа опережающих методов состоит из методов, основанных на использовании свойства научно-технической информации опережать реализацию научно-технических достижений. Среди методов этой группы выделяется публикационный, основанный на анализе и оценке динамики публикаций.
Среди экспертных методов выделяют группы по следующим признакам:
- · по количеству привлеченных экспертов;
- · по наличию аналитической обработки данных экспертизы (табл. 3).
Прогнозирование спроса в теории осуществляется различными методами. На практике, как правило, реализуется комплексный подход, учитывающий сильные и слабые стороны применяемых методов. Общие методы прогнозирования спроса основываются на:
- · Метод экспертных оценок;
- · Статистические методы (фактографические);
- · Комбинированные методы.
Статистические методы прогнозирования:
В методическом плане основным инструментом любого прогноза является схема экстраполяции. Сущность экстраполяции заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций развития объекта прогноза и переносе их на будущее.
Методы экстраполяции трендов, основанные на статистическом анализе временных рядов, позволяют прогнозировать темпы роста продажи товаров в ближайшей перспективе, исходя из тенденций, сложившихся в прошедшем периоде времени. Обычно методы экстраполяции трендов применяются в краткосрочном (не более одного года) прогнозировании, когда число изменений в среде минимально. Прогноз создается для каждого конкретного объекта отдельно и последовательно на каждый следующий момент времени. Если прогноз составляется для товара, в задачи прогнозирования, основанного на экстраполяции трендов, входят анализ спроса и анализ продаж этого товара. Результаты прогнозирования используются во всех сферах внутрифирменного планирования, включая общее стратегическое планирование, финансовое планирование, планирование производства и управления запасами, маркетинговое планирование и управление торговыми потоками и торговыми операциями.
Наиболее распространенными методами экстраполяции трендов являются:
- · метод скользящего среднего;
- · метод экспоненциального сглаживания;
- · Прогнозирование на основе метода сезонных колебаний;
Необходимость применения скользящей средней вызывается следующими обстоятельствами. Бывают случаи, когда имеющиеся данные динамического ряда не позволяют обнаруживать какую-либо тенденцию развития (тренд) того или иного процесса (из-за случайных и периодических колебаний исходных данных). В таких случаях для лучшего выявления тенденции прибегают к методу скользящей средней.Экстраполяция по скользящей средней - может применяться для целей краткосрочного прогнозирования.
Метод скользящей средней состоит в замене фактических уровней динамического ряда расчетными, имеющими значительно меньшую колеблемость, чем исходные данные. При этом средняя рассчитывается по группам данных за определенный интервал времени, причем каждая последующая группа образуется со сдвигом на один год (месяц). В результате подобной операции первоначальные колебания динамического ряда сглаживаются, поэтому и операция называется сглаживанием рядов динамики (основная тенденция развития выражается при этом уже в виде некоторой плавной линии).
Метод скользящей средней называется так потому, что при вычислении средние как бы скользят от одного периода к другому; с каждым новым шагом средняя как бы обновляется, впитывая в себя новую информацию о фактически реализуемом процессе. Таким образом, при прогнозировании исходят из простого предположения, что следующий во времени показатель по своей величине будет равен средней, рассчитанной за последний интервал времени.
· Экспоненциальная средняя. При рассмотрении скользящей средней было отмечено, что чем "старше" наблюдение, тем меньше оно должно оказывать влияние на величину скользящей средней. То есть влияние прошлых наблюдений должно затухать по мере удаления от момента, для которого определяется средняя.
Одним из простейших приемов сглаживания динамического ряда с учетом "устаревания" является расчет специальных показателей, получивших название экспоненциальных средних, которые широко применяются в краткосрочном прогнозировании. Основная идея метода состоит в использовании в качестве прогноза линейной комбинации прошлых и текущих наблюдений. Экспоненциальная средняя рассчитывается по формуле:
Qt+1 = L*yt + (1 - L) * Q t-1 (1.2)
Где Q - экспоненциальная средняя (сглаженное значение уровня ряда);
L - коэффициент, характеризующий вес текущего наблюдения при расчете экспоненциальной средней (параметр сглаживания), 0 t - индекс текущего периода; y - фактическое значение уровня ряда. Метод экспоненциального сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов. Применение скользящей и экспоненциальных средних в качестве основы для прогностической оценки имеет смысл лишь при относительно небольшой колеблемости уровней. Данные методы прогнозирования относятся к числу наиболее распространенных методов экстраполяции трендов. · Прогнозирование на основе сезонных колебаний. Сезонные колебания -- повторяющиеся из года в год изменения показателя в определенные промежутки времени. Наблюдая их в течение нескольких лет для каждого месяца (или квартала), можно вычислить соответствующие средние, или медианы, которые принимаются за характеристики сезонных колебаний. Одним из статистических методов прогнозирования является расчет прогнозов на основе сезонных колебаний уровней динамического ряда. При этом под сезонными колебаниями понимаются такие изменения уровня динамического ряда, которые вызываются влияниями времени года. Проявляются они с различной интенсивностью во всех сферах жизни общества: производстве, обращении и потреблении. Их роль очень велика в торговле продуктами питания, на транспорте и др. Сезонные колебания строго цикличны - повторяются через каждый год, хотя сама длительность времен года имеет колебания. Для изучения сезонных колебаний необходимо иметь уровни за каждый квартал, а лучше за каждый месяц, иногда даже за декады, хотя декадные уровни могут уже сильно исказиться мелкомасштабной случайной колеблемостью. Методика статистического прогноза по сезонным колебаниям основана на их экстраполяции, т.е. на предположении, что параметры сезонных колебаний сохраняются до прогнозируемого периода. В общем виде индексы сезонности определяются отношением исходных (эмпирических) уровней ряда к теоретическим (расчетным) уровням, выступающих в качестве базы сравнения. Индексы сезонности рассчитываются по формуле: Is t = Yt * Yi (1.3) где Is t - индивидуальный индекс сезонности; Yt - эмпирический уровень ряда динамики; Yi - теоретический уровень ряда динамики. В результате того, что в формуле измерение сезонных колебаний проводится на базе соответствующих теоретических уровней тренда, в индивидуальных индексах сезонности влияние основной тенденции развития устраняется. Поскольку на сезонные колебания могут накладываться случайные отклонения, для их устранения производится усреднение индивидуальных индексов сезонности одноименных внутригодовых периодов анализируемого ряда динамики. Поэтому для каждого периода годового цикла определяются обобщенные показатели в виде средних индексов сезонности (Is): Is = Is t / n (1.4) где n - число периодов годового цикла. Рассчитанные таким образом средние индексы сезонности свободны от влияния основной тенденции развития и случайных отклонений. · Прогнозирование методом линейной регрессии. Прогнозирование методом линейной регрессии - является одним из наиболее широко применяемых формализованных методов прогнозирования. Метод базируется на взаимосвязи (линейной зависимости) факторного и результативного показателя: Y (x) = a + bx (1.5) где x - факторный показатель; Y - результативный показатель. Приведенные методы измерения сезонных колебаний не являются единственными. Так, для выявления сезонных колебаний можно применять и рассмотренный выше метод скользящей средней, и другие методы. Комбинированные методы: На практике существует тенденция сочетать различные методы прогнозирования спроса. Поскольку итоговый прогноз играет очень важную роль для всех аспектов внутрифирменного планирования, то желательно создать прогнозную систему, в которой может использоваться любой вводимый фактор. Также при составлении прогноза важно учитывать риски: Рис.1.Риски влияющие на прогнозирование;
В рамках своей диссертации « » мне нужно было делать обзор моделей прогнозирования
. Кроме обзора, я сделала вариант классификации, который мне тогда не очень удался. Классификацию уже немного поправила, теперь хочется разобраться в существующих моделях прогнозирования временных рядов. Такие модели называют стохастическими моделями (stochastic models). По оценке некто Тихонова в его «Прогнозировании в условиях рынка » на сегодняшний день (2006 год) существует около 100 методов и моделей прогнозирования. Эта оценка звучит бредово, я полно разбирала ее ! Давайте теперь вместе разберемся, какие же модели прогнозирования временных рядов существуют на сегодняшний день. PS. Всех любителей FOREX и всякого рода бирж большая просьба не долбится ко мне в личку! Вы мне ужасно надоели! 480 руб. | 150 грн. | 7,5 долл. ", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Диссертация - 480 руб., доставка 10 минут
, круглосуточно, без выходных и праздников 240 руб. | 75 грн. | 3,75 долл. ", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Автореферат - 240 руб., доставка 1-3 часа, с 10-19 (Московское время), кроме воскресенья Алейникова Наталья Александровна. Разработка стохастических моделей прогнозирования на основе количественной интерпретации методов технического анализа: диссертация... кандидата физико-математических наук: 05.13.18.- Воронеж, 2003.- 123 с.: ил. РГБ ОД, 61 03-1/869-7 Введение Глава 1. Анализ существующих подходов к построению моделей прогнозированиял
1.1. Определение, классификация и требования, предъявляемые к прогнозам 1.2. Анализ методов построения моделей прогноза 1.2.1. Основные подходы 1.2.2. Эконометрический (фундаментальный) анализ 1.2.3. Технический анализ 1.2.4. Стохастическое моделирование 1.2.5. Основные достоинства и недостатки подходов к прогнозированию 1.3. Выводы, постановка цели и задач исследования Глава 2. Построение моделей прогноза с помощью индикаторов технического анализа
2.1. Теоретическое обоснование использования индикаторов технического анализа в модели стохастического моделирования 2.1.1. Модель скользящего среднего и этапы введения индикатора ТА в модель 2.1.2. Модель скользящего среднего и индикатор движущееся среднее 2.1.3. Модель скользящего среднего и индикатор экспоненциальное скользящее среднее 2.1.4. Модель скользящего среднего и индикатор Momentum 2.2. Построение условно-вероятностной индикаторной модели 2.2.1. Аппроксимация распределения условных вероятностей случайной величины А, 2.2.2. Построение эмпирических распределений вероятностей величины hn+l 2.2.3. Аппроксимация эмпирического условного распределения с помощью теоретических законов 54 2.2.4. Использование нормального распределения при оценке распределения условных вероятностей 2.2.5. Использование нормального и Парето распределений при оценке функции плотности распределения условных вероятностей 57 2.2.6. Использование распределений Парето и равномерного при оценке функции плотности распределения условных вероятностей 63 2.2.7. Формулировка требований к области применения прогнозной модели УВИМ 2.3. Выводы 66 Глава 3. Реализация моделей прогноза 68 3.1. Описание методики проверки работоспособности моделей прогнозирования 3.1.1. Этапы проверки работоспособности моделей ИМСС 3.1.2. Этапы проверки работоспособности модели УВИМ 3.1.3. Практическая проверка работоспособности модели ИМСС 3.1.4. Краткая характеристика мирового товарного рынка фьючерсов 3.1.5. Практическая проверка работоспособности модели УВИМ 3.1.6. Аппроксимация эмпирического условного распределения с помощью теоретических законов 3.2. Информационно-аналитическая подсистема «ИС-Трейдер» 3.2.1. Общее описание «ИС-Трейдер» 100 3.2.2. Раздел «Анализ конъюнктуры мирового рынка сахара и прогноз его развития» 3.3. Выводы Заключение Литература Приложения В общем случае под прогнозом принято понимать научно обоснованное суждение, носящее вероятностный характер, о возможных состояниях изучаемого объекта (явления) в будущем или о путях и сроках достижения определенных целей и результатов. Прогнозирование - это процесс разработки прогнозов с целью предсказания динамики изменения объектов (явлений) в ближайшей или отдаленной перспективе . Приведем следующую классификацию прогнозов, на основании которой в дальнейшем более точно определим место, занимаемое нашим прогнозом. Прогнозы разделяются по следующим параметрам : В зависимости от применяемой методологии a) При нормативном прогнозе происходит формулировка желаемого состояния, цели, результата, которые должны быть достигнуты в будущем. Объектом прогнозирования являются пути, направления возможного развития, приводящие к реализации поставленной цели; b) Исследовательские прогнозы базируются на изучении тенденций изменения объекта во времени и распространении найденной зависимости на перспективу. При использовании исследовательского подхода предполагается, что элементы будущего развития явлений заложены в фактах реальной действительности и закономерностях прошлого; с) Комплексный прогноз сочетает в себе элементы предыдущих двух подходов; По характеру отношения прогноза к состоянию объекта прогнозирова ния: a) Условный (активный) прогноз позволяет оценить возможные направления развития и их последствия с учетом влияния экзогенных (внешних) и эндогенных (внутренних, действующих в рамках прогнозируемой системы) факторов; b) Безусловный (пассивный) прогноз характеризует будущее развитие как результат движения по инерции, закономерности которого сформированы в прошлом и настоящем; По степени разброса прогностических оценок: a) Точечный прогноз описывает возможное состояние объекта с помощью однозначно установленной числовой величины; b) Интервальный прогноз характеризует состояние объекта в виде совокупности числовых значений, заключенных в определенном интервале. Задача построения моделей прогноза достаточно сложная, так как при ее решении необходимо учитывать особенности моделируемого объекта и условия, в которых объект функционирует. В работе рассматриваются объекты, поведение которых нельзя заранее предугадать, так как оно зависит от множества случайных факторов и основная сложность состоит в невозможности измерить все эти факторы, а также предположить, какой из факторов окажет наибольшее воздействие в тот или иной момент времени. Попытки углубиться в причинно-следственные связи между внешними факторами и поведением объекта способны увести исследователя от конкретного изменения состояния объекта как угодно далеко. Задача усложняется тем, что, даже разобравшись «сегодня» с причинами, приведшими к определенному состоянию объекта, «назавтра» существует риск получить совершенно новую реальность, где ведущую роль могут играть иные силы и факторы, которые создадут событийный ряд, не похожий на предыдущий . Наиболее ярким примером таких объектов служат цены на финансовых и товарных мировых биржах. Сформулируем начальные требования к моделям прогноза. Во-первых, следует исключить из модели влияние внешних факторов, которых может быть очень много и которые не всегда можно измерить; во-вторых, использовать в математических моделях прогнозирования информацию о поведении объекта в предыдущие периоды; в-третьих, необходимо, чтобы модель учитывала неопределенность в поведении объекта; в-четвертых, в соответствии с приведенной классификацией, прогноз должен быть исследовательским, пассивным, модель должна допускать интервальную и точечную оценки прогнозируемых значений. Проанализируем основные черты существующих и наиболее распространенных подходов к прогнозированию, выделим достоинства и недостатки каждого подхода с точки зрения сформулированных требований. Существует множество подходов к прогнозированию динамики объектов. Эксперты пытаются предугадать дальнейшее развитие событий, пользуясь предлагаемыми им математико-статистическими методами и моделями, исследуя закономерности, пытаясь учесть влияние множества разнообразных факторов, которые могут повлиять на поведение объекта, наконец, прибегают даже к интуиции . В данной работе рассматриваются только количественные методы прогноза. Основные количественные методы построения моделей прогноза можно разделить на три группы: а) Эконометрический (фундаментальный) анализ Термин «эконометрика» был введен еще в 1926 г. норвежским экономистом и статистиком Рагнаром Фишером. В буквальном переводе этот термин означает «измерения в экономике». Главным назначением эконометрики является модельное описание конкретных количественных взаимосвязей, существующих между анализируемыми показателями. Описанию эконометрических методов посвящена многочисленная литература, например, . b) Технический анализ (ТА) ТА применяется на различных финансовых и товарных рынках (биржах) и основан на гипотезе о том, что рыночные цены являются отражением желаний и действий всех участников рынка и все факторы (фундаментальные, политические, психологические), влияющие на рыночную цену, фактически в ней самой и отражены . Методы ТА можно использовать в качестве источника дополнительной информации для прогнозирования не только цен, но и других объектов (характеристики которых колеблются во времени и имеют состояния открытия, закрытия, максимальное и минимальное). ТА наименее математизирован, но опирается на огромный практический материал, накопленный грейдерами (участниками рынка) почти за 100 лет. Исторически классический ТА развивался следующим образом. Первоначально, когда еще в природе не существовало компьютерной техники, а математические методы в силу сложности расчетов никто не пытался применить для анализа динамики цен, участники рынка, в особенности трейдеры, рисовали графики, на которых откладывали прямые линии. Позже были найдены закономерности в соотношении этих линий и графиков цен. Так возникли трендовые линии, модели и фигуры. Далее появились потребности для отхода от прямолинейности трен-довых линий и моделей и трейдеры, также вручную, начали рассчитывать средние цены, которые и стали с успехом применяться для анализа. И уже с возникновением компьютерной техники появилась возможность для расчета и применения методов осцилляторного анализа рынка. Очевидно, что для построения прогнозной модели, удовлетворяющей требованиям, сформулированным в 1.1, необходимо сочетать черты каждого из подходов. Чтобы создать подходящую модель прогнозирования, учитывающую неопределенность, можно воспользоваться уже существующими методиками построения таких моделей в эконометрике и стохастическом моделировании. Но при этом важно, чтобы соблюдалось требование независимости прогнозных выходных данных от измерения значений внешних случайных факторов. Для выполнения этого условия, предлагается использовать стохастический подход, как наиболее подходящий. Согласно следующему требованию - извлечению необходимой для прогноза дополнительной информации из самого поведения прогнозируемой величины, - воспользуемся индикаторными методами технического анализа. Таким образом, построение модели прогнозирования предлагается проводить в рамках стохастического подхода с применением индикаторов ТА. Такое объединение двух подходов представляется возможным осуществить двумя способами. Первый способ заключается во внедрении индикаторов ТА в существующие модели стохастического моделирования (например, в модель скользящего среднего) и последующем исследовании влияния, оказываемого индикаторами на прогнозную эффективность модель. Второй способ состоит в создании новой модели в рамках вероятностного пространства (1.4), не связанной с существующими моделями, с использованием индикаторов ТА в качестве источников дополнительной информации. Необходимо отметить, что, так как модель - это лишь идеализация реального мира, в которой интересующие исследователя отношения между реальными элементами заменены подходящими отношениями между математическими категориями, то нужно разработать специальную методику, с помощью которой будет осуществляться проверка работоспособности модели на конкретных реальных и тестовых данных, включающую в себя ряд критериев оценки качества прогноза. Для автоматизации построения прогноза с помощью комбинирования методов стохастического моделирования и технического анализа необходимо разработать программный комплекс. При этом в силу специфики используемых методов, потребуются большие объемы статистической информации. Обеспечить это требование возможно благодаря существующим информационно-аналитическим центрам, выполняющим функции сбора, хранения, обработки и выдачи информации о текущем состоянии объекта. Важно учитывать и то, что полученную информацию о прогнозе нужно сделать доступной, то есть где-то ее публиковать. Поэтому программный комплекс необходимо разработать в рамках существующей информационно-аналитической системы, выполняющий указанные выше функции. Из приведенного выше анализа существующих подходов и сформулированных требований к прогнозу, можно сделать следующие основные выводы: a) При построении моделей прогнозирования необходимо учитывать особенности моделируемого объекта и условия, в которых объект функционирует. b) К модели прогноза выдвигается ряд требований, заключающихся в ее независимости от непосредственного измерения значений множества внешних случайных факторов, вычислении прогнозных значений на основе информации о поведении объекта в предыдущий период, учет неопределенности, и наконец, то, что прогноз, получаемый с помощью модели должен быть исследовательским, пассивным, допускать интервальную и точечную оценки прогнозируемых значений. c) Анализ существующих методов к построению моделей прогноза цен показал, что ни один из подходов в чистом виде не ведет к построению модели прогнозирования, удовлетворяющей сформулированным требованиям. Для достижения требований, необходимо использовать комбинацию сразу нескольких подходов, наиболее подходящими из которых являются стохастическое моделирование и индикаторный технический анализ. d) Объединение двух подходов к прогнозированию возможно осуществить двумя способами. Первый способ заключается во внедрении индикаторов ТА в существующие модели стохастического моделирования и последующем исследовании влияния, оказываемого индикаторами на прогнозную эффективность модель. Второй способ состоит в создании новой модели в рамках вероятностного пространства Колмогорова, с использованием индикаторов ТА в качестве источников дополнительной информации. e) Для построения прогноза с помощью комбинирования методов стохастического моделирования и технического анализа требуются большие объемы статистической информации. Для обеспечения этого требования необходимо существование информационно-аналитических центров, выполняющих функции сбора, хранения, обработки и выдачи информации о текущем состоянии объекта. Эти центры должны также обеспечивать публикацию прогноза. f) В рамках существующего информационно-аналитического центра необходимо разработать программный комплекс для реализации моделей прогноза. На основании выводов сформулирована цель диссертационной работы. Целью работы является создание стохастических моделей прогнозирования на основе количественной интерпретации методов технического анализа и разработка комплекса программ, как инструментального средства поддержки принятия решений субъектами управления. Для реализации поставленной цели необходимо решить следующие задачи: 1. Теоретически обосновать применение некоторых индикаторов технического анализа в существующих моделях стохастического моделирования. Построить модель прогнозирования поведения исследуемого объекта на основе модели стохастического моделирования с использованием индикаторов технического анализа в качестве источника дополнительной информации. 2. Построить условно-вероятностную индикаторную модель прогнозирования поведения исследуемого объекта, отвечающую требованиям универсальности по использованию видов и числа индикаторов технического анализа, а также разработать алгоритм получения прогнозных оценок по этой модели. В работе предлагается использовать методику проверки работоспособности моделей прогнозирования ИМСС (глава 2, п. 1.) и УВИМ (глава 2, п. 2) на тестовых и реальных данных, которая в общих чертах будет описана далее. Для изложения этой методики удобно разбить общую логическую схему исследования на несколько этапов. На первом этапе происходит сбор или формирование исходной статистической информации, а так же представление (группирование) исходных данных в виде удобном для дальнейшего моделирования. На следующем этапе необходимо удостовериться в том, что статистические данные удовлетворяют условиям модели (см. глава 2, п. 1.6). Действительно, у каждой из предложенных моделей прогнозирования имеется своя область применения. Напомним, что во второй главе выдвигались два предположения о поведении объекта. Первое накладывало ограничение на поведение объекта, предполагалось, что оно подчинено модели скользящего среднего. В связи с этим возникали требования к закону распределения цены. На практике мы будем иметь дело лишь со случайными выборками из некоторой генеральной совокупности, эмпирические характеристики которых могут отличаться от теоретических характеристик всей совокупности. Следовательно, может получиться так, что модель прогнозирования будет использована для данных, к которым она попросту не применима. Второе предположение не связывало поведение объекта с какой-либо известной моделью (хотя и не исключало этого), зато требовало, чтобы была достаточно большая статистика по четырем разновидностям состояний объекта - открытия, закрытия, минимального и максимального. Поэтому и необходимо на втором этапе методики проверить, насколько выборка соответствует всем исходным требованиям модели. Далее каждая модель включала в себя ряд теоретических положений (глава 2, следствия из теорем 1,2, теорема 3, предложения о «склейке» нескольких законов распределения для аппроксимации эмпирических условных распределений, получаемых с помощью модели УВИМ), проверка которых на практике будет составлять третий этап методики. На четвертом этапе необходимо указать, какие значения мы будем считать прогнозом. В качестве прогнозного значения можно выбрать математическое ожидание, или, если последнее неизвестно, оценку математического ожидания - выборочное среднее. Так же прогнозными значениями могут быть приращения с максимальными частотами в выборке (выборочная мода). В случае модели ИМСС, когда приращения распределены по нормальному закону распределения, в силу симметричности закона, математическое ожидание и мода равны друг другу. Насколько лучше прогноз, получаемый с помощью тех или иных данных, можно будет судить, пройдя следующий этап методики. Последний (пятый) этап связан с необходимостью оценки качества прогноза, получаемого с помощью модели. Нужно отметить, что часто для исследования качества прогноза ограничиваются изображением графиков реальных и прогнозных данных и вывод о том, насколько хорош прогноз, следует из простого сравнения этих графиков. Такое исследование является достаточно субъективным. В работе предлагается использовать количественный признак (критерий) степени схожести прогнозных и фактических значений. При этом он должен учитывать сразу несколько факторов, по которым оценивается точность прогноза (глядя на график реальных и прогнозных значений, исследователи, аналитики интуитивно отмечают эти факторы). Во-первых, желательно, чтобы прогнозные и реальные данные коррелировали между собой. То есть, если, например, фактическое значение движется вверх, то и найденное прогнозное значение так же должно двигаться вверх. Но при этом может возникнуть ситуация, показанная на рис. 3.1, когда фактические и прогнозные значения, несмотря на схожесть направлений их изменений, значительно отличаются по величине. Поэтому нужно учитывать еще и степень расхождения между ними. Следующий фактор, по которому оценивается качество прогноза, связан с понятием доверительного интервала. Дело в том, что в качестве про Графики движения прогнозных и реальных значений. гнозного значения можно взять точечную оценку математического ожидания а случайной величины - выборочное среднее х. Но так как эта оценка получается по выборке, то она так же является случайной величиной и может значительно отличаться от математического ожидания генеральной совокупности. Чтобы дать представление о точности и надежности оценки х, для математического ожидания строится доверительный интервал: где у - доверительная вероятность - вероятность того, что / накроет неиз вестное значение математического ожидания, /?!(х),...,хп), /32(х],...,хп) - границы интервала (строятся по выборке, являются случайными величинами, Д (xj,..., хп) /?2 (xi хп)) находят ся из условия, что вероятность у попадания неизвестного математического ожидания ав 1у достаточно большая: Очевидно, что интервальная оценка тем лучше, чем меньше длина доверительного интервала. А так как границы доверительного интервала напрямую зависят от дисперсии, то если окажется, что дисперсия прогнозной величины после применения модели уменьшилась, тогда можно считать, что использование модели повышает качество прогноза. Исходя из выше сказанного, предлагается ввести векторный критерий оценки качества прогноза, включающий в себя три компоненты: Первая компонента q]f с помощью которой исследуется точность прогноза, представляет собой степень тесноты связи (коррелированности) между изменениями прогнозных и реальных значений. Для формализации этого критерия можно воспользоваться показателем регрессионного анализа, таким как коэффициент корреляции. Но перед тем как использовать этот показатель, необходимо ввести некоторые дополнительные предположения о регрессионной зависимости между прогнозным и реальным значениями. Так как фактические значения при тестировании модели нам заранее известны, можно, пользуясь эконометрической терминологией, трактовать фактические данные как объясняющие переменные, а прогнозные значения как объясняемые переменные, предположив при этом, что эти переменные связаны некоторой зависимостью у = f(y)+ є , например, линейной, которую можно описать с помощью формулы Наиболее распространенным и удобным способом осуществления импорта товаров, в том числе и сахара, является приобретение товаров на мировых фьючерсных биржах по фьючерсным контрактам. Фьючерсный контракт - это имеющее юридическую силу обязательство осуществить поставку или получить обусловленное количество оговоренного товара по согласованной цене в определенный день (или дни) в будущем. Фьючерсный контракт фиксирует «сейчас» цену и условия сделки, которая состоится в будущем. Предметами фьючерсных контрактов могут быть сельскохозяйственная продукция (сахар, живой скот и т.д.), сырая нефть, алюминий, золото и т.д., а также различные финансовые инструменты (векселя, облигации, валюта и т.д.) . Наиболее крупными фьючерсными биржами являются Чикагская товарная биржа (СМЕ - Chicago Mercantile Exchange), Лондонская международная биржа финансовых фьючерсов (LIFFE - London International Financial Futures Exchange), Нью-Йоркская товарная биржа (CSCE или NYMEX - New-York Mercantile Exchange) . Популярность фьючерсных бирж обусловлена рядом причин, наиболее важные из которых перечислены ниже : фьючерсная биржа - это традиционный, имеющий вековую историю рынок товаров; фьючерсные контракты помогают избежать риска изменения цены на товар; информация о фьючерсных ценах распространяется по сети Internet (например, сеть Рейтер Монитор); торговлю на фьючерсной бирже теперь можно осуществлять через сеть Интернет (например, с помощью систем Reuters Dealing 2000 и Quotron FX Trader). Необходимо отметить, что в силу популярности среди импортеров, фьючерсный рынок оказывает значительное влияние на российский товарный рынок. Это выражается, в том числе, и в зависимости российских цен на сахар от мировых фьючерсных цен на сырец. Цена на внутреннем российском рынке сахара образуется в общем случае при собственном производстве и за счет закупок на международных фьючерсных биржах. Поведение цен на фьючерсном рынке, в том числе на сахар, не возможно предугадать заранее . Цены на мировом рынке сахара являются не стабильными, постоянно колеблющимися, зависят от баланса спроса и предложения, который устанавливается на рынке сахара не по жестко действующим законам, а в результате конкурентной борьбы между участниками рынка. При этом даже если между сторонами, где одни участники рынка всегда «слишком много просят», тогда как другие в обмен на это «слишком мало предлагают», достигнуто «компромиссное согласие», то оно будет носить весьма неустойчивый и непредсказуемый характер . Но участникам фьючерсного рынка, таким, как государство, торговые компании, трейдеры, для успешной и эффективной работы, планирования, для правильного и грамотного регулирования импорта товаров, для получения наибольшей прибыли, хотя бы частичного снижения неопределенности и риска, необходимо предвидеть заранее какая ситуация сложится на рынке фьючерсов, иметь возможность качественно или количественно определять степень вероятности того или иного исхода ситуации . Для этого нужны специальные инструменты, методы, позволяющие получать обоснованные и как можно более точные прогнозы поведения рыночных цен, необходима вовремя собранная, достоверная информация о состоянии рынка . Грамотный, обоснованный прогноз снижает риски ошибочных решений со стороны участников рынка. В странах с развитой рыночной экономикой, а в последнее время, и в нашей стране (что связано с увеличением объема импорта товаров), создаются специальные информационно-аналитические центры, выполняющие функции сбора, хранения, обработки и выдачи информации о текущем состоянии рынков товаров, необходимой для дальнейшей оценки и прогнозирования состояний субъектов рынка . Примерами таких информационно-аналитических центров на сахарном рынке являются информационная система «Russion Sugar» фирмы Стеле, информационно-аналитическая система «Информсахар» . Собранные, обработанные и проанализированные этими центрами данные публикуются в средствах массовой информации, а так же на специальных сайтах в Internet. По мере развития, с целью поддержки принятия решений, такие аналитические центры все больше внимания уделяют разработке информационных технологий в виде экономико-математических моделей и методов. Особое внимание при этом уделяется задачам прогнозирования поведения рынка, рыночных цен. Анализ, проведенный в показал, что методы прогнозирования в сахарной промышленности развиты не достаточно. Перечислим условия, в которых строится прогнозная модель : a) Торги на фьючерсных биржах проводятся ежедневно кроме субботы и воскресенья. b) Информация о ценах регулярно публикуется в журналах и в Internet, что делает ее доступной для всех участников рынка. c) В аналитических центрах в Internet существуют специальные архивы, содержащие большие объемы данных по ценам за предыдущие периоды, что позволяет использовать статистические методы обработки информации. d) Публикуемые данные по ценам включают в себя сведения о максимальной, минимальной ценах, а также о ценах открытия и закрытия, цены внутри одного дня, дневные цены, средние за неделю, месяц и т.д. Таким образом, фьючерсные цены удовлетворяют всем условиям модели УВИМ, приведенным в главе 2, п. 2.7. Кожевников, Александр Сергеевич
Регрессионные модели прогнозирования
Регрессионные модели прогнозирования одни из старейших, однако нельзя сказать, что она нынче очень популярны. Регрессионными моделями являются:
Лучшая книга по регрессии — архигениальная книга — Draper N., Smith H. Applied regression analysis
. Ее можно скачать в сети в djvu. Лучше читать в английском варианте, написано в высшей степени для людей.Авторегрессионные модели прогнозирования
Это широчайший и один из двух наиболее широко применимых классов моделей! Книг по этим моделям много, примеров применения много. Модель по выборке максимального подобия
Это моя модель (model on the most similar pattern), на ряде задач показывает высокую эффективность. К рядам FOREX и бирж применять не стоит, проверяли, работает неважно. Ее описание можно найти в диссертации по ссылке выше, кроме того, можно скачать пример реализации в MATLAB .Модель на нейронных сетях
Вторая из двух наиболее популярных моделей прогнозирования временных рядов. Лучшая книга с примерами, на мой вкус, Хайкин С. Нейронные сети: полный курс . Книгу с примерами в MATLAB можно скачать по ссылке.Модель на цепях Маркова
Модель на цепях Маркова фигурирует в множестве обзоров, однако мне не удалось найти ни хорошей книги, ни хорошей статьи о ее конкретном применении для прогнозирования временных рядов. Сама эту модель разбирала в курсе теории надежности (учебник Гнеденко), принцип ее расчета хорошо понимаю, кроме того, читала, что ее часто применяют для моделирования финансовых временных рядов.Вопрос к аудитории: посоветуйте хорошую и понятную (!) книгу/статью по применению цепей Маркова для прогнозирования временных рядов.
Модель на классификационно-регрессионных деревьях
Вот тут материалов немного, но они есть. В частности, неплохая статья по применению этой модели для прогнозирования Hannes Y.Y., Webb P. Classification and regression trees: A User Manual for IdentifyingIndicators of Vulnerability to Famine and Chronic Food Insecurity .Модель на основе генетического алгоритма
Это странный зверь, такого рода решения я называю «иезуитскими», потому что кажется, что они рождены только для обоснования научной новизны, однако эффективность их невысока. Например, генетический алгоритм применяется для решения задач оптимизации (поиска экстремума), однако некоторые приплели его к прогнозированию временных рядов. Найти внятного материала по этой теме мне не удалось.Вопрос к аудитории: посоветуйте хорошую и понятную (!) книгу/статью по применению генетического алгоритма для прогнозирования временных рядов.
Модель на опорных векторах
Модель на основе передаточных функций
Модель на нечеткой логике
Все эти модели принадлежат, на мой вкус, классу иезуитских. Например, опорные векторы (SVM) применяется в основном для задач классификации. Нечеткая логика где только не применяется, однако найти ее понятно описанное применение для прогнозирования временных рядов мне не удалось. Хотя в обзорах специалисты почти всегда ее указывают. Вопрос к аудитории тот же!
Итого
Моделей мы наберем с десяток, со всеми модификациями — два десятка. Хотелось бы, чтобы в комментариях вы не только высказывали мнение, а по возможности делали полезные ссылки на понятные материалы. Лучше на английском!
Основные достоинства и недостатки подходов к прогнозированию
Модель скользящего среднего и индикатор экспоненциальное скользящее среднее
Использование нормального и Парето распределений при оценке функции плотности распределения условных вероятностей
Аппроксимация эмпирического условного распределения с помощью теоретических законов
