Неопределенность и современные методы прогнозирования экономических показателей. Комбинирование различных методов прогнозирования. Задания весов с помощью компьютерных программ. Построение прогнозов с помощью линейных и нелинейных методов исследования.
Аннотация к работе
Человеческая жизнь и деятельность протекает в условиях, зачастую трудно поддающихся предсказаниям и прогнозированию, поскольку в мире существует огромное количество как внешних, так и внутренних факторов, и все их учесть при планировании просто физически невозможно. Проблема, связанная с прогнозированием каких-либо данных заключается в изменчивости видов тенденций и неопределенности будущего поведения данных (которое может отличаться от сегодняшнего). Чтобы уменьшить риск получения неправильного прогноза, было предложено комбинировать различные прогнозные методы, так чтобы они учитывали недостатки друг друга, ведь одни методы прогнозирования, например, хорошо улавливают тенденции в рядах данных, а другие могут выдавать более точные прогнозы, несмотря на худшую аппроксимацию. Таким образом, объектом данной работы являются различные методы получения прогнозных значений, а предметом исследования - способ комбинирования получившихся прогнозов. · Получить прогнозы по обозначенным выше методам, выбрать способ задания весов, получить прогноз по комбинированному методу и сравнить результаты с полученными с помощью прогнозирования по каждой модели по отдельности.Действительность показывает, что зачастую прогнозы выдают результаты, значительно отличающиеся от надвигающейся реальности, как в худшую, так и в лучшую для кого-то сторону. Например, в 2008 году накануне возникновения мирового финансового кризиса ведущие агентства и аналитики не предсказывали столь масштабной катастрофы на финансовом рынке.Для того, чтобы понять, какие события мы можем прогнозировать, а какие не подвластны этой процедуре, необходимо ввести классификацию видов неопределенности. Макридакис выделяет следующие два вида: · Subway uncertainty (неопределенность «метро»), которая представляет собой неопределенность, связанную с событиями, легко поддающимися моделированию (например, время ожидания поезда на станции метро). · Coconut uncertainty (неопределенность «кокос»), относящуюся к событиям, предсказать и смоделировать которые нельзя (например, падение сосульки на голову прохожему). Чтобы определить, какие события относятся к какому типу неопределенности, изначально необходимо понять различия между «известными известными» (known knowns), «известными неизвестными» (known unknowns) и «неизвестными неизвестными» (unknown unknowns) данными. Помимо перечисленных выше видов, выделяют также и другие типы неопределенности: - по времени возникновения неопределенность бывает ретроспективной, текущей и перспективной.Несмотря на то, что данная модель относится к классу линейных методов, она в равной степени хорошо описывает стационарные и нестационарные временные ряды. Кроме того, в данной модели не используются независимые переменные, что означает использование для прогнозирования только информации, заложенной в самих данных. ошибка, описывающая влияния переменных, которые не учитываются в модели. Допустим, что есть временной ряд , к которому раз применили данный оператор, после чего ряд стал стационарным и удовлетворяющим условиям модели ARMA (p,q). Кроме того, в случае если в ряде данных присутствует сезонность, то модель ARIMA можно модифицировать в метод SARIMA, который в общем виде выглядит следующим образом: SARIMA(p,d,q)X(P,D,Q)s, где p - порядок AR, d - параметр разницы, q - порядок MA, P - порядок SAR, D - параметр сезонной разницы, Q - порядок SMA и s - лаг сезонности.Искусственные нейронные сети (в дальнейшем ANN от artificial neural networks) представляют собой метод, который может легко моделировать любой тип параметрических или непараметрических процессов и автоматически и оптимально трансформировать входящие данные. Система обработки информации в данном методе состоит из большого числа тесно связанных процессорных элементов (нейронов), функционирующих вместе для решения специфичных проблем. Возможность адаптивного обучения (модель узнает, как выполнять определенные задания на основе данных, используемых при обучении и первоначальном опыте); Такие искусственные нейронные сети обладают входящими данными (как и биологические нейроны обладают дендритами) и исходящими данными (как биологические нейроны - аксонами). Математически нейронные сети могут быть описаны следующим образом: нейронный входящий путь (входящие данные) обладает сигналом , а сила пути характеризуется весом .Так как иногда ряд процессов ARIMA не может быть смоделирован целым числом d, а характер ACF в таком случае соответствует скорее какому-то промежуточному d между 0 и 1, были предложены модели с «долгой памятью». В таких моделях параметр интеграции d является дробным числом или превышает 0, а сам процесс испытывает эффект долгой памяти в том плане, что наблюдения на длительном промежутке времени имеют определенную зависимость. К моделям, содержащим в себе «долгую память» можно отнести, например, модели ARFIMA (AUTOREGRESSIVE Fractionally Integrated Moving Average) и ARARMA.