Адаптивные полиномиальные модели
Использование адаптивных методов в экономическом прогнозировании. Расчет экспоненциальной средней для временного ряда курса акций фирмы IBM, где в качестве начального значения экспоненциальной средней взято среднее значение из пяти первых уровней ряда.
Рубрика | Экономико-математическое моделирование |
Вид | контрольная работа |
Язык | русский |
Дата добавления | 13.08.2010 |
Размер файла | 2,5 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Содержание
1. Адаптивные полиномиальные модели
2. Использование адаптивных методов в экономическом прогнозировании
1. Адаптивные полиномиальные модели
Понятие экспоненциальной средней можно обобщить в случае экспоненциальных средних более высоких порядков.
Выравнивание р-го порядка:
(1.1.)
является простым экспоненциальным сглаживанием, примененным к результатам сглаживания (р-l)-го порядка.
Если предполагается, что тренд некоторого процесса может быть описан полиномом степени n, то коэффициенты предсказывающего полинома могут быть вычислены через экспоненциальные средние соответствующих порядков.
В случае, когда исследуемый процесс, состоящий из детерминированной и случайной компоненты, описывается полиномом n-го порядка, прогноз на ф шагов вперед осуществляется по формуле:
yф(t)=в1 + в2ф + в3ф2+…+ вn+1 фn (1.2)
где: в1, в2, … вn+1 - оценки параметров.
Фундаментальная теорема метода экспоненциального сглаживания и прогнозирования, впервые доказанная Р. Брауном и Р. Майером, говорит о том, что (n+l) неизвестных коэффициентов полинома n-го порядка в1, в2, … вn+1 могут быть оценены с помощью линейных комбинаций экспоненциальных средних S(i), где i= .
Следовательно, задача сводится к вычислению экспоненциальных средних, порядок которых изменяется от 1 до n+ 1, а затем через их линейные комбинации - к определению коэффициентов полинома.
На практике обычно используются полиномы не выше второго порядка. Например, при использовании полинома первого порядка адаптивная модель временного ряда имеет вид:
yt = a1,t + a 2,t + et (1.3.)
где: a1,t - значение текущего t-гo уровня;
а 2,t - значение текущего прироста.
В таблице 1 приведены формулы, необходимые для расчета по этим моделям.
Процедура прогнозирования экспоненциального сглаживания следующих этапов:
1. Выбирается вид модели экспоненциального сглаживания, задается значение параметра сглаживания а. При выборе порядка адаптивной полиномиальной модели могут использоваться различные подходы, например, графический анализ, метод изменения разностей и др ..
2. Определяются начальные условия. Например, для полиномиальной модели первого порядка необходимо определить в1,0 ; в2,0.
Чаще всего в качестве этих оценок берут коэффициенты соответствующих полиномов, полученные методом наименьших квадратов. Начальные условия для модели нулевого порядка обычно получают усреднением нескольких первых уравнений ряда. Зная эти оценки, с помощью указанных в таблице формул находят начальные значения экспоненциальных средних.
3. Производится расчет значений соответствующих экспоненциальных средних.
4. Находятся оценки коэффициентов модели.
5. Осуществляется прогноз на одну точку вперед, находится отклонение фактического значения временного ряда от прогнозируемого. Шаги с 3 по 5 данной процедуры повторяются для всех t?n , где n - длина ряда.
6. Окончательная прогнозная модель формируется на последнем шаге в момент t=n. Прогноз получается на базе выражения (1.2.) путем подстановки в него последних значений коэффициентов и времени упреждения ф .
К положительным особенностям рассмотренных моделей следует отнести то, что при поступлении новой, свежей информации расчеты повторять не придется. Достаточно принять в качестве начальных условий последние значения функций сглаживания St(i) и продолжить вычисления.
Таблица 1
Основные формулы для прогнозирования по адаптивным полиномиальным моделям
2. Использование адаптивных методов в экономическом прогнозировании
1. Рассчитать экспоненциальную среднюю для временного ряда курса акций фирмы IBM. В качестве начального значения экспоненциальной средней взять среднее значение из 5 первых уровней ряда. Значение параметра адаптации б принять равным 0,1.
Таблица 1
Курс акций фирмы IBM
t |
yt |
t |
yt |
t |
yt |
|
1 2 3 4 5 6 7 8 9 10 |
510 491 504 510 509 503 500 500 500 495 |
11 12 13 14 15 16 17 18 19 20 |
494 499 502 509 525 512 510 506 515 522 |
21 22 23 24 25 26 27 28 29 30 |
523 527 523 528 529 538 539 541 543 541 |
2. По данным задания №1 рассчитать экспоненциальную среднюю при значении параметра адаптации б равным 0,5. Сравнить графически исходный временной ряд и ряды экспоненциальных средних, полученные при б =0,l и б =0,5. Указать, какой ряд носит более гладкий характер.
3. Прогнозирование курса акций фирмы IBM осуществлялось на основе адаптивной полиномиальной модели второго порядка
где ф- период упреждения.
На последнем шаге получены следующие оценки коэффициентов:
в1,t = 541,53; в2,t = -0,41; в2,t = -0,72
Рассчитать прогноз курса акций:
на 1 день вперед (ф= 1);
на 2 дня вперед (ф=2).
Подобные документы
Расчет доверительных интервалов прогноза для линейного тренда с использованием уравнения экспоненты. Оценка адекватности и точности моделей. Использование адаптивных методов в экономическом прогнозировании. Экспоненциальные средние для временного ряда.
контрольная работа [916,2 K], добавлен 13.08.2010Использование принципа дисконтирования информации в методах статистического прогнозирования. Общая формула расчета экспоненциальной средней. Определение значения параметра сглаживания. Ретроспективный прогноз и средняя квадратическая ошибка отклонений.
реферат [9,8 K], добавлен 16.12.2011Построение адаптивной мультипликативной модели Хольта-Уинтерса, оценка ее точности и адекватности с использованием средней относительной ошибки аппроксимации. Построение точечного прогноза. Отражение на графике фактических, расчетных и прогнозных данных.
контрольная работа [816,2 K], добавлен 23.03.2013Анализ автокорреляции уровней временного ряда, характеристика его структуры; построение аддитивной и мультипликативной модели, отражающую зависимость уровней ряда от времени; прогноз объема выпуска товаров на два квартала с учетом выявленной сезонности.
лабораторная работа [215,7 K], добавлен 23.01.2011Изучение понятия имитационного моделирования. Имитационная модель временного ряда. Анализ показателей динамики развития экономических процессов. Аномальные уровни ряда. Автокорреляция и временной лаг. Оценка адекватности и точности трендовых моделей.
курсовая работа [148,3 K], добавлен 26.12.2014Теория и анализ временных рядов. Построение линии тренда и прогнозирование развития случайного процесса на основе временного ряда. Сглаживание временного ряда, задача выделения тренда, определение вида тенденции. Выделение тригонометрической составляющей.
курсовая работа [722,6 K], добавлен 09.07.2019Автокорреляционная функция временного ряда темпов роста производства древесноволокнистых плит в Российской Федерации. Расчет значений сезонной компоненты в аддитивной модели и коэффициента автокорреляции третьего порядка по логарифмам уровней ряда.
контрольная работа [300,6 K], добавлен 15.11.2014Построение интервального вариационного ряда распределения предприятий по объему реализации. Графическое изображение ряда (гистограмма, кумулята, огива). Расчет средней арифметической; моды и медианы; коэффициента асимметрии; показателей вариации.
контрольная работа [91,1 K], добавлен 10.12.2013Выборка и генеральная совокупность. Модель множественной регрессии. Нестационарные временные ряды. Параметры линейного уравнения парной регрессии. Нахождение медианы, ранжирование временного ряда. Гипотеза о неизменности среднего значения временного ряда.
задача [62,0 K], добавлен 08.08.2010Расчет выборочной средней, дисперсии, среднего квадратического отклонения и коэффициента вариации. Точечная оценка параметра распределения методом моментов. Решение системы уравнений по формулам Крамера. Определение уравнения тренда для временного ряда.
контрольная работа [130,4 K], добавлен 16.01.2015