Исследование посвящено разработке метода прогнозирования, основанного на анализе случайных рыночных процессов. При этом три классические задачи теории случайных процессов адаптированы к данному методу. Статистический материал по колебанию цены на рынке дополнен моделью изменения себестоимости во времени. Решение задач позволило свести результаты прогнозирования к графику продаж в виде периодически повторяющихся прямоугольников. Высота прямоугольников показывает лишь благоприятные периоды для реализации продукции, не отражая объемы производства. Составлен алгоритм, который позволил разработать соответствующее прикладное программное обеспечение, имеющее практическую значимость. Программное обеспечение производит замену моделей колебания рыночной цены и изменения себестоимости на периодическую функцию благоприятной реализации продукции. Работоспособность программного обеспечения проверена в ходе экспериментальных исследований и протестирована на одном из кондитерских цехов г. Оренбурга.

стохастическое прогнозирование

график продаж

компьютерное моделирование

случайные процессы

1. Конихин С.В. Нейронные сети и прогнозирование товарооборота / С.В. Конихин // Научные записки молодых исследователей. – 2014. – № 1. – С. 18–20.

2. Волков И.К. Случайные процессы / И.К. Волков, С.М. Зуев, Г.М. Цветкова. – М.: Издательство МГТУ им. Н.Э. Баумана. – 1999. – С. 373.

3. Королькова Л.И. Расчет рациональных объемов производства пшеницы (на примере ООО «Колос») / Л.И. Королькова, Н.Ю. Литвинова // Финансовая аналитика: проблемы и решения. – 2011. – № 43. – С. 42–45.

4. Москалева О.Г. Методика выявления оптимальной ритмичности процесса производства продукции / О.Г. Москалева, А.М. Пищухин. // Успехи современного естествознания. – 2006. – № 12. – С. 87–88.

5. Наркевич Л.В. Прогнозирование объема продаж торговой организации с учетом колебаний спроса / Л.В. Наркевич, К.П. Боровикова // Вестник Белорусско-Российского университета. – 2013. – № 1. – С. 116–123.

6. Пищухин А.М. Управление предприятием на основе прогноза в ассортиментном пространстве // Экономика региона. – 2017. – Т. 13. № 1. – С. 216–225.

7. Пищухин А.М. Согласованность составляющих системы и методы ее достижения // Вестник Оренбургского государственного университета. – 1999. – № 1. – С. 87–90.

8. Пищухин А.М., Ахмедьянова Г.Ф. Автоматизация и технологизация – два аспекта технического оснащения производства // Вестник ОГУ. – 2015. – № 9 (184). – С. 33–36.

9. Раченко Т.А. Прогнозирование объемов продаж телекоммуникационных услуг с учетом сезонных колебаний: дис. … канд. экон. наук. – Тольятти, 2010. – С. 116.

10. Сиротенко А.С. Методические основы прогнозирования объема производственной программы в кондитерской промышленности / А.С. Сиротенко, Ю.И. Селиверстов // Российское предпринимательство. – 2009. – № 11–1. – С. 145–151.

11. Соловьева Ю.С. Моделирование экономических процессов с применением нейросетевых технологий / Ю.С. Соловьева, Т.И. Грекова // Вестник Томского государственного университета. – 2009. – № 1(6). – С. 49–58.

12. Цомаева И.В. Управление серийным и мелкосерийным производством в условиях неопределенности / И.В. Цомаева // Вестник Новосибирского государственного университета. Серия: Социально-экономические науки. – 2014. – Т. 14, № 1. – С. 117–124.

13. Kolassa S. Evaluating predictive count data distributions in retail sales forecasting // International Journal of Forecasting. – 2016. – Vol. 32, № 3. – P. 788–803.

14. Merigo J.M., Palacios-Marques D., Ribeiro-Navarrete B., Aggregation systems for sales forecasting // Journal of Business Research. – 2015. – Vol. 68, № 11. – P. 2299–2304.

15. Zhi-Ping Fan, Yu-Jie Che, Zhen-Yu Chen. Product sales forecasting using online reviews and historical sales data: A method combining the Bass model and sentiment analysis // Journal of Business Research. – 2017. – Vol. 74. – P. 90–100.

Для стабильного существования любого предприятия необходимо глубокое понимание рыночных процессов, тщательная оценка размеров рынка и его потенциальных возможностей. Для разработки действенной стратегии производства, контроля эффективности ее реализации необходимо оценивать текущий спрос и прогнозировать его изменения . Если компания допустит ошибку при этом, она может упустить огромную прибыль.

Рынок всегда обладает высокой степенью стохастичности, поскольку на него оказывают влияние множество факторов, такие как инфляция, курс валюты, покупательная способность населения и т.д. Непредсказуемость рынка не позволяет сделать точный количественный прогноз спроса на определенный продукт, однако на основании статистических данных есть возможность спрогнозировать благоприятные периоды для реализации производимой продукции. В такие промежутки времени рыночная стоимость продукта превышает его себестоимость и позволяет получить прибыль от продаж. Целью данного исследования является разработка метода прогнозирования таких периодов.

Прогнозирование объемов сбыта различных типов продукции рассмотрено в работах как отечественных , так и зарубежных авторов, где используются известные методы экспертных оценок, регрессионного, корреляционного анализа, экстраполяции тренда и т.д. В последнее время в задачах прогнозирования объема сбыта товаров и обоснования маркетинговых решений находит применение теория неопределённости , а также метод «нейронных» сетей . Не вдаваясь в детали применения этих методов, отметим, что в каждом конкретном случае выбор метода осуществляется исходя из целей прогнозирования, изменения спроса на изготовляемую продукцию, тенденций изменения платежеспособности предприятий, колебания их деловой активности, цикличности появления на рынке новых товаров конкурентов, изменения технологии производства и т.д. Во всех работах предпринимаются попытки спрогнозировать именно объем сбыта продукции, обобщая его на весь временной промежуток прогнозирования, но, если проанализировать рынок более детально, можно заметить, что тот или иной продукт в разное время воспринимается рынком по-разному . Более того, существуют благоприятные периоды для реализации продукции (предпраздничные дни, дни выдачи заработной платы, сезонность и т.д.), и, безусловно, лица принимающие решения производственного характера, владеют информацией о таких периодах. Однако решения управленцев во многом основаны на интуиции и опыте, поэтому процесс выявления и прогнозирования благоприятных периодов для реализации продукции нуждается в формализации и разработке интуитивно понятных и надежных аппаратов моделирования и прогнозирования.

Несмотря на сложность рыночных процессов в первом приближении, можно считать их марковскими. Это позволяет использовать уравнения Колмогорова для прогнозирования благоприятных периодов реализации продукции. Теория случайных процессов решает для марковского случая три задачи, считающиеся классическими. Применительно к прогнозированию благоприятных периодов для реализации продукции эти задачи формулируются следующим образом.

Средняя величина превышения цены над себестоимостью продукции сводится к взятию интеграла:

где - условная функция плотности вероятности, τ - время, y - значения цены, Cl - себестоимость данного вида продукции, s - количество видов продукции, учитываемых при расчете. Решение данной задачи проведено в и выражается через функцию параболического цилиндра Dv(z). После ряда преобразований получаем

где vk - корни уравнения , α, m2 - параметры модели, а нормирующий множитель вычисляется по формуле

(3)

Решение второй задачи позволяет определить среднее время пребывания цены на продукцию в области превышения над себестоимостью и сводится к интегрированию обыкновенного дифференциального уравнения второго порядка относительно среднего времени с соответствующими граничными условиями:

(4)

Решая эту краевую задачу, находим

,

. (5)

В третьей задаче получаем оценку среднего числа выбросов значений марковского процесса за данный уровень, которая определяется как решение данного уравнения

. (6)

Решение проводится с помощью преобразования Лапласа при условии, что случайный процесс является стационарным в широком смысле:

. (7)

В отображениях по Лапласу для искомого числа выбросов получаем

Обращая найденное выражение, можно найти среднее число выбросов данной продукции за уровень себестоимости.

Высота полученных столбцов показывает лишь превышение цены над себестоимостью в моменты времени, не отражая объемы производства продукции. Однако можно ввести критерий выгодности продукции определив суммарную площадь полученных прямоугольников.

Данный критерий позволяет определить привлекательность производства того или иного продукта и использовать полученные данные при формировании производственной стратегии .

Материалы и методы исследования

Исследование опиралось на статистические данные, предоставленные одним из кондитерских цехов г. Оренбурга. Были проанализированы значения себестоимости и количества произведенной продукции за 2016 г. Исследование проводилось с использованием метода компьютерного моделирования.

Моделировался рынок в виде случайного процесса колебания цены во времени и процесса изменения себестоимости продукции. На основании вышеописанной теории были вычислены значения ΔЦcp, , и составлена периодическая функция благоприятной реализации продукции. В исследовании был использован шаг расчета в одну неделю с прогнозным периодом равным половине года.

Для компьютерного моделирования в данном исследовании были использованы три модели.

Модель колебания во времени рыночной цены на данный вид продукции является отражением процесса изменения цены на продукт из-за влияния рыночных факторов, таких как покупательная способность населения, активность конкурентов, насыщенность рынка продукцией. В данном исследовании процесс колебания рыночной цены моделировался с помощью генератора случайных чисел с подвижными нижней и верхней границами.

Модель изменения во времени себестоимости изготовления данного вида продукции - это стоимостная оценка используемых в процессе ее производства природных ресурсов, сырья, материалов, энергии, основных фондов, трудовых ресурсов, а также других затрат на производство и реализацию. При более детальном рассмотрении процесса формирования себестоимости добавляются такие факторы, как инфляция, курс валюты, стоимость топлива, тарифы посредников. Эти показатели имеют отчетливо выраженное свойство возрастать во времени, поэтому для более реалистичного представления процесса была использована прогрессивная модель себестоимости.

Модель благоприятных периодов реализации продукции вытекает непосредственно из теории. В исследовании произведена замена моделей колебания рыночной цены и изменения себестоимости на периодическую функцию, отражающую график продаж в виде периодически повторяющихся прямоугольников.

Результаты исследования и их обсуждение

Разработанное программное обеспечение, позволяющее по исходным значениям, заданным пользователем, построить графики изменения во времени себестоимости и рыночной цены. После вычислений, описанных в разделе теории, программа строит периодическую функцию благоприятной реализации продукции, отражающую график продаж в виде периодически повторяющихся прямоугольников.

На рис. 1 представлена экранная форма для ввода исходных данных. Программа позволяет ввести значение себестоимости единицы продукции и выбрать ежемесячный процент изменения себестоимости, а также определить верхнюю и нижнюю границы рыночной себестоимости для моделирования рыночных процессов. С помощью генератора случайных чисел программа формирует набор значений рыночной цены для прогнозного периода.

На рис. 2 представлена экранная форма представления графика изменения во времени себестоимости и рыночной цены на продукцию. Нижней линией представлены значения себестоимости, верхней - представлены значения рыночной цены.

На рис. 3 представлена экранная форма представления периодической функции эффективной реализации продукции, отражающую график продаж в виде периодически повторяющихся прямоугольников.

Рис. 1. Экранная форма ввода исходных данных

Рис. 2. Экранная форма представления графика изменения во времени себестоимости и рыночной цены на продукцию

Рис. 3. Экранная форма представления периодической функции благоприятной реализации продукции, отражающей график продаж в виде периодически повторяющихся прямоугольников

Представление процесса прогнозирования в виде такой периодической функции позволяет придать производству ритмичность.

Заключение

Таким образом, метод стохастического прогнозирования периодов благоприятных для реализации продукции представляет модель, отражающую график продаж в виде периодически повторяющихся прямоугольников, и позволяет придать процессу производства ритмичность. На основании теоретического исследования представлен алгоритм прогнозирования, что позволило разработать соответствующее программное обеспечение, имеющее практическую значимость. Поскольку точность прогноза зависит от величины шага и длительности прогнозного периода, необходимы дальнейшие исследования для оптимизации этих параметров.

Библиографическая ссылка

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;

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

Основные достоинства и недостатки подходов к прогнозированию

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.

Модель скользящего среднего и индикатор экспоненциальное скользящее среднее

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.

Использование нормального и Парето распределений при оценке функции плотности распределения условных вероятностей

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

Аппроксимация эмпирического условного распределения с помощью теоретических законов

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

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.

МИНИСТЕРСТВО ОБРАЗОВАНИЯ УКРАИНЫ

ЗАПОРОЖСКИЙ ГОСУДАРСТВЕННЫЙЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

КАФЕДРА МЕЖДУНАРОДНЫХ ЭКОНОМИЧЕСКИХ ОТНОШЕНИЙ

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА

К КУРСОВОЙ РАБОТЕ ПО ДИСЦИПЛИНЕ «Международная информация»

Анализ методов прогнозирования

Разработал:

Руководитель:

Реферат

Пояснительная записка : 28 страниц, 7 рисунков, 1 формула, 9 источников

Объект исследования : методы прогнозирования.

Цель работы: изучить методы прогнозирования и провести их анализ

Методы исследования: дедукция, системно-структурный

Результаты исследования : в процессе работы был проведён анализ методов прогнозирования, были рассмотрены некоторые теоретические аспекты определённых методов, сфера применения методов прогнозирования, и на конкретном примере был представлен метод экстраполяции и тенденции.

Ключевые слова :прогнозирование, экстраполяция, экспертные методы, эвристика, информация, технология, обработка информации

Введение……………………………………………………………………………….6

1. Задачи и принципы прогнозирования………………………………………7

2. Методы научно-технического прогнозирования ………………………11

2.1 Классификация методов прогнозирования………..………………….11

2.2 Экстраполяционные методы прогнозирования……………………….13

2.2.1 Предварительная обработка исходной информации в задачах прогнозной экстраполяции………………………………………………………14

2.3 Статистические методы……………………………………………………16

2.4 Экспертные методы…………………………………………………………17

2.4.1 Область применения экспертных методов…………………………17

2.4.2 Метод эвристического прогнозирования (МЭП)…………………..19

3. Классификация экономических прогнозов……………………………..23

Вывод………………………………………………………………………………….28

Перечень ссылок……………………………………………………………………29

Перечень сокращений

ТЭО - таблица экспертных оценок

ПЭО - персональная экспертная оценка

МЭП - метод эвристического прогнозирования

ЭВМ - электронно-вычислительная машина

ЭЦВМ - электронная центральная вычислительная машина

МГД - магнитно-динамические установки

НТИ - научно-техническая информация

ВВЕДЕНИЕ

Процесс прогнозирования достаточно актуален в настоящее время. Широка сфера его применения. Прогнозирование широко используется в экономике, а именно в управлении. В менеджменте понятие «планирование» и «прогнозирование» тесно переплетены. Они не идентичны и не подменяют друг друга. Планы и прогнозы различаются между собой временными границами, степенью детализации содержащихся в них показателей, степенью точности и вероятности их достижения, адресностью и, наконец, правовой основой. Прогнозы, как правило, носят индикативный характер, а планы обладают силой директивного характера. Не подмена и противопоставление плана и прогноза, а их правильное сочетание - таков путь планомерного регулирования экономики в условиях рыночной экономики и перехода к ней.

В промышленности методы прогнозирования также играют первостепенную роль. Используя экстраполяцию и тенденцию, можно делать предварительные выводы относительно разных процессов, явлений, реакций, операций.

Определённую нишу прогнозирование занимает и в военных дисциплинах. Используя методы прогнозирования, можно определить(оценить) радиоактивную обстановку местности и т. д.

Существует много методов прогнозирования. Продифференцировав их общее число, необходимо выбрать оптимальный из них для использования в каждой конкретной ситуации.

Анализ методов прогнозирования, изучение этих методов, использование их в разных сферах деятельности является мероприятием рационализаторского характера. Степень достоверности прогнозов можно затем сравнить с действительно реальными показателями, и, сделав выводы, приступить к следующему прогнозу уже с существующими данными, т.е. имеющейся тенденцией. Опираясь на полученные данные, можно во временном аспекте переходить на более высокую ступень и т.д.

1. Задачи и принципы прогнозирования

Прогноз - конкретное предсказание, суждение о состоянии какого-либо явления в будущем на основе специально научного исследования. Классификация прогнозов осуществляется, как правило, по двум признакам- временному и функциональному. По временному признаку различают прогнозы: кратко-, средне-, долгосрочные и сверхдолгосрочные. Функциональная классификация прогнозов предполагает их деление на исследовательские, программные и ресурсные.

Прогнозирование - процесс разработки прогнозов. В зависимости от вида прогноза различают нормативное, поисковое, оперативное.

Прогнозная модель - модель объекта прогнозирования, исследование которой позволяет получить информацию о возможных состояниях объектах в будущем и (или) путях и сроках их осуществления

Чтобы получить информацию о будущем, нужно изучить зако-ны развития народного хозяйства, определить причины, движущие силы его развития - это основная задача планирования и прогно-зирования. В качестве основных движущих сил развития произ-водства выступают социальные потребности, технические воз-можности и экономическая целесообразность. В соответствии с этим можно указать на три основные задачи планирования и прогнозирования: установление целей развития хозяйства; изыскание оптимальных путей и средств их достижения; опреде-ление ресурсов, необходимых для достижения поставленных целей.

Выбор целей является результатом анализа социально-полити-ческих задач, которые необходимо решить в обществе и которые отображают объективный характер действия экономических законов.

Выбору целей предшествует разработка альтер-натив целей, построение иерархической системы или «дерева целей», ранжирование целей, выбор ведущих звеньев. Исходными предпосылками выбора целей являются, с одной стороны, реаль-ная возможность решения данной альтернативы, а с другой - ее оптимальность по критерию эффективности.

Пути и средства достижения целей определяются на основе анализа развития народного хозяйства и научно-технического про-гресса. При этом в. процессе прогнозирования происходит ограни-чение области альтернативных вариантов путей и средств дости-жения поставленных целей, т. е. определяется область оптималь-ных решений. В процессе разработки плана (принятия решения) определяется единственное решение, оптимальное по принятому вектору критериев.

В зависимости от того, какая задача решается в первую оче-редь, различают два вида прогнозирования: исследовательское (или поисковое) и нормативное. Формирование прогноза объек-тивно существующих тенденций развития на основе анализа исторических тенденций называется исследовательским или поисковым прогнозированием. Этот вид прогнозирования основан на использовании принципа инерционности развития, при кото-ром ориентация прогноза во времени происходит по схеме «от настоящего -- к будущему». Исследовательский прогноз -- это картина состояния объекта прогноза в определенный момент будущего, полученная в результате рассмотрения процесса разви-тия как движения по инерции от настоящего времени до горизон-та прогноза. Прогнозирование тенденций развития объекта про-гноза, которые должны обеспечивать достижение в установленный момент будущего определенных социально-политических, эконо-мических и оборонных целей, называется нормативным. В этом случае ориентация прогноза во времени происходит по схеме «от будущего -- к настоящему».

Рассогласование нормативных и исследовательских оценок объекта прогноза в каждый момент времени будущего является следствием противоречия «потребности--возможности». Комп-лексный прогноз строится на основе композиции исследователь-ского и нормативного прогнозов.

Выбор целей и средств для их достижения непременно должен сочетаться с определением потребности в ресурсах. При опреде-лении этой потребности следует рассматривать плановые и про-гнозные матрицы ресурсов (финансовых, трудовых, материальных и энергетических), а также матрицы производственных мощно-стей и ресурсов времени. Оценке подлежат как потребные ресур-сы, так и вероятные ограничения на их величину в диапазоне времени упреждения плана или прогноза. Матрицы ресурсов про-гноза являются важнейшими исходными данными при составле-нии балансов народного хозяйства при перспективном планиро-вании.

Движущие силы развития не действуют изолированно, они взаимосвязаны и взаимообусловлены и могут быть представлены в виде связного треугольника графа:

Рисунок 1.1 Взаимосвязь движущих сил развития

Вершины этого «причинного, треугольника» идентифицируют движущие силы развития производства, его ребра -- обоюдные связи между ними. Поэтому задачи планирования и прогнозиро-вания нельзя рассматривать изолированно. В процессе прогнози-рования и разработки плана обязательно производится анализ взаимодействия целей, способов и технических средств их дости-жения, ресурсов, необходимых для их реализации, и определяют-ся по принятым критериям эффективности оптимальные пути раз-вития народного хозяйства.

Несмотря на общность задач, их постановка при прогнозиро-вании и планировании различна. При планировании действует следующая схема: «цель - директивная, пути и средства ее дости-жения - детерминированные, ресурсы--ограниченные». При про-гнозировании схема иная: «цели--теоретически достижимые, пути и средства их достижения - возможные, ресурсы - вероятные». Задачи прогнозирования отличаются широтой охвата. Задачи прогнозирования надо оценивать как гло-бальные. К ним можно отнести: анализ ситуации, определение уровней достоверности информации, определение степени вероятности, выработка текущих, средне- и долгосрочных прогнозов. Принципы прогнозирования: сочетание социаль-но-политических и хозяйственных целей; демократический цент-рализм; системность; непрерывность и обратная связь; пропор-циональность и оптимальность; реальность и объективность; выделение ведущего звена и т. д.

Прогнозирование должно носить системный характер. Необходимость системного подхода в прогнозировании вытекает из особенностей развития науки и техники, народного хозяйства в период научно-технической революции. Научно-техническая рево-люция привела к принципиальному изменению свойств, характе-ристик и структуры современной техники и народного хозяйства. Рост количества элементов, объектов различной природы, услож-нение связей между ними и поведения объекта во внешней среде привели к созданию больших технических и производственных (организационно-экономических) систем.

Современные машины обладают высокой конструктивно-функ-циональной сложностью, представляют собой технические комп-лексы, включающие огромное количество деталей, узлов, агрега-тов и готовых изделий, объединенных конечной функциональной целостностью. Конструктивно-функциональная сложность обуслов-ливает высокую материалоемкость, трудоемкость, энергоемкость и стоимость технических комплексов. Развитие техники привело к созданию сложных иерархических структурных построений - больших технических систем. Это свойство технических комплек-сов потребовало системного подхода к ее созданию, системного проектирования. В разрабатываемых технических комплексах кон-струкции отдельных входящих элементов должны быть подчинены общей цели, ради которой создается система, т. е. должна быть обеспечена единая стратегия поведения технической системы.

Создание больших технических систем вызвало в свою очередь появление больших организационно-экономических (производственных) систем, охватывающих множество предприятий, объ-единенных выпуском определенного технического комплекса. Возникает иерархия в структуре управления производственными предприятиями. Неуклонно нарастающие темпы развития науки и техники, создание современных организационно-экономических систем привели к лавинообразному росту информации и увеличе-нию степени нерегулярности ее поступления. Все это потребовало совершенствования методов планирования, создания системы планирования.

Важнейшими требованиями системного подхода являются комплексность прогнозов и планов и непрерывный характер про-цесса планирования.

Комплексный подход предусматривает составление прогнозов и планов во взаимосвязи как в пространстве (в отраслевом и тер-риториальном разрезе), так и во времени. Взаимосвязь в прост-ранстве означает установление рациональных отношений между отраслями народного хозяйства, экономическими районами, уста-новление оптимальных соотношений между темпами развития науки, техники и промышленного производства, сбалансирован-ность потребностей и ресурсов на всех уровнях иерархии.

Взаимосвязь прогнозов и планов во времени обеспечивается реализацией принципа непрерывности планирования. Корректировка планов и прогнозов должна носить дискретный характер с заранее установленными сроками (режим функциони-рования). Относительно частое изменение планов, обусловливаю-щее изменение производственных программ, может привести к дезорганизации работы отраслей и предприятий в силу слож-ности структуры производственных связей в народном хозяйстве, большой трудоемкости и материалоемкости процессов подготовки промышленного производства.

Чувствительность прогноза и планов к изменениям зависит от уровня иерархии, сроков упреждения и периодичности корректи-ровок. Чем ниже уровень, тем чувствительность выше, тем долж-ны быть короче периоды корректировки.

Важнейшим моментом внедрения и использования непрерыв-ных систем планирования является определение качестваработы таких систем и на основе этого нахождение оптимального режима функционирования.

Непрерывность планирования обеспечивается путем реализа-ции принципа обратной связи. Корректировка планов и прогнозов проводится на основании информации обратной связи, содержа-щей данные о результатах реализации планов, и прогнозов, уточнения потребностей, об изменении тенденции развития объек-та и внешней среды (социально-политического, научно-техниче-ского и экономического фона).

Различная степень неопределенности вырабатываемой инфор-мации о будущем влияет на характер применяемых методов, спо-собов и приемов прогнозирования и планирования. Если при разработке планов предпочтение отдается детерминированным методам, то при прогнозировании - стохастическим. При состав-лении планов преимущественное применение имеют регулярные методы, при прогнозировании -- эвристические.

Специфика стадий и этапов планирования влияет также на количество и уровень агрегирования плановых и прогнозных показателей, степень их детерминированности, соотношения директивных и расчетных показателей.

2 МЕТОДЫ НАУЧНО-ТЕХНИЧЕСКОГО ПРОГНОЗИРОВАНИЯ

2.1 Классификация методов прогнозирования

Прежде всего приведем определение метода прогнозирования как способа теоретического и практического действия, направлен-ного.на разработку прогнозов. Это определение является доста-точно общим и позволяет понимать термин «метод прогнозирова-ния» весьма широко: от простейших экстраполяционных расчетов до сложных процедур многошаговых экспертных опросов.

Для изучения методического аппарата прогностики целесооб-разно с самого начала детализировать это широкое понятие. Далее будем различать простые методы прогнозирования и комплексные методы прогнозирования. При этом под простым методом прогнозирования будем понимать метод, неразложимый на еще более простые методы прогнозиро-вания, и соответственно под комплексным - метод, состоящий из взаимосвязанной совокупности нескольких простых.

В настоящее время наряду со значительным числом опубли-кованных методов прогнозирования известны многочисленные способы их классификации. Тем не менее считать этот вопрос удовлетворительно решенным нельзя, так как единой, полезной и полной классификации сейчас еще не создано. Вероятно, про-гностика, как молодая наука, еще не достигла такого уровня раз-вития, когда возможно создание классификации, удовлетворяю-щей всем этим требованиям. Итак, каковы же цели классификации методов прогностики? Можно указать две такие основные цели. Это, во-первых, обеспе-чение процесса изучения и анализа методов и, во-вторых, обслу-живание процесса выбора метода при разработке прогнозов объекта. На современном этапе трудно предложить единую клас-сификацию, в равной степени удовлетворяющую обеим из указан-ных целей.

Существуют два основных типа классификации: последова-тельная и параллельная. Последовательная классификация пред-полагает вычленение частных объемов из более общих. Это про-цесс, тождественный делению родового понятия на видовые. При этом должны соблюдаться следующие основные правила: 1) осно-вание деления (признак) должно оставаться одним и тем же при образовании любого видового понятия; 2) объемы видовых поня-тий должны исключать друг друга (требование отсутствия пере-сечения классов); 3) объемы видовых понятий должны исчерпы-вать объем родового понятия (требование полного охвата всех объектов классификации).

Параллельная классификация предполагает сложное инфор-мационное основание, состоящее не из одного, а из целого ряда признаков. Основной принцип такой классификации--независи-мость выбранных признаков, каждый из которых существен, все вместе одновременно присущи предмету и только их совокупность дает исчерпывающее представление о каждом классе.

Последовательная классификация имеет наглядную интерпре-тацию в виде некоторого генеалогического дерева, охватывает всю рассматриваемую область в целом и определяет место и взаимо-связи каждого класса в общей системе. Поэтому она является более приемлемой для целей изучения, позволяет методически более стройно представлять классифицируемую область знаний.

Каждый уровень классификации характеризуется своим клас-сификационным признаком. Элементы каждого уровня представ-ляют собой наименования принадлежащих им подмножеств элементов ближайшего нижнего уровня, причем подмножеств непересекающихся.

Элементы нижнего уровня представляют собой наименование узких групп конкретных методов прогнозирования (иногда из одного элемента), которые являются модификациями или разно-видностями какого-либо одного, наиболее общего из них.

В целом классификация является открытой, так как представ-ляет возможность увеличивать число элементов на уровнях и наращивать число уровней за счет дальнейшего дробления и уточнения элементов последнего уровня.

На первом уровне все методы делятся на три класса по при-знаку «информационное основание метода». Фактографические методы базируются на фактически имеющемся информационном материале об объекте прогнозирования и его прошлом развитии. Экспертные методы базируются на информации, которую постав-ляют специалисты-эксперты в процессе систематизированных про-цедур выявления и обобщения этого мнения. Комбинированные методы выделены в отдельный класс, чтобы можно было отно-сить к нему методы со смешанной информационной основой, в которых в качестве первичной информации используются фактографическая и экспертная. Например, при проведении экспертного опроса участникам представляют цифровую информацию об объекте или фактографические прогнозы, либо, наоборот, при экстраполяции тенденции наряду с фактическими данными используют экспертные оценки.

Не следует относить к комбинированным методам те методы прогнозирования, которые к экспертной исходной информации применяют математические методы обработки или исходную фак-тографическую информацию оценивают экспертным путем. В большинстве случаев они достаточно хорошо укладываются в первый или второй из перечисленных выше классов.

Эти классы разделяются далее на подклассы по принципам обработки информации. Статистические методы объединяют сово-купность методов обработки количественной информации об объекте прогнозирования по принципу выявления содержащихся в ней математических закономерностей развития и математиче-ских взаимосвязей характеристик с целью получения прогнозных моделей. Методы аналогий направлены на то, чтобы выявлять сходство в закономерностях развития различных процессов и на этом основании производить прогнозы. Опережающие методы про-гнозирования строятся на определенных принципах специальной обработки научно-технической информации, реализующих в про-гнозе ее свойство опережать развитие научно-технического про-гресса.

Экспертные методы разделяются на два подкласса. Прямые экспертные оценки строятся по принципу получения и обработки независимого обобщенного мнения коллектива экспертов (или одного из них) при отсутствии воздействий на мнение каждого эксперта мнения другого эксперта и мнения коллектива. Эксперт-ные оценки с обратной связью в том или ином виде воплощают принцип обратной связи путем воздействия на оценку экспертной группы (одного эксперта) мнением, полученным ранее от этой группы или от одного из ее экспертов.

Третий уровень классификации разделяет методы прогнозиро-вания на виды по классификационному признаку «аппарат мето-дов». Каждый вид объединяет в своем составе методы, имеющие в качестве основы одинаковый аппарат их реализации. Так, ста-тистические методы по видам делятся на методы экстраполяции и интерполяции; методы, использующие аппарат регрессионного и корреляционного анализа; методы, использующие факторный анализ.

Класс методов аналогий подразделяется на методы математи-ческих и исторических аналогий. Первые в качестве аналога для объекта прогнозирования используют объекты другой физической природы, другой области науки, отрасли техники, однако имею-щие математическое описание процесса развития, совпадающее с объектом прогнозирования. Вторые в качестве аналога исполь-зуют процессы одинаковой физической природы, опережающие во времени развитие объекта прогнозирования.

Опережающие методы прогнозирования можно разделить на методы исследования динамики научно-технической информации; методы исследования и оценки уровня техники. В первом случае в основном используется построение количественно-качественных динамических рядов на базе различных видов НТИ и анализа и прогнозирования на их основе соответствующего объекта. Вто-рой вид методов использует специальный аппарат анализа коли-чественной и качественной информации, содержащейся в НТИ, для определения характеристик уровня, качества существующей и про-ектируемой техники.

Прямые экспертные оценки по признаку аппарата реализации делятся на виды экспертного опроса и экспертного анализа. В первом случае используются специальные процедуры формиро-вания вопросов, организации получения на них ответов, обработ-ки полученных ответов и формирования окончательного резуль-тата. Во втором -- основным аппаратом исследования является целенаправленный анализ объекта прогнозирования со стороны эксперта или коллектива экспертов, которые сами ставят и реша-ют вопросы, ведущие к поставленной цели.

Экспертные оценки с обратной связью в своём аппарате име-ют три вида методов: экспертный опрос; генерацию идей; игровое моделирование. Первый вид характеризуется процедурами регла-ментированного неконтактного опроса экспертов перемежающими-ся обратными связями в рассмотренном выше смысле. Второй -- построен на процедурах непосредственного общения экспертов в процессе обмена мнениями по поставленной проблеме. Он характеризуется отсутствием вопросов и ответов и направлен на взаимное стимулирование творческой деятельности экспертов. Третий вид использует аппарат теории игр и ее прикладных раз-делов. Как правило, реализуется на сочетании динамического взаимодействия коллективов экспертов и вычислительной маши-ны, имитирующих объект прогнозирования в возможных будущих ситуациях.

Наконец, последний, четвертый, уровень классификации под-разделяет виды методов третьего уровня на отдельные методы и группы методов по некоторым локальным для каждого вида совокупностям классификационных признаков, из которых ука-зать один общий для всего уровня в целом невозможно.

2.2 Экстраполяционные методы прогнозирования

Методы экстраполяции тенденций являются, пожалуй, самыми распространенными и наиболее разработанными среди всей сово-купности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе.предположение о том, что рассматриваемый процесс изменения переменной представля-ет собой сочетание двух составляющих--регулярной и случайной:

Считается, что регулярная составляющая f (a , х) представляет собой гладкую функцию от аргумента (в большинстве случаев-- времени), описываемую конечномерным вектором параметров а, которые сохраняют свои значения на периоде упреждения про-гноза. Эта составляющая называется также трендом, уровнем, детерминированной основой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса. Интуи-тивное, потому что для большинства экономических, технических, природных процессов нельзя однозначно отделить тренд от слу-чайной составляющей. Все зависит от того, какую цель пресле-дует это разделение и с какой точностью его осуществлять.

Случайная составляющая n(х) обычно считается некоррели-рованным случайным процессом с нулевым математическим ожи-данием. Ее оценки необходимы для дальнейшего определения точностных характеристик прогноза.

Экстраполяционные методы прогнозирования основной упор делают на выделение наилучшего в некотором смысле описания тренда и на определение прогнозных значений путем его экстра-поляции. Методы экстраполяции во многом пересекаются с мето-дами прогнозирования по регрессионным моделям. Иногда их различия сводятся лишь к различиям в терминологии, обозначе-ниях или написании формул. Тем не менее сама по себе прогнозная экстраполяция имеет ряд специфических черт и приемов, позво-ляющих причислять ее к некоторому самостоятельному виду методов прогнозирования.

Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки числового ряда с целью преобразования его к виду, удобному для прогнозирова-ния, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние как па выбор вида экстра-полирующей функции, так и на определение границ изменения ее параметров.

2.2.1 Предварительная обработка исходной информации в задачах прогнозной экстраполяции

Предварительная обработка исходного числового ряда направ-лена на решение следующих задач (всех или части из них): сни-зить влияние случайной составляющей в исходном числовом ряду, т. е. приблизить его к тренду; представить информацию, содержащуюся в числовом ряду, в таком виде, чтобы существенно снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда.

Процедура сглаживания направлена на минимизацию случай-ных отклонений точек ряда от некоторой гладкой кривой пред-полагаемого тренда процесса. Наиболее распространен способ осреднения уровня по некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем обычно называется скользящая средняя. В самом простом варианте сглаживающая функция линейна и сглаживающая груп-па состоит из предыдущей и последующей точек, в более слож-ных -- функция нелинейна и использует группу произвольного числа точек.

Сглаживание производится с помощью многочленов, прибли-жающих по методу наименьших квадратов группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе.

Сглаживание даже в простом линейном варианте является во многих случаях весьма эффективным средством выявления тренда при наложении на эмпирический числовой ряд случайных помех и ошибок измерения. Для рядов со значительной ампли-тудой помехи имеется возможность проводить многократное сгла-живание исходного числового ряда. Число последовательных циклов сглаживания должно выбираться в зависимости от вида исходного ряда, от степени предполагаемой его зашумленности помехой, от цели, которую преследует сглаживание. Надо иметь при этом в виду, что эффективность этой процедуры быстро уменьшается (в большинстве случаев), так что целесообразно повторять ее от одного до трех раз.

Линейное сглаживание является достаточно грубой процеду-рой, выявляющей общий приблизительный вид тренда. Для более точного определения формы сглаженной кривой может применять-ся операция нелинейного сглаживания или взвешенные скользящие средние. В этом случае ординатам точек, входящих в сколь-зящую группу, приписываются различные веса в зависимости от их расстояния от середины интервала сглаживания.

Если сглаживание направлено на первичную обработку число-вого ряда для исключения случайных колебаний и выявления тренда, то выравнивание служит целям более удобного представ-ления исходного ряда, оставляя прежними его значения.

Наиболее общими приемами выравнивания являются логариф-мирование и замена переменных.

В случае если эмпирическая формула предполагается содер-жащей три параметра либо известно, что функция трехпарамет-рическая, иногда удается путем некоторых преобразований иск-лючить один из параметров, а оставшиеся два привести к одной из формул выравнивания.

Можно рассматривать выравнивание не только как метод представления исходных данных, но и как метод непосредствен-ного приближенного определения параметров функции, аппрокси-мирующей исходный числовой ряд. Зачастую именно так и используется этот метод в некоторых экстраполяционных про-гнозах. Отметим, что возможность непосредственного его исполь-зования для определения параметров аппроксимирующей функ-ции определяется главным образом видом исходного числового ряда и степенью наших знаний, нашей уверенности относительно вида функции, описывающей исследуемый процесс.

В том случае, если вид функции нам неизвестен, выравнива-ние следует рассматривать как предварительную процедуру, в процессе которой путем применения различных формул и прие-мов выясняется наиболее подходящий вид функции, описывающей эмпирический ряд.

Одной из разновидностей метода выравнивания является исследование эмпирического ряда с целью выяснения некоторых свойств функции, описывающей его. При этом не обязательно преобразования приводят к линейным формам. Однако результа-ты их подготавливают и облегчают процесс выбора аппроксими-рующей функции в задачах прогностической экстраполяции. В простейшем случае предлагается использовать следующие три типа дифференциальных функций роста:

1) Первая производная, или абсолютная дифференциальная функция роста.

2) Относительный дифференциальный коэффициент, или лога-рифмическая производная,

3) Эластичность функции

2.3 Статистические методы

Прежде чем приступить к анализу статистических методов прогнозирования, рассмотрим некоторые общие понятия и опреде-ления, относящиеся к корреляционным и регрессионным моделям. Две случайные величины являются корреляционно связан-ными, если математическое ожидание одной из них меняется в зави-симости от изменения другой.

Применение корреляционного анализа предполагает выполне-ние следующих предпосылок:

а) Случайные величины y (y 1 , у 2 , ..., У n ) и x (x 1 , x 2 , ..., Х n ) могут рассматриваться как выборка из двумерной генеральной совокуп-ности с нормальным законом распределения.

б) Ожидаемая величина погрешности и равна нулю

в) Отдельные наблюдения стахостически независимы, т. е. зна-чение данного наблюдения не должно зависеть от значения преды-дущего и последующего наблюдений.

г) Ковариация между ошибкой, связанной с одним значением зависимой переменной у, и ошибкой, связанной с любым другим значением y , равна нулю.

д) Дисперсия ошибки, связанная с одним значением у, равна дисперсии ошибки, связанной с любым другим значением.

е) Ковариация между погрешностью и каждой из независимых переменных равна нулю.

ж) Непосредственная применимость этого метода ограничивается случаями, когда уравнение кривой является линейным относительно своих параметров b o , b i , ...,b k Это, однако, не означает, что само уравнение кривой относительно переменных должно быть линей-ным. Если эмпирические уравнения наблюдений не являются линейными, то во многих случаях оказывается возможным при-вести их к линейной форме и уже. после этого применять метод наименьших квадратов.

з) Наблюдения независимых переменных производятся без погрешности.

Перед началом корреляционного анализа необходимо проверить выполнение этих предпосылок.

Связь между случайной и неслучайной величинами называется регрессионной, а метод анализа таких связей -- регрессионным анализом. Применение регрессионного анализа предполагает обя-зательное выполнение предпосылок (б-г) корреляцион-ного анализа. Только при выполнении приведенных предпосылок оценки коэффициентов корреляции и регрессии, получаемые с помощью способа наименьших квадратов, будут несмещенными и иметь минимальную дисперсию.

Регрессионный анализ тесно связан с корреляционным. При выполнении предпосылок корреляционного анализа выполняются предпосылки регрессионного анализа. В то же время регрессионный анализ предъявляет менее жесткие требования к исходной инфор-мации.» Так, например, проведение регрессионного анализа воз-можно даже в случае отличия распределения случайной величины от нормального, как это часто бывает для технико-экономических величин. В качестве зависимой переменной в регрессионном ана-лизе используется случайная переменная, а в качестве независи-мой -- неслучайная переменная.

По степени комплексности статистические исследования можно разделить на двумерные и многомерные. Первые касаются рассмот-рения парных взаимосвязей между переменными (парные корре-ляции и регрессии) и направлены в прогнозных исследованиях на решение таких задач, как установление количественной меры тес-ноты связи между двумя случайными величинами, установление близости этой связи к линейной, оценки достоверности и точности прогнозов, полученных экстраполяцией регрессионной зависимо-сти. Многомерные методы статистического - анализа направлены в основном на решение задачи системного анализа многомерных стохастических объектов прогнозирования. Целью такого анализа является, как правило, выяснение внутренних взаимосвязей между переменными комплекса, построение многомерных функций связи переменных, выделение минимального числа характеристик, описы-вающих объект с достаточной степенью точности. Одной из основ-ных задач здесь является сокращение размерности описания объ-екта прогнозирования.

Таким образом, статистические методы используются в основ-ном для подготовки данных, приведения их к виду, пригодному для производства прогноза. Как правило, после их применения исполь-зуется один из методов экстраполяции или интерполяции для полу-чения непосредственно прогнозного результата.

2.4 Экспертные методы

2.4.1 Область применения экспертных методов

Методы экспертных оценок в прогнозировании и перспективном планировании научно-технического прогресса применяются в сле-дующих случаях:

а) в условиях отсутствия достаточно представительной и досто-верной статистики характеристики объекта (например, лазеры, голографические запоминающие устройства, рациональное исполь-зование водных ресурсов на предприятиях);

б) в условиях большой неопределенности среды функционирования объекта (например, прогнозов человеко-машинной системы в кос-мосе или учет взаимовлияния областей науки и техники);

в) при средне- и долгосрочном прогнозировании объектов новых отраслей промышленности, подверженных сильному влиянию новых открытий в фундаментальных науках (например, микробио-логическая промышленность, квантовая электроника, атомное машиностроение);

г) в условиях дефицита времени или экстремальных ситуациях.

Экспертная оценка необходима, когда нет надлежащей теоре-тической основы развития объекта. Степень достоверности экспер-тизы устанавливается по абсолютной частоте, с которой оценка эксперта в конечном итоге подтверждается последующими собы-тиями. Существует две категории экспертов - это узкие специали-сты и специалисты широкого профиля, обеспечивающие формули-рование крупных проблем и построение моделей. Выбор экспертов для прогноза производится на основе их репутации среди опреде-ленной категории специалистов. Однако не следует забывать и того обстоятельства, что первоклассный специалист не всегда может достаточно квалифицированно рассмотреть и понять общие, глобальные, вопросы. Для этой цели нужно привлекать экспертов хотя и недостаточно узко информированных, но обладающих спо-собностью к дерзанию и воображению.

«Эксперт» в дословном переводе с латинского языка означает «опытный». Поэтому и в формализованном, и в неформализован-ном способах определения эксперта значительное место занимают профессиональный опыт и развитая на его основе интуиция. Усло-вия необходимости и достаточности отнесения специалиста к кате-гории экспертов вводятся следующим образом.

Важно установить не абсолютную степень надежности эксперт-ной оценки, а степень надежности по сравнению с оценкой среднего специалиста, а также корреляцию между вероятностью его прогноз-ной оценки и надежностью класса тех гипотез, которыми оперирует эксперт. В общем, нужно определить, что такое эксперт. Перечис-лим некоторые требования, которым должен удовлетворять эксперт:

1) оценки эксперта должны быть стабильны во времени и транзи-тивны; 2) наличие дополнительной информации о прогнозируемых признаках лишь улучшает оценку эксперта; 3) эксперт должен быть признанным специалистом в данной области знаний; 4) эксперт должен обладать некоторым опытом успешных прогнозов в дан-ной области знаний.

Характеризуя экспертов, следует иметь в виду, что в результате выработки оценок могут иметь место ошибки двух видов. Ошибки первого вида известны в технике измерений как систематические, ошибки второго вида -- как случайные. Эксперт, склонный к ошиб-кам первого вида, выдает значения, которые устойчиво отличаются от истинного в сторону увеличения или уменьшения. Полагают, что ошибки этого вида связаны со складом ума экспертов. Для коррек-ции систематических ошибок можно применять поправочные коэф-фициенты или же использовать специально разработанные трени-ровочные игры. Ошибки второго вида характеризуются величиной дисперсии. Исходя из анализа основных видов ошибок при выне-сении экспертных суждений, можно добавить к рассмотренному ранее перечню требований к экспертам еще одно. Смысл его состоит в том, что следует предпочесть эксперта, оценки которого имеют малую дисперсию и систематическое отклонение средней ошибки от нуля, эксперту со средней ошибкой, равной нулю, но с большей дисперсией. К сожалению, априори определить способность человека делать правильные экспертные оценки невозможно. Важным средством подготовки экспертов являются специальные тренировочные игры.

Организация форм работы эксперта может быть программиро-ванной или непрограммированной, а деятельность эксперта может осуществляться в устной (интервью) либо в письменной форме (ответ на вопросы специальных таблиц экспертных оценок или сво-бодное изложение по заданной теме).

Программирование формы работы эксперта предполагает:

построение граф-модели объекта на базе ретроспективного ана-лиза; определение структуры таблиц экспертных оценок (ТЭО) или программы интервью на базе граф-модели объекта и целей экспер-тизы; определение типа и формы вопросов в ТЭО или в интервью;

определение типа шкалы для вопросов в ТЭО; учет психологиче-ских особенностей экспертизы при определении последовательности вопросов в ТЭО; учет верифицирующих вопросов; разработка логи-ческих приемов для последующего синтеза прогнозных оценок в комплексных прогнозах объекта.

Организация стимуляции работы эксперта состоит в разработке:

эвристических приемов и способов, облегчающих поиск прогнозной экспертной оценки; правовых норм, гарантирующих эксперту оформление приоритета и авторства, а также неразглашения всех научно-технических идей, выдвигаемых им в процессе экспертизы;

форм моральной, профессиональной и материальной заинтересо-ванности эксперта в экспертных оценках; организационных форм работы эксперта (включение в план работы и т. п.).

Исходя из полученной в результате анализа модели объекта прогнозирования, определяются научные и технические направле-ния, по которым необходимо привлечь эксперта, выделяются группы экспертов по принадлежности вопроса к области фунда-ментальных, прикладных наук или к стыковым научным направ-лениям.

При решении задачи формирования экспертной группы необхо-димо выявить и стабилизировать работоспособную сеть экспертов. Способ стабилизации экспертной сети заключается в следующем. На основе анализа литературы по прогнозируемой проблеме выби-рается любой специалист, имеющий несколько публикаций в дан-ной области. К нему обращаются с просьбой назвать 10 наиболее компетентных, по его мнению, специалистов по данной проблеме. Затем обращаются одновременно к каждому из десяти названных специалистов с просьбой указать 10 наиболее крупных их коллег-ученых. Из полученного списка специалистов вычеркиваются 10 первоначальных, а остальным рассылаются письма, содержащие указанную выше просьбу. Данную процедуру повторяют до тех пор, пока ни один из вновь названных специалистов не добавит новых фамилий к списку экспертов, т. е. пока не стабилизируется сеть экспертов. Полученную сеть экспертов можно считать генеральной совокупностью специалистов, компетентных в области прогнози-руемой проблемы. Однако в силу ряда практических ограничений оказывается нецелесообразным привлекать всех специалистов к экспертизе. Поэтому необходимо сформировать репрезентативную выборку из генеральной совокупности экспертов.

Определение специфики процедур для методов класса ПЭО (персональных экспертных оценок) осуществляется на основе ана-лиза требований к экспертам и их оценкам, вытекающим из сущно-сти методов:

а) аналитические записки предъявляют требования структуризации экспериментируемой проблемы, экспликации и ранжирования целей, анализа альтернативных путей достижения цели, оценки затрат на каждую альтернативу и рекомендаций по наиболее эффективным способам решения проблем;

б) парные сравнения, нормирование и ранжирование требуют одно-родности оцениваемых признаков, наличия логически обоснованных критериев и эталонов, наличие однозначно определенных процедур оперирования с критериями, эталонами и признаками;

в) интервью предъявляют специфические требования как к экспер-ту, так и к интервьюеру;

г) морфологическая структуризация требует четкого определения функциональных характеристик объекта или проблемы, которые необходимо улучшить, классификации научных принципов, на основе которых возможно улучшение характеристики; анализа все-возможных комбинаций этих принципов и отсева заведомо абсурдных; оценки комбинаций по степени осуществимости и затрат на их реализацию; сравнения комбинаций по комплексному критерию «затраты -- эффективность -- время».

2.4.2 Метод эвристического прогнозирования (МЭП)

Основная задача, стоящая перед специалистами по анализу и проектированию больших систем, в общем случае, как правило, заключается в нахождении наиболее оптимальных способов созда-ния более эффективных систем -- либо вновь проектируемых, либо модернизируемых. Сложность решения этой задачи состоит прежде всего в том, что здесь обычно нет возможности найти решение чисто математическими методами, поскольку, как правило, не удается точно определить величины (функционалы), подлежащие оптими-зации (экстремализации) в математическом смысле. Это связано не только со сложностью описания функционирования больших систем, но и с такими принципиальными видами, как, например, специфика целей, для достижения которых предназначена система. Во-первых, перед системой может стоять не одна цель, а набор их, что сразу же приводит к задаче векторной оптимизации. Во-вторых, набор целей, поставленных перед системой, может содержать в своем составе чисто качественные цели, не подлежащие практи-чески реализующимся количественным измерениям. Это приводит, с одной стороны, к проблеме оценки степени достижения качествен-ной цели и, с другой -- к проблеме соизмерения важности качест-венных и количественных целей и степени их достижения.

Аналогичная ситуация возникает и при оценке последствий предполагаемого способа достижения поставленной цели. Укажем для примера, что эти последствия могут одновременно носить эко-номический, политический, социальный или какой-либо другой характер.

В этих условиях решение системной задачи находится посред-ством эвристических приемов, использующих весьма сложный математический аппарат, и заключается в выдаче обоснованных рекомендаций, достаточных для выработки решения.

Методом эвристического прогнозирования называется метод получения и специализированной обработки прогнозных оценок объекта путем систематизированного опроса высококвалифициро-ванных специалистов (экспертов) в узкой области науки, техники или производства. Прогнозные экспертные оценки отражают индивидуальное суждение специалиста относительно перспектив развития его области и основаны на мобилизации профессиональ-ного опыта и интуиции.

Метод эвристического прогнозирования сходен с дельфийской техникой, коллективной генерацией идей и методом коллективной экспертной оценки в том смысле, что одним из элементов его является сбор и обработка суждений экспертов, высказанных на основе профессионального опыта и интуиции. Однако он отли-чается от указанных методов большей четкостью теоретических основ, способами формирования анкет и таблиц, порядком работы с экспертами и алгоритмом обработки полученной информации. Эвристическим данный метод назван в связи с однородностью форм мыслительной деятельности эксперта при решении научной проблемы и при оценке перспектив развития объекта прогнозиро-вания, а также в связи с использованием экспертами специфиче-ских приемов, приводящих к правдоподобным умозаключениям.

Назначение метода эвристического прогнозирования - выявле-ние объективизированного представления о перспективах развития узкой области науки и техники на основе систематизированной обработки прогнозных оценок репрезентативной группы экспертов.

Область применения МЭП -- научно-технические объекты и проблемы, развитие которых либо полностью, либо частично не поддается формализации, т. е. для которых трудно разрабаты-вать адекватную модель. Например, элементно-технологическая база ЭЦВМ.

В основе метода лежат три теоретических допущения: 1) сущест-вования у эксперта психологической установки на будущее, сфор-мулированной на основе профессионального опыта и интуиции, и возможности ее экстериоризации; 2) тождественности процесса эвристического прогнозирования и процесса решения научной проблемы с однотипностью получаемого знания в форме эвристи-ческих правдоподобных умозаключений, требующих верификации;

3) возможности адекватного отображения тенденции развития объекта прогнозирования в виде системы прогнозных моделей, синтезируемых из прогнозных экспертных оценок.

Эти допущения реализуются в методе эвристического прогнози-рования путем системы приемов работы с экспертами, способами оценок и синтеза прогнозных моделей.

В качестве исходных документов при работе по методу эвристи-ческого прогнозирования выступают: описание метода; инструкции по формулированию вопросов; инструкции по составлению анкет и таблиц экспертных оценок; порядок работы с экспертами; набор эвристических приемов для экспертов; инструкция для экспертов по заполнению анкет и таблиц; инструкция по обработке на ЭВМ экс-пертных анкет и таблиц; алгоритмы и программы для обработки данных на ЭВМ; заполненные экспертами анкеты и таблицы; ин-струкция по оценке компетентности экспертов; инструкция по синте-зу прогнозных моделей; набор способов верификации прогнозов.

Наличие полностью сформулированного информационного мас-сива дает полное основание для качественной работы с МЭП.

Формирование анкет и таблиц экспертных оценок . Информаци-онным массивом для разработки прогнозов методом эвристического прогнозирования является набор заполненных экспертами таблиц и анкет. Таблицы содержат перечень строго сформулиро-ванных вопросов. К вопросам в анкетах предъявляются следующие требования: 1) они должны быть сформулированы в общепринятых терминах; 2) формулировка их должна исключать всякую смысло-вую неоднозначность; 3) все вопросы должны логически соответ-ствовать структуре объекта прогноза; 4) они должны быть отне-сены к одному из трех перечисленных ниже видов. В зависимости от вида вопроса применяется определенная процедура его форму-лирования и составления анкет.

К первому виду относятся вопросы, ответы на которые содержат количественную оценку: вопросы относительно времени свершения событий; опросы относительно количественного значения прогнозируемого параметра; вопросы относи-тельно вероятности осуществления события; вопросы по оценке относительного влияния фак-торов друг на друга в некоторой шкале. Для данного типа вопроса применяется самая простая процедура составления анкет. В этом случае сам прогнозист, знающий объект прогноза, формулирует перечень значений оцениваемых параметров, вероятностей и вре-менных отрезков. При определении шкалы значений количествен-ных параметров (время, характеристика и пр.) целесообразно поль-зоваться неравномерной шкалой. Конкретное значение неравномер-ности определяется характером зависимости ошибки прогноза от времени упреждения.

Ко второму виду относятся содержательные вопросы, требую-щие свернутого ответа не в количественной форме. Вопросы, требующие ответа в свернутой форме, могут быть трех типов: дизъюнк-тивные; конъюнктивные; импликативные.

Вопросы, требующие содержательного ответа в свернутой форме, характеризуются наиболее сложной процедурой их форми-рования в анкету. Анкета в окончательном виде получается в результате трехэтапной итерации. На первом этапе прогнозист тщательно изучает результат работы (доклад) группы экспертов (метод комиссий) над определенной системой. Итогом изучения является формулировка первого варианта вопросника, который на втором этапе рассылается председателям соответствующих комис-сий для корректировки и уточнения. В результате получается вто-рой вариант вопросника. На третьем этапе вопросы группируются по темам и в определенном порядке внутри тем. Окончательный вариант вопросника приобретает форму таблиц экспертных оценок.

Подобные документы

Методы прогнозирования и программирования социальной сферы. Функции и приоритеты социальной политики Европейского союза, направления и принципы ее реформирования в Северной Европе. Характеристика и отличительные признаки ресурсной политики Норвегии.

курсовая работа , добавлен 16.11.2009


Изучение теоретических основ ценообразования на мировом рынке. Рассмотрение сущности и видов цен с точки зрения зарубежного опыта. Проведение анализа и прогнозирования данной сферы в Республике Беларусь; разработка рекомендаций по их совершенствованию.

курсовая работа , добавлен 24.09.2014


Порядок построения экономических моделей и их дальнейшее практическое применение. Методы прогнозирования курсов валют на современном этапе. Сущность теории ценообразования опциона, его премия. Выбор оптимального способа оплаты в международной практике.

контрольная работа , добавлен 16.10.2010


Государственное экономическое планирование в развитых странах: методы прогнозирования, планирования и налогообложения. Развитие агропромышленного комплекса Республики Казахстан. Методы оценки эффективности управления государственными пакетами акций.

контрольная работа , добавлен 06.10.2012


Цикличность развития экономики. Экономические циклы, их виды и причины возникновения. Великая депрессия 1929-1933 гг. Финансовый кризис 1998 года в России: причины и последствия. Мировой финансовый кризис 2008 г. Методы прогнозирования банкротства.

курсовая работа , добавлен 20.04.2015


Обоснование необходимости прогнозирования рынка при принятии управленческих решений в системе управления производственно-хозяйственной деятельностью. Построение модели мирового предложения и мирового спроса в кратковременной и долговременной перспективе.

лабораторная работа , добавлен 10.10.2016


Характеристика отдельных стран G7 и Е7. Динамика макроэкономических показателей. Прогноз изменения экономической силы. Выбор модели прогнозирования. Прогнозирование показателей G7, Е7 и мировой экономики. Анализ экономической силы G7 И Е7 в 2020 году.

курсовая работа , добавлен 28.05.2014


Развитие торговых отношений России с зарубежными странами, совершенствование их договорно-правовой базы. Динамика объема и технологической структуры внешней торговли государства, возможности прогнозирования с помощью макроэкономических показателей.

курсовая работа , добавлен 30.05.2015


Методы государственного регулирования внешнеэкономической деятельности и их классификация. Цели и задачи введения нетарифных мер. Меры прямого ограничения, квотирование, лицензирование, таможенные и административные формальности, иные нетарифные методы.

презентация , добавлен 18.05.2010


Характеристика международного бизнеса в системе международных экономических отношений. Деловой и кросс-культурный методы международного бизнеса. Формы и методы международного бизнеса компаний "Хьюлетт-Паккард" и "Бритиш Петролиум": сравнительный анализ.

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.