Метод_указан_ЛР_Анализ_ВР4_ИУ_Лабунец (Методические указания к выполнению лабораторных работ), страница 2

Шаг 1: Вычислить прогноз рынка на один шаг времени

или

.

Шаг 2: Вычислить ошибку прогноза рынка на один шаг времени

или

.

Шаг 3: Корректировать среднее значение рынка за один шаг времени

или

.

Шаг 4: Корректировать темп изменения рынка за один шаг времени

или

.

Шаг 5: Корректировать сезонный цикл за один шаг времени

или

.

Шаг 6: Цикл по времени n = n + 1. Идти к Шагу 1.

Наряду с рассмотренными выше локально линейными моделями трендов на практике широко применяют локально квадратичные, экспоненциальные и гиперболические модели в сочетании с квазипериодическими компонентами аддитивного и мультипликативного вида [15, с.59]. Однако, из анализ и практическое освоение выходи за рамки данных практических занятий.

4.4 Практическая часть

Рисунок 4.1 – Среднее значение и темп изменения НВР за первые 24 месяца

Рисунок 4.2 – Инструментальная панель экспоненциального сглаживания ВР

Рисунок 4.3 –Моделирование тренда с помощью экспоненциальной

скользящей средней: 1 - НВР; 2- EMA(0,05; 0); 3 - EMA(0,05; 19); 4 - остаток

Рисунок 4.4 – Краткосрочный прогноз с помощью экспоненциальной

скользящей средней: 1 - НВР; 2- EMA(0,5; 0); 3 - EMA(0,5; 1); 4 - остаток

Рисунок 4.5 – Формирование тренда и прогноза НВР в среднем с помощью

линейной модели Хольта: 1 – НВР; 2 – модель Хольта; 3 - остаток

Рисунок 4.6 – Формирование тренда и прогноза НВР в среднем с помощью

комбинированной модели: 1 – НВР; 2 – модель Хольта; 3 – тренд; 4 - остаток

Рисунок 4.7 – Среднее значение и темп изменения НВР

за первые 24 месяца в логарифмическом масштабе

Рисунок 4.8 – Моделирование и прогнозирование аддитивной сезонности:

1 – логарифм НВР; 2 - модель Тейла – Вейджа; 3 - остаток

Рисунок 4.9 – Моделирование и прогнозирование мультипликативной

сезонности: 1- НВР; 2- модель Уинтерса; 3 - остаток

Рисунок 4.10 – Адаптивное моделирование и прогнозирование НВР:

1 – НВР; 2, 3, 4 - модели Хольта, Тейла – Вейджа, Уинтерса

4.5 Выводы

Адаптивные модели экспоненциального сглаживания с достаточной степенью точности моделируют и прогнозируют динамику НВР. Модель линейного тепа изменения Хольта адекватно описывает тренд НВР. Нличие трендовой и квазипериодической составляющих НВР требует применения сезонных моделей Тейла – Вейджа или Винтерса в зависимости от аддитивного или мультипликативного характера поведения сезонности.

4.6 Контрольные вопросы

1. Какой фундаментальный принцип лежит в основе процедуры экспоненциального сглаживания?

2. Какие модели динамики НВР может формировать простая экспоненциальная скользящая средняя?

3. Изложите методику выбора параметров EMA и анализа ее запаздывания относительно НВР.

4. Изложите методику выбора параметров модели Хольта при формировании оценки тренда НВР.

5. Изложите методику выбора параметров модели Тейла – Вейджа при формировании оценки аддитивной квазигармонической составляющей НВР.

6. Изложите методику выбора параметров модели Уинтерса при формировании оценки мультипликативной квазигармонической составляющей НВР.

60