Отчёт 4 (Лабораторная работа №4)
Описание файла
Файл "Отчёт 4" внутри архива находится в папке "Лабораторная работа №4". Документ из архива "Лабораторная работа №4", который расположен в категории "". Всё это находится в предмете "анализ временных рядов" из 11 семестр (3 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "лабораторные работы", в предмете "анализ временных рядов" в общих файлах.
Онлайн просмотр документа "Отчёт 4"
Текст из документа "Отчёт 4"
МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ им. Н.Э.БАУМАНА
Кафедра ИУ5
Отчёт
по лабораторной работе №4
по курсу «Анализ временных рядов»
«Адаптивные модели экспоненциального сглаживания нестационарных временных рядов»
Выполнил:
студент группы ИУ5-114
Шевченко Р.В.
Дата:_______________
Подпись:___________
Проверил: Лабунец Л. В.
____________________
Москва 2013
Цель работы
Изучить модели линейного темпа изменения сезонных составляющих на основе процедур экспоненциального сглаживания.
Задачи работы
-
Изучить модель простой экспоненциальной срежней и ее параметров для формирования тренда и краткосрочного прогноза НВР;
-
Изучить модель линейного темпа изменения Хольта для формирования тренда НВР;
-
Изучить модели экспоненциального сглаживания Тейла-Вейджа и Винтерса для моделирования сезонных составляющих НВР.
Теоретическая часть
Экспоненциальное сглаживание – простой и эффективный метод усреднения по времени ФВР для оценки его основных статистик. Модель экспоненциальной скользящей средней(EMA-Exponential Moving Average) имеет вид линейного разностного уравнения первого порядка.
Свойства EMA
Реализуется регуляризационный принцип Тихонова-Филлипса. При формировании моделей всегда нужно ориентироваться на реально существующее количество степеней свободы модели, которые описывают скрытую закономерность. Тихонов в классе моделей заданной тоности предлагает выбирать самую простую. Должны присутствовать два штрафа: за ошибку и за сложность. Они взвешиваются, мы можем влиять на модель весами. Линейный дифференциальный оператор – критерий сложности.
-
Целевая функция
Смысл формулы - в каждом классе с заданным квадратом ошибки выбрать наиболее гладкую. Первая разность характеризует гладкость модели. Максимально гладкая модель – уникальная возможность выбрать тренд.
-
Оценка запаздывания. Способ Эйлера.
-
Моделирование тренда
Модель обладает длинной памятью. Сглаживание происходит по большому промежутку. Модель достаточно гладкая.
-
Краткосрочный прогноз
Модель обладает очень короткой памятью.
-
Незапаздывающая модель тренда Эйлера
- форма, которая компенсирует запаздывание.
Модель линейного темпа изменения рынка Хольта-Брауна
Модели, адекватно описывающие нестационарное сглаживание должны быть по определению адаптивными (параметры модели должны пересчитываться при изменении исходных данных)
-
Прогноз рынка на 1 шаг времени (локально-линейный тренд)
-
Алгоритм Хольта адаптации параметров локально-линейного тренда
Модель адаптации Хольта реализует процесс простого экспоненциального сглаживания.
x(n) – зашумлённая оценка рынка. Подавление шума основано на экспоненциальном сглаживании. При этом предыдущие значения рынка определяются локально-линейным прогнозом.
α1 и α2 – параметры сглаживания.
a1 – медленный процесс.
a2 – быстрый процесс
-
Алгоритм Хольта в терминах ошибки прогноза рынка на 1 шаг времени
Алгоритм Хольта рационально делать на 1 шаг прогноза, т.к. сложность вычислений значительно уменьшается.
Для инициализации модели Хольта нужны a1(0) и a2(0).
Основной недостаток: требуется рассчитать 2 параметра.
Сезонные модели экспоненциального сглаживания.
-
Аддитивно-сезонный цикл Тейла-Вейджа:
-
Прогноз рынка на 1 шаг времени
Сезонный цикл – квазипериодичный сезонный ряд, т.е.
-
Алгоритм Тейла-Вейджа адаптации параметров сезонного цикла
Шумы возникают из-за того, что мы точно не знаем значение c(n), а брали c(n-T), то есть приближённое значение.
- сам моделируемый процесс – средняя цена рынка
-
– сезонный цикл, самые короткие периоды
-
Алгоритм Тейла-Вейджа в терминах ошибки прогноза рынка на 1 шаг времени
Шаг 0:
Инициализация. Выбрать параметры сглаживания , , и начальные значения: n=T, , , , c(k), k=0;(T-1)
Шаг 1:
Вычислить прогноз рынка на 1 шаг времени
Шаг 2:
Вычислить ошибку прогноза рынка на 1 шаг времени
Шаг 3:
Корректировать среднее значение рынка за 1 шаг времени
Шаг 4:
Корректировать темп изменения рынка за 1 шаг времени
Шаг 5:
Корректировать средний цикл за 1 шаг времени
Шаг 6:
Цикл по времени n=n+1.
Идти к шагу 1.
-
Мультипликативный сезонный цикл Винтерса
-
Прогноз рынка на 1 шаг времени
-
Алгоритм Винтерса адаптации параметров сезонного цикла
Практическая часть
Исходные данные:
Модель простой экспоненциальной средней
График нашего НВР выглядит так:
Добавляем наш ряд в окно экспоненциального сглаживания:
Additive – аддитивная сезонная компонента Тейла-Вейджа.
Multiplicetive – мультипликативная сезонная компонента модель Винтерса.
Первая строчка – локально-постоянная модель тренда.
Вторая строка – локально-линейная модель тренда.
Третья строка - локально-экспоненциальная модель тренда.
Смысл адаптации экспоненциального сглаживания – параметры (средняя цена рынка, темп измененпия цены рынка за олин шаг времени) модели обновляются по мере поступления новых данных.
При малых значениях альфа моделируется тренд. Альфа большое – вес ошибки маленький, вектор гладкости маленький. Получаем краткосрочный прогноз. Исходя из принципа регуляризации.
Получаем простую скользящую среднюю и за основу берем локально-постоянную модель тренда. Средняя цена рынка будет изменяться. Эффективный временной интервал сглаживания равен: α=2/(K+1) => K=2/альфа-1
-
Возьмем α=0,050
Модель неадекватно оценивает поведение рынка
Произведём линейную аппроксимацию данных на ранних этапах
Модель неплохо описывает первые 2 года, но дальше прогноз становится далёким от реальности.
121 – средняя цена рынка на предприятии
0,97 – темп изменения рынка за один мес
Устанавливаем начальные значения в окне экспоненциального сглаживания
Среднняя цена рынка -121:
Оценка получается правдоподобной:
Lag = (1-α)/α = ~(K-1)/2
Любая скользящая средняя – цифровой фильтр. Она запаздывает. В данном случае на 19 шагов. Сдвинем полученный график на 19 шагов назад:
Получили следующий результат:
График удалили. На рабочей панели появилась еще одна запись (третья). Построили все 3 графика на одном поле:
-
α=0,5 – краткосрочный прогноз
Исправили запаздывание на 1 шаг времени:
Модель Хольта
В окне сглаживания вбираем локально-линейную модель тренда:
Получаем следующий результат:
Немного поправив масштабы осей, получаем:
Сохраняем модели обоих трендов:
Теперь суммируем:
Вычисляем остаток:
Строим все 3 графика
Модель Винтерса
Дельта – параметр сглаживания сезонного компонента
Получили следующий результат:
Прогноз явно занижен. С этим надо побороться. Надо прологарифмировать исходный ряд:
Строим график и модель на нём по аналогии с прошлым построением
Модель Тейла-Вейджа
Результат:
Сохраняем таблицу и добавляем переменную. Потом экспоненту от неё:
И в итоге строим график для v2, v5, v6, v9:
Выводы
В результате проделанной работы были изучены модели линейного темпа изменения сезонных составляющих на основе процедур экспоненциального сглаживания.
В теории были рассмотрены Свойства EMA, модель линейного темпа изменения рынка Хольта-Брауна и сезонные модели экспоненциального сглаживания в числе которых аддитивно-сезонный цикл Тейла-Вейджа и мультипликативный сезонный цикл Винтерса.
В ходе работы была изучена модель простой экспоненциальной средней и ее параметров и далее сформирован тренд и краткосрочный прогноза НВР. Далее в ходе работы была построена модель линейного темпа изменения Хольта для формирования тренда НВР и собственно по ней построен тренд. В заключении построены модели экспоненциального сглаживания Тейла-Вейджа и Винтерса моделирующие сезонные составляющие НВР.
Список литературы
-
Лабунец Л.В. Конспект лекций по курсу «Анализ временных рядов», 2012.
-
Боровиков В. Искусство анализа данных на компьютере: Для профессионалов. – СПб.: Питер, 2003. – 688 с., ил.
-
Э.Е. Тихонов. Методы прогнозирования в условиях рынка: учебное пособие. – Невинномысск, 2006. – 221 с.
22