'

Вычислительный аспект задач построения трендов

Понравилась презентация – покажи это...





Слайд 0

Вычислительный аспект задач построения трендов Выполнил: Большаков М.А. Дипломный руководитель: Вьюненко Л.Ф.


Слайд 1

Большаков М.А. 2 Вычислительный аспект задач построения трендов Основные определения ПРОГНОЗ - (forecast, prognosis, от греч. prognosis- предузнавание, предвидение, предсказание) - предвидение, предсказание хода какого-либо процесса, будущего состояния какого-либо явления. ПРОГНОЗИРОВАНИЕ - разработка прогноза; в узком значении - специальные научные исследования конкретных перспектив развития какого-либо явления. Как одна из форм конкретизации научного предвидения в социальной сфере находится во взаимосвязи с планированием, программированием, проектированием, управлением. Обычно в общественных науках: краткосрочное прогнозирование на 1-2 года, среднесрочное на 5-10 лет, долгосрочное на 15-20 лет, сверхдолгосрочное на 50-100 лет. Выделяют три класса методов прогнозирования: экстраполяция, моделирование, опрос экспертов. ТРЕНД - тенденция изменения экономических показателей. Все определения взяты из словаря «Финанасовый менеджмент» серии Economicus


Слайд 2

Большаков М.А. 3 Вычислительный аспект задач построения трендов Модели временных рядов Статистические методы исследования исходят из предположения о возможности представления значений временного ряда в виде суммы нескольких компонент, отражающих закономерность и случайность развития, в частности в виде суммы трех компонент: Y(t) = T(t) + S(t) + E(t), где T(t) - тренд (долговременная тенденция) развития; S(t) - сезонная компонента; E(t) - остаточная компонента. Сезонная компонента характеризует устойчивые внутригодичные колебания уровней.


Слайд 3

Большаков М.А. 4 Вычислительный аспект задач построения трендов Классификация процессов процессы без «предела роста» процессы с «пределом роста» процессы с «пределом роста» и «точкой перегиба»


Слайд 4

Большаков М.А. 5 Вычислительный аспект задач построения трендов Модели кривых роста (1 тип)


Слайд 5

Большаков М.А. 6 Вычислительный аспект задач построения трендов Модели кривых роста (тип 2)


Слайд 6

Большаков М.А. 7 Вычислительный аспект задач построения трендов Модели кривых роста (тип 3) Для описания процессов данного типа обычно используется кривая Гомперца: Параметры моделей могут быть содержательно интерпретированы. Так, параметр А0 во всех моделях без предела роста задает начальные условия развития, а в моделях с пределом роста - асимптоту функций, параметр А1 определяет скорость или интенсивность развития, параметр А2 - изменение скорости или интенсивности развития


Слайд 7

Большаков М.А. 8 Вычислительный аспект задач построения трендов Адаптивные модели прогнозирования Для лучшего отображения особенностей изменения исследуемого показателя на конце периода наблюдения целесообразно использовать адаптивные модели, каждая из которых имеет определенный механизм приспособления к новым условиям. Общим для всех моделей этой группы является придание наибольшего веса последним наблюдениям при оценке параметров.


Слайд 8

Большаков М.А. 9 Вычислительный аспект задач построения трендов Схема скользящего среднего В практике статистического прогнозирования наиболее часто используются две базовые СС-модели: Брауна и Хольта, первая из которых является частным случаем второй. Эти модели представляют процесс развития как линейную тенденцию с постоянно изменяющимися параметрами. Прогнозная оценка Yp(t,k) уровня ряда Y(t+k), вычисляются в момент времени t на k шагов вперед: Yp(t,k) = A0(t) + A1(t)* k, (1),где A0(t) - оценка текущего (t-го) уровня; A1(t) - оценка текущего прироста. Далее определяется величина их расхождения (ошибки). При k=1 имеем: e(t+1) = Y(t+1) - Yp(t,1). В соответствии с этой величиной корректируются параметры модели


Слайд 9

Большаков М.А. 10 Вычислительный аспект задач построения трендов Модель Брауна A0(t) = A0(t-1) + A1(t-1) + (1- b ^2)* e(t); A1(t) = A1(t-1) + (1- b )^2*e(t); где b - коэффициент дисконтирования данных, изменяющийся в пределах от 0 до 1; a - коэффициент сглаживания (a = 1 - b ); е(t) - ошибка прогнозирования уровня Y(t), вычисленная в момент времени (t-1) на один шаг вперед


Слайд 10

Большаков М.А. 11 Вычислительный аспект задач построения трендов Модель Хольта A0(t) = A0(t-1) + A1(t-1) + a 1* e(t); A1(t) = A1(t-1) +a 1* a 2* e(t); где a 1,a 2 - коэффициенты сглаживания (адаптации), изменяющиеся в пределах от 0 до 1. е(t) - ошибка прогнозирования уровня Y(t), вычисленная в момент времени (t-1) на один шаг вперед


Слайд 11

Большаков М.А. 12 Вычислительный аспект задач построения трендов Пример построения прогноза с использованием различных моделей в MS Excel Исходные данные


Слайд 12

Большаков М.А. 13 Вычислительный аспект задач построения трендов Прогноз с помощью линейного, логарифмического трендов и модели Брауна


Слайд 13

Большаков М.А. 14 Вычислительный аспект задач построения трендов Наиболее популярные пакеты, применяемые в области построения прогнозов Автоматизированная система прогнозирования временных рядов «Adviser» Система "Трендовые методы прогнозирования" SPSS Advanced Models SPSS Trends spellabs time series и др.


Слайд 14

Большаков М.А. 15 Вычислительный аспект задач построения трендов Янв Фев Апр Май Июн Этап 1 Этап 2 Этап 3 Март Этап 4 План выполнения работы


×

HTML:





Ссылка: