или процессов, влияющих на развитие ситуации;связанные с математической несоизмеримостью численных оценок,величин, характеризующих динамику системы;связанные с нелинейностью и наличием у системы нескольких состояний равновесия или аттракторов;связанные с недостатком или неадекватностью понятийного аппарата и невозможностью отождествления фактов.
С целью понимания того, какие преимущества дают предлагаемые далее новые методы анализа данных и прогнозирования, необходимо указать на три принципиальные проблемы, возникающие при создании систем анализа финансовых рынков и разработке прогнозных моделей.
1. Методы, основанные на построении многофакторных корреляционно-регрессионных моделей.
2. Методы авторегрессии, учитывающие взаимосвязь членов временного ряда.
3. Методы, основанные на разложении временного ряда на компоненты: тренд, сезонные колебания, циклическая компонента и случайная составляющая.
4. Методы, позволяющие учесть неравнозначность исходных данных.
5. Методы прямой интерполяции, использующие разные трендовые модели.
К настоящему времени из перечисленных выше групп методов прогнозирования наибольшее распространение и применение в реальных расчетах получили методы третьей группы. Чаще всего в реальном экономико-математическом моделировании основное внимание уделяется анализу трендов и сезонности. При этом построение прогнозной модели рассматриваемого ВР реализуется через преобразование его в базовую модель временного ряда. Точно так же каждый элемент, т.е. каждое число в этом базовой модели временного ряда получается путем перемножения пяти компонент:«Данные = тренд × сезонность × цикличность × регулярность× событийность».Содержательное определение этих пяти компонент в случае экономического прогнозирования состоит в следующем:
1. Долгосрочный тренд (тенденция) указывает действительно долгосрочное поведение временного ряда, как правило, в виде прямой, или экспоненциальной, реже, степенной кривой. Это бывает полезно в случае, если требуется увидеть картину в целом.
2. Точно повторяющаяся сезонная компонента определяет влияние времени года.Каждый период времени в течение года характеризуется своим сезонным индексом, который свидетельствует о том, насколько выше или ниже соответствующий показатель в данный период времени по сравнению с другими периодами.
3. Среднесрочная циклическая компонента состоит из последовательных повышений и понижений, которые не повторяются регулярно, например каждый год и поэтому исключаются из сезонной компоненты. Поскольку эти повышения и понижения чередуются, их нельзя считать достаточно случайными и рассматривать как часть независимой случайной ошибки (нерегуляр-
ной компоненты). Циклическую вариацию особенно трудно прогнозировать за пределами ближайшего будущего. Тем не менее, она может быть очень важна, поскольку основные явления экономического цикла (такие, как экономический спад) рассматриваются как часть циклической вариации в экономических показателях.
4. Краткосрочная нерегулярная (случайная) компонента представляет остаточную вариацию, которую невозможно объяснить. В нем проявляется действие тех однократных событий, которые происходят с течением времени случайно, а не систематически. Самое большое, что можно сделать с этой нерегулярной компонентой, оценить ее величину, воспользовавшись, например,стандартным отклонением, определить, меняется ли она с течением времени,и признать, что даже в идеальных условиях прогноз не может быть точнее (в среднем), чем типичная величина нерегулярной вариации.
5. Событийная компонента или кратко «событийная составляющая»(unusual events) имеет место в динамике таких временных рядов, на уровни которых каким-либо образом повлияло текущее событие глобального или локального характера.
Эти пять базовых компонент временного ряда (тренд, сезонность,цикличность, случайная и событийная компоненты) можно оценивать разными способами. Ниже приведен краткий обзор методов, которые базируются на скользящей средней. В основе этих методов происходит деление элементов ряда на значения ординат скользящей средней.
1. Скользящая средняя используемая для устранения сезонных эффектов усреднения по всему году, а также для уменьшения нерегулярной компоненты и получения комбинации тренда и циклической компоненты.
2. Деление элементов исходного ряда на значения соответствующих ординат сглаженного ряда скользящей средней, дающее «отношение к скользящей средней», которое представляет нам сезонные, так и нерегулярные значения. Выполняя группирование по сезонным периодам, например, по времени года, а затем усреднение в полученных группах, находим сезонный индекс для каждого времени года. Выполняя деление каждого значения ряда на соответствующий сезонный индекс для соответствующего времени года,находим значения с сезонной поправкой.
3. Регрессия ряда с сезонной поправкой (Y ) по времени (X )служащая для оценивания долгосрочного тренда в виде прямой линии как функции от времени, т.е. эта переменная времени X может состоять из чисел 1,2,3,… . Этот тренд (тенденция) не отражает сезонных колебаний и дает возможность получить прогноз с сезонной поправкой.
4. Прогнозирование, выполняемое с учетом сезонности тренда. Получая из уравнения регрессии прогнозируемые значения (тренд) для будущих периодов времени и затем, умножая их на соответствующий сезонный индекс, можно получать прогнозы, которые отражают как долгосрочную тенденцию, так и сезонное поведение.
Основной погрешностью существующих классификационных схем является нарушение принципов классификации. К числу основных таких принципов, относятся: достаточная полнота охвата прогностических методов, единство классификационного признака на каждом уровне членения при многоуровневой классификации, непересекаемость разделов классификации, открытость классификационной схемы, т.е. возможность дополнения новыми методами.