Поняття прогнозу та методи прогнозування. Трейдінг

[ виправити ] текст може містити помилки, будь ласка перевіряйте перш ніж використовувати.

скачати

Зміст
Введення
1. Класифікація методів прогнозування
2. "М'які" обчислення. Нейронні мережі та нечітка логіка
3. Вибір методу прогнозування
4. Використовувані методи
5. Наукове прогнозування і бізнес
Висновок
Список літератури

Введення

Сьогодні розробляються методи прогнозування, що використовують положення теорії хаосу і фракталів. На відміну від "м'яких" алгоритмів, вони поки що мало опрацьовані як з теоретичної точки зору, так і в плані практичної реалізації. Окремі моменти іноді застосовуються при аналізі фінансових ринків - трейдери, як правило, першими відчувають все нові методи прогнозування. Потенційна практична значущість цих досліджень не викликає сумнівів. У результаті можуть бути отримані методи досить точного прогнозування різких і раптових змін - наприклад, економічних криз, стрибкоподібної динаміки попиту, банкрутств ...
Історична логіка розвитку методів прогнозування відображає зростання інформаційної насиченості, зростаючу взаємозалежність різних об'єктів і складність їх поведінки. Нові методи з'являються в області складних комбінованих підходів, які використовують елементи штучного інтелекту, навчання і розвитку. Враховуючи той факт, що останнім часом в рамках окремих концепцій розроблено безліч алгоритмів для специфічних завдань та окремих випадків, можна припустити, що будуть розвиватися не стільки методи прогнозування, скільки методологія в цілому.

1. Класифікація методів прогнозування

Щоб отримати загальне уявлення про методи прогнозування, необхідно для початку класифікувати ці методи. Їх прийнято розділяти на кількісні і якісні.
Методи розрізняються:
по горизонту прогнозу: короткострокові (як правило, в межах року або декількох місяців), середньострокові (кілька років) і довгострокові (більше п'яти років);
за типом прогнозування: евристичні (що використовують суб'єктивні дані, оцінки і думки), пошукові (у свою чергу діляться на екстраполятивно, що проектують минулі тенденції в майбутнє, і альтернативні, враховують можливості стрибкоподібної динаміки явищ і різні варіанти їх розвитку) та нормативні (оцінка тенденцій проводиться виходячи із заздалегідь встановлених цілей і завдань);
за ступенем ймовірності подій: варіантні (розуміють імовірнісний характер майбутнього і пропонують кілька сценаріїв розвитку подій) і інваріантні (передбачається єдиний сценарій);
за способом подання результатів: точкові (прогнозується точне значення показника) та інтервальні (прогнозується діапазон найбільш ймовірних значень);
за ступенем однорідності: прості та комплексні (поєднують у собі кілька взаємозалежних простих методів);
за характером базової інформації: фактографічні (грунтуються на наявній інформації про динаміку розвитку явища чи об'єкта, бувають статистичними та випереджаючими), експертні (індивідуальні та колективні, в залежності від кількості експертів) та комбіновані (що використовують різнорідну інформацію).

2. "М'які" обчислення. Нейронні мережі та нечітка логіка

Розглянемо деякі методи "м'яких" обчислень, які не отримали поки широкого поширення в бізнесі. Алгоритми і параметри цих методів значно менше детерміновані у порівнянні з традиційними. Поява концепцій "м'яких" обчислень було викликано спробами спрощеного моделювання інтелектуальних і природних процесів, які багато в чому носять випадковий характер.
Нейронні мережі використовують сучасне уявлення про будову і функціонування мозку. Вважається, що мозок складається з простих елементів - нейронів, з'єднаних між собою синапсами, через які вони обмінюються сигналами.
Основна перевага нейронних мереж полягає в здатності навчатися на прикладах. У більшості випадків навчання являє собою процес зміни вагових коефіцієнтів синапсів за певним алгоритмом. При цьому, як правило, потрібно багато прикладів і багато циклів навчання. Тут можна провести аналогію з рефлексами собаки Павлова, у якої слиновиділення по дзвінку теж почало з'являтися не відразу. Відзначимо лише, що найскладніші моделі нейронних мереж на багато порядків простіше мозку собаки, і циклів навчання потрібно значно більше.
Застосування нейронних мереж виправдане тоді, коли неможливо побудувати точну математичну модель досліджуваного об'єкта чи явища. Наприклад, продажі в грудні, як правило, більше, ніж у листопаді, але немає формули, за якою можна порахувати, наскільки вони будуть більше в цьому році; для прогнозування обсягу продажу можна навчити нейронну мережу на прикладах попередніх років.
Серед недоліків нейронних мереж можна назвати: тривалий час навчання, схильність до підстроюванні під навчальні дані і зниження узагальнюючих здібностей з зростанням часу навчання. Крім того, неможливо пояснити, яким чином мережа приходить до того чи іншого рішення задачі, тобто нейронні мережі є системами категорії "чорний ящик", тому що функції нейронів і ваги синапсів не мають реальної інтерпретації. Тим не менш, існує маса нейромережевих алгоритмів, в яких ці та інші недоліки так чи інакше знівельовані.
У прогнозуванні нейронні мережі використовуються найчастіше за найпростішою схемою: у якості вхідних даних у мережу подається попередньо оброблена інформація про значеннях прогнозованого параметра за кілька попередніх періодів, на виході мережа видає прогноз на наступні періоди - як у вищезгаданому прикладі з продажами. Існують і менш тривіальні способи одержання прогнозу; нейронні мережі - дуже гнучкий інструмент, тому існує безліч кінцевих моделей самих мереж та варіантів їх застосування.
Ще один метод - генетичні алгоритми. В їх основі лежить скерований випадковий пошук, тобто намагання моделювання еволюційних процесів у природі. У базовому варіанті генетичні алгоритми працюють так:
1. Рішення задачі представляється у вигляді хромосоми.
2. Створюється випадковий набір хромосом - це споконвічне покоління рішень.
3. Вони обробляються спеціальними операторами репродукції і мутації.
4. Проводиться оцінка рішень та їх селекція на основі функції придатності.
5. Виводиться нове покоління рішень, і цикл повторюється.
У результаті з кожної епохою еволюції знаходяться більш досконалі рішення.
При використанні генетичних алгоритмів аналітик не потребує апріорної інформації про природу вихідних даних, про їх структуру і т. д. Аналогія тут прозора - колір очей, форма носа і густота волосяного покриву на ногах закодовані в наших генах одними і тими ж нуклеотидами.
У прогнозуванні генетичні алгоритми рідко використовуються безпосередньо, так як складно придумати критерій оцінки прогнозу, то є критерій відбору рішень, - при народженні неможливо визначити, ким стане людина - космонавтом або алконавтів. Тому зазвичай генетичні алгоритми служать допоміжним методом - наприклад, при навчанні нейронної мережі з нестандартними активаційними функціями, при яких неможливе застосування градієнтних алгоритмів. Тут як приклад можна назвати MIP-мережі, успішно прогнозують, здавалося б, випадкові явища - число плям на сонці та інтенсивність лазера.
Ще один метод - нечітка логіка, моделююча процеси мислення. На відміну від бінарної логіки, що вимагає точних і однозначних формулювань, нечітка пропонує інший рівень мислення. Наприклад, формалізація затвердження "продажі в минулому місяці були низькими" в рамках традиційної двійкової або "булевої" логіки вимагає однозначного розмежування понять "низькі" (0) і "високі" (1) продажу. Наприклад, продажі рівні або великі 1 мільйона шекелів - високі, менше - низькі.
Виникає питання: чому продажі на рівні 999 999 шекелів вже вважаються низькими? Очевидно, що це не зовсім коректне твердження. Нечітка логіка оперує більш м'якими поняттями. Наприклад, продажі на рівні 900 тис. шекелів будуть вважатися високими з рангом 0,9 і низькими з рангом 0,1.
У нечіткої логіки завдання формулюються в термінах правил, що складаються з сукупностей умов і результатів. Приклади найпростіших правил: "Якщо клієнтам дали скромний термін кредиту, то продажі будуть так собі", "Якщо клієнтам запропонували пристойну знижку, то продажі будуть непоганими".
Після постановки завдання в термінах правил чіткі значення умов (термін кредиту в днях і розмір знижки у відсотках) перетворюються в нечітку форму (великий, маленький і т. д.). Потім проводиться їх обробка за допомогою логічних операцій і зворотне перетворення до числовим змінним (прогнозований рівень продажів в одиницях продукції).
У порівнянні з імовірнісними методами нечіткі дозволяють різко скоротити обсяг вироблених обчислень, але зазвичай не підвищують їх точність. Серед недоліків таких систем можна відзначити відсутність стандартної методики конструювання, неможливість математичного аналізу традиційними методами. Крім того, у класичних нечітких системах зростання числа вхідних величин приводить до експоненціального зростання числа правил. Для подолання цих та інших недоліків, так само як і у випадку нейронних мереж, існує безліч модифікацій нечітко-логічних систем.
У рамках методів "м'яких" обчислень можна виділити так звані гібридні алгоритми, що включають в себе кілька різних складових. Наприклад, нечітко-логічні мережі, або вже згадувані нейронні мережі з генетичним навчанням.
У гібридних алгоритмах, як правило, має місце синергетичний ефект, при якому недоліки одного методу компенсуються достоїнствами інших, і підсумкова система показує результат, недоступний жодному з компонентів окремо.

3. Вибір методу прогнозування

Будь-який процес прогнозування, як правило, будується в такій послідовності:
1. Формулювання проблеми.
2. Збір інформації і вибір методу прогнозування.
3. Застосування методу і оцінка отриманого прогнозу.
4. Використання прогнозу для прийняття рішення.
5. Аналіз "прогноз-факт".
Все починається з коректною формулювання проблеми. У залежності від неї завдання прогнозування може бути зведена, наприклад, до задачі оптимізації. Для короткострокового планування виробництва не так важливо, яким буде обсяг продажів у найближчі дні. Важливіше максимально ефективно розподілити обсяги виробництва продукції за наявних потужностей.
Наріжним обмеженням при виборі методу прогнозування буде вихідна інформація: її тип, доступність, можливість обробки, однорідність, формализуемость, обсяг. Наприклад, при прогнозуванні темпів науково-технічного прогресу у разі масштабного контакту та співпраці з неземною цивілізацією застосування фактографічних методів навряд чи буде можливим. Для таких прогнозів необхідно використовувати методи моделювання, експертні, сценарні. З іншого боку, для прогнозування обсягів продажів туалетного паперу з прийнятною точністю достатньо простої екстраполяції тренда.
Вибір конкретного методу прогнозування залежить від багатьох моментів. Чи достатньо об'єктивної інформації про прогнозоване явище (чи існує даний товар або аналоги досить довго)? Чи очікуються якісні зміни досліджуваного явища (оснащення автомобіля антигравітаційним обладнанням)? Чи є залежності між досліджуваними явищами і / або усередині масивів даних (обсяги продажів, як правило, залежать від обсягів вкладень у рекламу)? Чи є дані тимчасовим рядом (інформація про наявність власності у позичальників не є тимчасовим поруч)? Чи є повторювані події (сезонні коливання)?

4. Використовувані методи

З усього набору методів прогнозування в реальній практиці бізнесу використовуються лише деякі.
Абсолютний хіт - метод оцінки прогнозів співробітниками компанії. Мається на увазі, що працівники мають необхідний досвід і інтуїтивним знанням предметної області, ринку. До цієї ж групи можна віднести опитування споживачів, які покликані виявити їх переваги і очікування, на основі чого моделюється майбутнє.
Другий за популярністю є екстраполяція трендів, яка передбачає виявлення в тимчасовому ряді основної тенденції та продовження її в майбутнє. Цей метод гранично простий і дає приблизні результати.
Ковзаюче середнє застосовується при короткостроковому прогнозуванні: кожне наступне значення середнього розраховується на основі зрушується вперед набору попередніх значень.
Метод аналогій передбачає побудову прогнозу на основі відомої динаміки споріднених явищ, наприклад товарів-субститутів. Цей спосіб прогнозування схожий з методом подібності, застосовуваним на фінансових ринках, але менш трудомісткий, використовується зазвичай у разі нових товарів.
Експоненціальне згладжування видає в якості прогнозу комбінацію минулих значень. Метод працює при невеликих коливаннях рівнів ряду або при короткостроковому прогнозуванні.
Регресійний аналіз досліджує взаємозв'язок залежної змінної від інших незалежних, застосовується за наявності зв'язку між прогнозованим процесом і будь-якими факторами, що впливають на нього.
З експертних оцінок зазвичай використовують добре відомий метод "Дельфі".
У бізнесі в основному застосовують суб'єктивні методи прогнозування і деякі кількісні. Виникає питання: чому, маючи значний набір засобів прогнозування, аналітики в переважній більшості випадків продовжують користуватися найпростішими з них? Причин тут декілька.
По-перше, використання більш складних методів не завжди призводить до підвищення точності прогнозів. Багато речей можна відчути, але практично неможливо прорахувати. Інтуїція в бізнесі все ще залишається незамінною. По-друге, чим складніше метод, тим більше часу потрібно на підготовку даних, на розрахунки, аналіз, чисельні експерименти. Чим більше асортимент, тим простіше використовувані методи прогнозування (або більше штат прогнозистів).
По-третє, навколишнє середовище, продукція, внутрішньофірмові фактори та інші умови змінюються занадто часто, що не дозволяє спиратися при прогнозуванні на репрезентативні вибірки вихідних даних. При цьому переважна більшість методів прогнозування так чи інакше використовує саме історичні дані.
По-четверте, грамотне застосування наукових методів прогнозування зазвичай вимагає спеціальних знань, відповідної освіти, вміння користуватися математичним та статистичним апаратом, прикладними пакетами аналізу і т. д.
Який же точності прогнозу вдається домогтися за допомогою використовуваних на практиці методів? Тут все, як правило, залежить від ступеня агрегованості показника. Так, якщо прогнозувати сукупний загальний обсяг реалізації в грошах - точність прогнозу може досягати + -5%. Але якщо прогнозувати, наприклад, обсяги оптових продажів споживчих товарів по асортиментних позицій у розрізі регіонів - дуже високим результатом вважається 40-відсоткова точність попадання в інтервал + -20% у межах місяця, тобто обсяг реалізації 40% позицій асортименту вгаданий з точністю + - 20%.
Широко відомим є факт значного зростання обсягів оптових продажів до кінця місяця. Якщо порівнювати обсяги продажів першій та останній тижнів всередині місяця - різниця може досягати декількох сотень відсотків, тоді як різниця між двома місяцями зазвичай не така велика.
Чим більше агрегований за об'ємом або за часом показник аналізується, тим точніше буде прогноз. Зі зниженням ступеня агрегованості знижується і користь від статистичних методів. Тому необхідно шукати баланс між деталізацією і точністю.

5. Наукове прогнозування і бізнес

Поточний рівень розвитку засобів обробки інформації дозволяє говорити про можливість масового переходу від окремих методів прогнозування до систем підтримки прийняття рішень, що використовують у роботі елементи штучного інтелекту і самонавчання. Проте практична затребуваність цих методів викликає сумніви.
По-перше, не доведено їх перевага перед людською інтуїцією в умовах бізнесу. По-друге, процес функціонування складної системи, як правило, недостатньо прозорий для користувача, відповідно, результат не викликає повної довіри. По-третє, параметри таких систем вимагають тонкої настройки і підбору, методи проведення яких практично не формалізовані. По-четверте, комплексні прогностичні системи створюються для унікальних умов і рідко тиражуються, у зв'язку з чим вартість їх розробки, впровадження та підтримки досить висока.
Ці та інші причини гальмують проникнення наукового прогнозування в бізнес, фільтруючий всі методи на предмет практичної користі і простоту застосування. Незалежно від їх просунутості - з академічної точки зору.

Висновок

Сучасна наука пропонує понад 150 методів прогнозування, які можуть бути використані для цілей бізнесу. Від найпростіших прийомів усереднення до програмно-апаратних систем підтримки прийняття рішень. І якщо практикою застосування трендових моделей та експертних оцінок в економіці складно когось здивувати, то нові досягнення наукової думки на стику математики, статистики, інформатики і кібернетики продовжують залишатися недостатньо затребуваними більшістю компаній.
Причин тут декілька: консерватизм і відсутність уяви у багатьох менеджерів, складність нових концепцій прогнозування та їх математичного апарату, неочевидність порівняльної практичної користі від впровадження, нестача інформації про них.
Методи "м'яких" обчислень, серед яких можна відзначити нейронні мережі, генетичні алгоритми і нечітку логіку, існують вже декілька десятиліть. Але навряд чи багато хто з читачів зможуть згадати приклад їх регулярного використання в бізнесі. Винятком будуть хіба що компанії, чия основна діяльність - активні операції на фінансових ринках, страховики і деякі банки.
У наукових колах прогресивність і практична користь цих методів не викликають сумнівів, однак теоретикам далеко не завжди вдається донести інформацію до практиків в доступній формі.


Список літератури

1. Теорія прогнозування та прийняття рішень: Учеб. посібник. / Под ред. С.А. Саркісяна. - М.: Вища школа, 2005. - 514с.
2. Тітова Т.А. Перспективи розвитку наукового прогнозування / / Економіка і математичні методи. - 2008. - № 2. - С. 26-29
3. Фейгенберг Дж. Основи наукового прогнозування. / Пер. з нім. - М., 2002. - 245с.
4. Шабанов П.А. Методи наукового прогнозування та їх практичне застосування. М.: 2007
5. Шукшин С.М. Прогнозування як метод наукового пізнання / / Економіка і математичні методи. - 2008. - № 3. - С. 16-22
Додати в блог або на сайт

Цей текст може містити помилки.

Банк | Контрольна робота
39кб. | скачати


Схожі роботи:
Поняття прогнозу та методи прогнозування Трейдінг
Прогнозування критичного тиску Основні методи прогнозування
Методи прогнозування
Методи фінансового прогнозування
Методи і результати прогнозування
Методи прогнозування у різних галузях
Методи соціально-економічного прогнозування
Методи бюджетного планування та прогнозування
Інфляція її вимір і методи прогнозування
© Усі права захищені
написати до нас