Вопрос № 25. Математические методы прогноза .

Методы прогнозирования – научное предвидение, основанное на анализе фактических данных прошлого и настоящего исследуемого объекта. Совокупность специальных правил, приемов и методов составляет методику прогнозирования. Прогноз в системе управления является предплановой разработкой многовариантных моделей развития объекта управления. К основным методам прогнозирования относятся: экономико-математические, аналоговые, экспертные др. ^ Экономико-математические методы прогнозирования :

линейное программирование, позволяющее сформулировать оптимизационную задачу в виде линейных ограничений (неравенств или равенств) и линейной целевой функции;

динамическое программирование, рассчитанное на решение многоступенчатых оптимизационных задач;

целочисленное программирование, позволяющее решать оптимизационные задачи, в том числе задачи оптимального распределения ресурсов, при дискретных (целочисленных) значениях переменных и др.;

вероятностные и статистические модели – реализуются в методах теории массового обслуживания;

теория игр – моделирование таких ситуаций, принятие решения в которых должно учитывать несовпадение интересов различных подразделений;

имитационные модели – позволяют экспериментально проверить реализацию решений, изменить исходные предпосылки, уточнить требования к ним.

Паттерн (PATTERN – Planning Assistance Through Technical Evaluation Relevance) – методика разработана в 1963 г., применяется при планировании научно-исследовательских и опытно-конструкторских разработок в условиях неопределенности (т.е. в сложных, противоречивых системах). Основные элементы структуры паттерна: выбор объекта прогноза; выявление внутренних закономерностей объекта; подготовка сценария; формулирование задачи и генеральной цели прогноза; анализ иерархии; формулирование целей; принятие внутренней и внешней структуры; анкетирование; математическая обработка данных анкетного опроса; количественная оценка структуры; верификация; разработка алгоритма распределения ресурсов; распределение ресурсов; оценка результатов распределения. Методика позволяет получить предпрогнозную ориентацию, сформировать внутреннюю структуру объекта («дерево целей»), внешнюю структуру (систему локальных критериев), разработать варианты ресурсного обеспечения элементов объекта.

Метод изыскательского прогнозирования.

Одним из основных методов, используемых в изыскательском прогнозировании, является экстраполяция временных рядов – статистических данных об интересующем нас объекте. Экстраполяционные методы основаны на предположении о том, что закон роста, имевший место в прошлом, сохранится и в будущем, с учетом поправок из-за возможного эффекта насыщения и стадий жизненного цикла объекта. К числу кривых, достаточно точно отражающих изменение прогнозируемых параметров в ряде распространенных ситуаций, является экспонента, то есть функция вида: y=a*ebt, где t-время, a и b-параметры экспоненциальной кривой. К числу наиболее известных экспоненциальных кривых, используемых при прогнозировании можно отнести кривую Перла, выведенную на основании обширных исследований в области роста организмов и популяций, и имеющую вид: Y = L/(1+a*(e-bt), где L -верхний предел переменной y.

Не менее распространена кривая Гомперца, выведенная на основании результатов исследований в области распределения дохода и уровня смертности (для страховых компаний), где k-также параметр экспоненты.

Кривые Перла и Гомперца использовались при прогнозе таких параметров, как возрастание коэффициента полезного действия паровых двигателей, рост эффективности радиостанций, рост тоннажа судов торгового флота и т.д. Как кривая Перла, так и кривая Гомперца могут быть отнесены к классу так называемых S-образных кривых. Для таких кривых характерен экспоненциальный или близкий к экспоненциальному рост на начальной стадии, а затем при приближении к точке насыщения они принимают более пологий вид.

Многие из упомянутых процессов могут быть описаны с помощью соответствующих дифференциальных уравнений, решением которых и являются кривые Перла и Гомперца. В качестве примера можно привести дифференциальное уравнение, описывающее приращение объема информации (знания) I в зависимости от числа исследователей N, среднего коэффициента продуктивности одного исследователя q в единицу времени t и С- постоянного коэффициента, характеризующего динамики изменения объема информации.

При экстраполяции используются регрессионные и феноменологические модели. Регрессионные модели строятся на базе сложившихся закономерностей развития событий с использованием специальных методов подбора вида экстраполирующей функции и определения значений её параметров. В частности, для определения параметров экстраполирующей функции может быть использован метод наименьших квадратов.

Предполагая использование той или иной модели экстраполирования, того или иного закона распределения, можно определить доверительные интервалы, характеризующие надежность прогнозных оценок. Феноменологические модели строятся исходя из условий максимального приближения к тренду процесса, с учетом его особенностей и ограничений и принятыми гипотезами о его будущем развитии.

При многофакторном прогнозе в феноменологических моделях можно присваивать большие коэффициенты весомости факторам, которые в прошлом оказывали большее влияние на развитие событий в прошлом.

Если при прогнозировании рассматривается ретроспективный период, состоящий из нескольких отрезков времени, то, в зависимости от характера прогнозируемых показателей, менее удаленных от момента прогнозирования по шкале времени и т.д. Также должен быть учтен тот факт, что нередко при прогнозировании оценки экспертов относительно близкого будущего могут отличаться излишним оптимизмом, а оценки относительно более отдаленного будущего излишним пессимизмом.

Если в прогнозируемом процессе может участвовать несколько различных технологий, каждая из которых представлена соответствующей кривой, то в качестве результирующей экспертной кривой может быть использована огибающая частных кривых, соответствующих отдельным технологиям.

Метод сценариев.

При разработке управленческих решений широкое распространение нашел метод сценариев, также дающий возможность оценить наиболее вероятный ход развития событий и возможные последствия принимаемых решений. Разрабатываемые специалистами сценарии развития анализируемой ситуации позволяют с, тем или иным уровнем достоверности определить возможные тенденции развития, взаимосвязи между действующими факторами, сформировать картину возможных состояний, к которым может прийти ситуация под влиянием тех или иных воздействий. Профессионально разработанные сценарии позволяют более полно и отчетливо определить перспективы развития ситуации, как при наличии различных управляющих воздействий, так и при их отсутствии.

С другой стороны, сценарии ожидаемого развития ситуации позволяют своевременно осознать опасности, которыми чреваты неудачные управленческие воздействия или неблагоприятное развитие событий.

В настоящее время известны различные реализации метода сценариев такие, как: получение согласованного мнения, повторяющаяся процедура независимых сценариев, использование матриц взаимодействия и др. Метод получения согласованного мнения является, по существу, одной из реализаций метода Делфи, ориентированной на получение коллективного мнения различных групп экспертов относительно крупных событий в той или иной области в заданный период будущего. К недостаткам этого метода можно отнести недостаточное внимание, уделяемое взаимозависимости и взаимодействию различных факторов, влияющих на развитие событий, динамике развития ситуации.

Метод повторяющегося объединения независимых сценариев состоит в составлении независимых сценариев по каждому из аспектов, оказывающих существенное влияние на развитие ситуации, и повторяющемся итеративном процессе согласования сценариев развития различных аспектов ситуации.

Достоинством этого метода является более углубленный анализ взаимодействия различных аспектов развития ситуации.

К его недостаткам можно отнести недостаточную разработанность и методическую обеспеченность процедур согласования сценариев.

Метод матриц взаимовлияний, разработанный Гордоном и Хелмером, предполагает определение на основании экспертных оценок потенциального взаимовлияния событий рассматриваемой совокупности.

Оценки, связывающие все возможные комбинации событий по их силе, распределению во времени и т.д., позволяют уточнить первоначальные оценки вероятностей событий и их комбинаций. К недостаткам метода можно отнести трудоемкость получения большого количества оценок и корректной их обработки.

В работе предлагается методология составления сценариев, предполагающая предварительное определение пространства, параметров, характеризующих систему. Состояние системы в момент времени t является точкой S(t) в этом пространстве параметров. Определение возможных тенденций развития ситуации позволяет определить вероятное направление эволюции положения системы в пространстве выявленных параметров S(t) в различные моменты времени в будущем S(t+l), S(t+2) и т.д.

Если управляющие воздействия отсутствуют, то предполагается, что система будет эволюционировать в наиболее вероятном направлении.

Управляющие воздействия эквивалентны воздействию сил, способных изменить направление траектории S(t). Естественно, что управляющие воздействия должны рассматриваться как с учетом ограничений накладываемых как внешними, так и внутренними факторами.

Предлагаемая технология разработки сценариев предполагает рассмотрение положения системы в дискретные моменты времени t, t+1, t+2, ... .

При этом предполагается, что точка, соответствующая системе S(t) в пространстве параметров расположенным в конусе, расширяющемся при удалении от исходного момента времени t. В некоторый момент времени t+T ожидается, что система будет расположена в сечении конуса, соответствующем моменту времени t+T.

Юрашев Виталий Викторович к. ф.-м. н., научный руководитель фирмы «Градиент»

Шелест Игорь Владимирович системный архитектор «Инфосистемы Джет»

Прогноз в бизнесе важен из-за возможного использования его для эффекта стабилизации. Разумные прогнозы побуждают людей действовать более рационально и предупреждают их «сверхреакцию» в сторону пессимизма или оптимизма. Хороший прогноз обеспечивает фирме принятие рациональных решений относительно производимых фирмой товаров или услуг. Отсутствие прогноза заставляет руководство фирмы предпринимать излишние меры предосторожности.

Методы прогноза обычно требуют больших затрат времени и денег. Однако бизнесмен нуждается в методах, которые не требуют сложных умозаключений в повседневной работе и могут быть представлены в виде программ. Необходимо найти методы прогнозирования без детального индивидуального анализа. К тому же желательно, чтобы знания ситуации на рынке, которыми обладают люди, постоянно работающие на нем, были использованы в подобных моделях.

Поскольку прогнозирование является трудной проблемой, то очевидно, что фирма должна иметь несколько серий прогнозов, отличных от простого описательного прогноза. Это поможет принимать более решительные действия, результатом которых является рост прибыли, повышение эффективности работы организации и роста ее престижа.

Исходные данные для составления прогноза с использованием временных рядов обычно представляют собой результаты выборочных наблюдений переменных - либо интенсивности (например, спрос на продукцию), либо состояния (например, цена). Решения, которые должны приниматься в данный момент, скажутся в дальнейшем по прошествии некоторого промежутка времени, величина которого может быть прогнозируемой.

Временные ряды представляют собой упорядоченные во времени данные. В соответствии с этим мы будем впредь обозначать период времени через t, а соответствующее ему значение данных через y(t). Отметим, что членами временного ряда являются либо суммы, либо числовая информация, полученная в определенный момент времени. Например, сумма недельных продаж в магазине, получаемая в конце каждой недели в течение года, образует временной ряд.

Тренд означает общее направление и динамику временного ряда. В этом определении ударение делается на понятии «общее направление», поскольку основную тенденцию необходимо отделить от краткосрочных колебаний, представляющих собой циклические и сезонные колебания. Примеры циклических колебаний: цены на промышленное сырье, курсы акций, объемы продаж в оптовой и розничной торговле и др. Сезонные колебания встречаются во временных рядах, описывающих продажи, производство, занятость и др. Важную роль в сезонных колебаниях играют погодные условия, мода, стиль и т. д. Особо отметим, что нерегулярные или случайные колебания временных рядов не подчиняются никакой закономерности и не существует теории, способной предсказать их поведение.

С точки зрения выработки правильного решения руководством фирмы, включение периодических (циклических и сезонных) колебаний в общую модель может повысить эффективность прогноза и позволит предсказать ожидаемые высокие и низкие значения прогнозируемых переменных. При этом нужно иметь в виду, что «деловые» или экономические циклы нельзя воспроизвести с точностью, позволяющей на практике делать выводы о будущих подъемах и спадах, исходя из анализа прошлого.

В работе представлены линейный, циклический и «экспоненциальный» тренды. Несколько слов об экспоненциальном тренде. Анализ жизненного цикла товаров, услуг, инноваций и размышления о процессах, происходящих вокруг, показали, что модель развития и гибели биологических систем является эффективным инструментом для изучения многих явлений в бизнесе. Причем как и в бизнесе, показатели функционирования биологической системы во времени не линейны на всех этапах ее развития. Были промоделированы упомянутые выше жизненные циклы, и было установлено, что их эластичность по времени является линейной функцией. Коэффициенты этой функции позволяют учитывать не только нелинейные механизмы жизненных циклов, но и прогнозировать их появление. В результате мы получили тренд,который назвали «экспоненциальным», поскольку в него входит временная экспонента.

Рассмотрим временной ряд y(1), y(2),...(y(i),...y(T). Требуется представить функцию, для которой задан этот ряд, тригонометрическим полиномом. Периодические компоненты полинома неизвестны. Достоинство такой модели состоит в том, что она обеспечивает стабильность прогноза за счет перебора частот. Коэффициенты вычисляются с использованием всего набора данных.

На практике подобная модель оказывается сложной для пользователя. Поэтому была разработана компьютерная программа. Проверка на соответствие предыстории проводится по методу наименьших квадратов (см.: Таха А. Исследование операций. М.: Вильямс, 2005). Во многих случаях изменения в изучаемом процессе можно предвидеть заранее и включить их в представленную модель прогноза. Ведь опытные руководители могут предсказать характер изменений. В программе заложено согласование трендов за счет оптимального выбора частот в представленном ряде. Для корректировки прогноза можно варьировать не только тренды, но и учитывать результаты субъективного прогноза.

Будем искать тренд в виде: Y(t) = C + Asin(wt) + Bcos(wt).

Поскольку значения этой функции в точках 1, 2, ... Т известны, то мы получаем систему из Т линейных уравнений относительно коэффициентов А, В, С, w - параметр.

Решаем эту систему методом наименьших квадратов (Т>3) и получаем значения коэффициентов А, В, С, зависящих от w. Необходимо выбрать значения w таким образом, чтобы значения тренда наилучшим образом приближались бы к значениям временного ряда. Оптимизация проводится методом последовательных приближений. Первоначальное значение w, которое является началом последовательных приближений, находится по формулам, представленным, например, в справочнике по математике авторов Г. Корн, Т. Корн, (М.: Наука, 1989. Гл. 20).

Вычитаем из фактических (т. е. заданных изначально в виде членов временного ряда) значений y(1), y(2),...y(i),....y(t) найденные теоретические значения y(t) в моменты времени t =1, 2,...,i,...Т. Для полученных данных (считая их фактическими, т. е. членами временного ряда) повторяем указанную выше процедуру.

Точность прогноза 1-3%, колеблется иногда до 5-10%. Все зависит от наличия шумов, которые могут существенно повлиять на прогноз. Если ретроспективный ряд большой, то программа хорошо выделяет регулярные составляющие процесса. При незначительном временном ряде ретроспективы (до 5-8 значений) нужно пользоваться экспоненциальным сглаживанием. В основе метода экспоненциального сглаживания лежит скользящая средняя. Но он устраняет недостаток метода скользящей средней, который состоит в том, что все данные, используемые для вычисления среднего, имеют одинаковый вес. В частности, метод экспоненциального сглаживания присваивает больший весовой коэффициент самому последнему наблюдению. Он, также как и метод, представленный в этой работе, особенно эффективен при прогнозе временных рядов с циклическими колебаниями без сильных случайных колебаний (см.: Таха А. Исследование операций).

Приведем пример расчета прогнозируемого объема продаж (табл. 1, 2).

Таблица 1. Исходные данные

Таблица 2. Расчет прогноза с использованием синусоидального тренда

Результаты расчета представлены в виде графиков на рисунке 1(теоретическая функция – черный штрих, исходные данные – черный цвет, тренд – серый цвет).

Рис. 1. Расчет прогнозируемого объема продаж по синусоидальному тренду

Приведем пример использования экспоненциального тренда для расчета прогноза сбыта.

В данном примере рассмотрено изменение объема продаж во время и после рекламной кампании (табл. 3, 4).

Таблица 3. Исходные данные

Таблица 4. Расчет прогноза с использованием экспоненциального тренда

Результаты расчета представлены в виде графиков на рисунке 2 (теоретическая функция - серый штрих, исходные данные - черный цвет, тренд - серый цвет).

Рис. 2. Расчет прогнозируемого объема продаж по экспоненциальному тренду

Разработанный нами программный продукт, адаптированный для работы в конкретных условиях, обладает универсальностью, надежностью и устойчивостью к изменению условий. Кроме того, и это существенно, можно увеличить число решаемых задач. Так, например, при прогнозировании объемов продаж можно решить проблему влияния каждого показателя (рекламы, выставок, интернета) на величину прибыли.

Одно из достоинств проекта - его дешевизна. Поэтому можно сравнить получаемые результаты с теми, которые были получены другими методами. Их различие даст повод руководству провести более глубокие исследования.

Программа проста в применении, достаточно ввести в программу необходимые данные из информационного поля. Единственная трудность может быть в получении анкетных данных. Трудности возникают при создании информационного поля, в котором предстоит работать.

Здесь все зависит от условий, в которых должны быть получены данные (в полевых или лабораторных). Возможности экспертов построить квазиинформационное поле упрощают работу на предварительном этапе исследования, однако при этом теряется «полевая» изюминка проекта.

Ценность проекта также в мобильности решения поставленных задач, быстрой реакции на изменения окружающей среды, легкой коррекции изменений и дополнений при работе над конкретной задачей.

* Данная работа не является научным трудом, не является выпускной квалификационной работой и представляет собой результат обработки, структурирования и форматирования собранной информации, предназначенной для использования в качестве источника материала при самостоятельной подготовки учебных работ.

Matlab- как средство математического моделирования

Рассказывать о программах математического моделирования и возможных областях их применения можно очень долго, но мы ограничимся лишь кратким обзором ведущих программ, укажем их общие черты и различия. В настоящее время практически все современные CAE-программы имеют встроенные функции символьных вычислений. Однако наиболее известными и приспособленными для математических символьных вычислений считаются Maple, MathCad, Mathematica и MatLab. Но, делая обзор основных программ символьной математики, мы укажем и на возможные альтернативы, идеологически схожие с тем или иным пакетом-лидером.

С помощью описываемого ПО можно сэкономить массу времени и избежать многих ошибок при вычислениях. Естественно, CAE системы не ограничиваются только этими возможностями, но в данном обзоре мы сделаем упор именно на них.

Отметим только, что спектр задач, решаемых подобными системами, очень широк:

Проведение математических исследований, требующих вычислений и аналитических выкладок;

Разработка и анализ алгоритмов;

Математическое моделирование и компьютерный эксперимент;

Анализ и обработка данных;

Визуализация, научная и инженерная графика;

Разработка графических и расчетных приложений.

При этом отметим, что поскольку CAE-системы содержат операторы для базовых вычислений, то почти все алгоритмы, отсутствующие в стандартных функциях, можно реализовать посредством написания собственной программы.

Процессор Pentium II или выше;

400-550 Мбайт дискового пространства;

Операционные системы: Windows 98/Me/ NT 4.0/2000/2003 Server/2003x64/XP/XP x64.

Компания Wolfram Reseach, Inc., разработавшая систему компьютерной математики Mathematica, по праву считается старейшим и наиболее солидным игроком в этой области. Пакет Mathematica (текущая версия 5.2) повсеместно применяется при расчетах в современных научных исследованиях и получил широкую известность в научной и образовательной среде. Можно даже сказать, что Mathematica обладает значительной функциональной избыточностью (там, в частности, есть даже возможность для синтеза звука).

Несмотря на свою направленность на серьезные математические вычисления, системы класса Mathematica просты в освоении и могут использоваться довольно широкой категорией пользователей — студентами и преподавателями вузов, инженерами, аспирантами, научными работниками и даже учащимся математических классов общеобразовательных и специальных школ. Все они найдут в подобной системе многочисленные полезные возможности для применения.

При этом широчайшие функции программы не перегружают ее интерфейс и не замедляют вычислений. Mathematica неизменно демонстрирует высокую скорость символьных преобразований и численных расчетов. Программа Mathematica из всех рассматриваемых систем наиболее полна и универсальна, однако у каждой программы есть как свои достоинства, так и недостатки. А главное — у них есть свои приверженцы, которых бесполезно убеждать в превосходстве другой системы. Но те, кто серьезно работает с системами компьютерной математики, должны пользоваться несколькими программами, ибо только это гарантирует высокий уровень надежности сложных вычислений.

Отметим, что в разработках различных версий системы Mathematica, наряду с головной фирмой Wolfram Research, Inc., принимали участие другие фирмы и сотни специалистов высокой квалификации, в том числе математики и программисты. Система Mathematica является одной из самых крупных программных систем и реализует наиболее эффективные алгоритмы вычислений. К их числу, например, относится механизм контекстов, исключающий появление в программах побочных эффектов.

Система Mathematica сегодня рассматривается как мировой лидер среди компьютерных систем символьной математики для ПК, обеспечивающих не только возможности выполнения сложных численных расчетов с выводом их результатов в самом изысканном графическом виде, но и проведение особо трудоемких аналитических преобразований и вычислений. Версии системы под Windows имеют современный пользовательский интерфейс и позволяют готовить документы в форме Notebooks (записных книжек). Они объединяют исходные данные, описания алгоритмов решения задач, программ и результатов решения в самой разнообразной форме (математические формулы, числа, векторы, матрицы, таблицы и графики).

Mathematica была задумана как система, максимально автоматизирующая труд научных работников и математиков-аналитиков, поэтому она заслуживает изучения даже в качестве типичного представителя элитных и высокоинтеллектуальных программных продуктов высшей степени сложности. Однако куда больший интерес она представляет как мощный и гибкий математический инструментарий, который может оказать неоценимую помощь большинству научных работников, преподавателей университетов и вузов, студентов, инженеров и даже школьников.

С самого начала большое внимание уделялось графике, в том числе динамической, и даже возможностям мультимедиа — воспроизведению динамической анимации и синтезу звуков. Набор функций графики и изменяющих их действие опций очень широк. Графика всегда была сильной стороной различных версий системы Mathematica и обеспечивала им лидерство среди систем компьютерной математики.

В результате Mathematica быстро заняла ведущие позиции на рынке символьных математических систем. Особенно привлекательны обширные графические возможности системы и реализация интерфейса типа Notebook. При этом система обеспечивала динамическую связь между ячейками документов в стиле электронных таблиц даже при решении символьных задач, что принципиально и выгодно отличало ее от других подобных систем.

Таким образом, Mathematica — это, с одной стороны, типичная система программирования на базе одного из самых мощных проблемноориентированных языков функционального программирования высокого уровня, предназначенная для решения различных задач (в том числе и математических), а с другой — интерактивная система для решения большинства математических задач в диалоговом режиме без традиционного программирования. Таким образом, Mathematica как система программирования имеет все возможности для разработки и создания практически любых управляющих структур, организации ввода-вывода, работы с системными функциями и обслуживания любых периферийных устройств, а с помощью пакетов расширения (Add-ons) появляется возможность подстраиваться под запросы любого пользователя, (хотя рядовому пользователю эти средства программирования могут и не понадобиться — он вполне обойдется встроенными математическими функциями системы, поражающими своим обилием и многообразием даже опытных математиков).

К недостаткам системы Mathematica следует отнести разве что весьма необычный язык программирования, обращение к которому, впрочем, облегчает подробная система помощи.

Минимальные требования к системе:

Процессор Pentium III 650 МГц;

400 Мбайт дискового пространства;

Операционные системы: Windows NT 4 (SP5)/98/ME/2000/2003 Server/XP Pro/XP Home.

Программа Maple (последняя версия 10.02) — своего рода патриарх в семействе систем символьной математики и до сих пор является одним из лидеров среди универсальных систем символьных вычислений. Она предоставляет пользователю удобную интеллектуальную среду для математических исследований любого уровня и пользуется особой популярностью в научной среде. Отметим, что символьный анализатор программы Maple является наиболее сильной частью этого ПО, поэтому именно он был позаимствован и включен в ряд других CAE-пакетов, таких как MathCad и MatLab, а также в состав пакетов для подготовки научных публикаций Scientific WorkPlace и Math Office for Word.

Пакет Maple — совместная разработка Университета Ватерлоо (шт. Онтарио, Канада) и Высшей технической школы (ETHZ, Цюрих, Швейцария). Для его продажи была создана специальная компания — Waterloo Maple, Inc., которая, к сожалению, больше прославилась математической проработкой своего проекта, чем уровнем его коммерческой реализации. В результате система Maple ранее была доступна преимущественно узкому кругу профессионалов. Сейчас эта компания работает совместно с более преуспевающей в коммерции и в проработке пользовательского интерфейса математических систем фирмой MathSoft, Inc. — создательницей весьма популярных и массовых систем для численных расчетов MathCad, ставших международным стандартом для технических вычислений.

Maple предоставляет удобную среду для компьютерных экспериментов, в ходе которых пробуются различные подходы к задаче, анализируются частные решения, а при необходимости программирования отбираются требующие особой скорости фрагменты. Пакет позволяет создавать интегрированные среды с участием других систем и универсальных языков программирования высокого уровня. Когда расчеты произведены и требуется оформить результаты, то можно использовать средства этого пакета для визуализации данных и подготовки иллюстраций для публикации. Для завершения работы остается подготовить печатный материал (отчет, статью, книгу) прямо в среде Maple, а затем можно приступать к очередному исследованию. Работа проходит интерактивно — пользователь вводит команды и тут же видит на экране результат их выполнения. При этом пакет Maple совсем не похож на традиционную среду программирования, где требуется жесткая формализация всех переменных и действий с ними. Здесь же автоматически обеспечивается выбор подходящих типов переменных и проверяется корректность выполнения операций, так что в общем случае не требуется описания переменных и строгой формализации записи.

Пакет Maple состоит из ядра (процедур, написанных на языке С и хорошо оптимизированных), библиотеки, написанной на Maple-языке, и развитого внешнего интерфейса. Ядро выполняет большинство базовых операций, а библиотека содержит множество команд — процедур, выполняемых в режиме интерпретации.

Интерфейс Maple основан на концепции рабочего поля (worksheet) или документа, содержащего строки ввода-вывода и текст, а также графику.

Работа с пакетом происходит в режиме интерпретатора. В строке ввода пользователь задает команду, нажимает клавишу Enter и получает результат — строку (или строки) вывода либо сообщение об ошибочно введенной команде. Тут же выдается приглашение вводить новую команду и т.д.

Вычисления в Maple

Систему Maple можно использовать и на самом элементарном уровне ее возможностей — как очень мощный калькулятор для вычислений по заданным формулам, но главным ее достоинством является способность выполнять арифметические действия в символьном виде, то есть так, как это делает человек. При работе с дробями и корнями программа не приводит их в процессе вычислений к десятичному виду, а производит необходимые сокращения и преобразования в столбик, что позволяет избежать ошибок при округлении. Для работы с десятичными эквивалентами в системе Maple имеется специальная команда, аппроксимирующая значение выражения в формате чисел с плавающей запятой.

Система Maple предлагает различные способы представления, сокращения и преобразования выражений, например такие операции, как упрощение и разложение на множители алгебраических выражений и приведение их к различному виду. Таким образом, Maple можно использовать для решения уравнений и систем.

Maple также имеет множество мощных инструментальных средств для вычисления выражений с одной или несколькими переменными. Программу можно использовать для решения задач дифференциального и интегрального исчисления, вычисления пределов, разложений в ряды, суммирования рядов, умножения, интегральных преобразований (таких как преобразование Лапласа, Z-преобразование, преобразование Меллина или Фурье), а также для исследования непрерывных или кусочно-непрерывных функций.

Maple может вычислять пределы функций, как конечные, так и стремящиеся к бесконечности, а также распознает неопределенности в пределах. В этой системе можно решать множество обычных дифференциальных уравнений (ODE), а также дифференциальные уравнения в частных производных (PDE), в том числе задачи с начальными условиями (IVP) и задачи с граничными условиями (BVP).

Одним из наиболее часто используемых в системе Maple пакетов программ является пакет линейной алгебры, содержащий мощный набор команд для работы с векторами и матрицами. Maple может находить собственные значения и собственные векторы операторов, вычислять криволинейные координаты, находить матричные нормы и вычислять множество различных типов разложения матриц.

Программирование

Система Maple использует процедурный язык 4-го поколения (4GL). Этот язык специально предназначен для быстрой разработки математических подпрограмм и пользовательских приложений. Синтаксис данного языка аналогичен синтаксису универсальных языков высокого уровня: C, Fortran, Basic и Pascal.

Maple может генерировать код, совместимый с такими языками программирования, как Fortran или C, и с языком набора текста LaTeX, который пользуется большой популярностью в научном мире и применяется для оформления публикаций. Одно из преимуществ этого свойства — способность обеспечивать доступ к специализированным числовым программам, максимально ускоряющим решение сложных задач. Например, используя систему Maple, можно разработать определенную математическую модель, а затем с ее помощью сгенерировать код на языке C, соответствующий этой модели. Язык 4GL, специально оптимизированный для разработки математических приложений, позволяет сократить процесс разработки, а настроить пользовательский интерфейс помогают элементы Maplets или документы Maple со встроенными графическими компонентами.

Одновременно в среде Maple можно подготовить и документацию к приложению, так как средства пакета позволяют создавать технические документы профессионального вида, содержащие текст, интерактивные математические вычисления, графики, рисунки и даже звук. Вы также можете создавать интерактивные документы и презентации, добавляя кнопки, бегунки и другие компоненты, и, наконец, публиковать документы в Интернете и развертывать интерактивные вычисления в Сети, используя сервер MapleNet.

Интернет-совместимость

Maple является первым универсальным математическим пакетом, который предлагает полную поддержку стандарта MathML 2.0, управляющего как внешним видом, так и смыслом математики в Интернете. Эта эксклюзивная функция делает текущую версию MathML основным средством Интернет-математики, а также устанавливает новый уровень совместимости многопользовательской среды. TCP/IP-протокол обеспечивает динамический доступ к информации из других Интернет-ресурсов, например к данным для финансового анализа в реальном времени или к данным о погоде.

Перспективы развития

Последние версии Maple, помимо дополнительных алгоритмов и методов решения математических задач, получили более удобный графический интерфейс, продвинутые инструменты визуализации и построения графиков, а также дополнительные средства программирования (в том числе по совместимости с универсальными языками программирования). Начиная с девятой версии в пакет был добавлен импорт документов из программы Mathematica, а в справочную систему были введены определения математических и инженерных понятий и расширена навигация по страницам справки. Кроме того, было повышено полиграфическое качество формул, особенно при форматировании больших и сложных выражений, а также значительно сокращен размер MW-файлов для хранения рабочих документов Maple.

Таким образом, Maple — это, пожалуй, наиболее удачно сбалансированная система и бесспорный лидер по возможностям символьных вычислений для математики. При этом оригинальный символьный движок сочетается здесь с легко запоминающимся структурным языком программирования, так что Maple может быть использована как для небольших задач, так и для серьезных проектов.

К недостаткам системы Maple можно отнести лишь ее некоторую «задумчивость», причем не всегда обоснованную, а также очень высокую стоимость этой программы (в зависимости от версии и набора библиотек цена ее доходит до нескольких десятков тысяч долл., правда студентам и научным работникам предлагаются дешевые версии — за несколько сотен долл.).

Пакет Maple широко распространен в университетах ведущих научных держав, в исследовательских центрах и компаниях. Программа постоянно развивается, вбирая в себя новые разделы математики, приобретая новые функции и обеспечивая лучшую среду для исследовательской работы. Одно из основных направлений развития этой системы — повышение мощности и достоверности аналитических (символьных) вычислений. Это направление представлено в Maple наиболее широко. Уже сегодня Maple может выполнять сложнейшие аналитические вычисления, которые нередко не по силам даже опытным математикам.

Минимальные требования к системе:

Процессор Pentium III, 4, Xeon, Pentium M; AMD Athlon, Athlon XP, Athlon MP;

400 Мбайт дискового пространства (только для самой системы MatLab и ее Help);

Операционная система Microsoft Windows 2000 (SP3)/XP.

Система MatLab относится к среднему уровню продуктов, предназначенных для символьной математики, но рассчитана на широкое применение в сфере CAE (то есть сильна и в других областях). MatLab — одна из старейших, тщательно проработанных и проверенных временем систем автоматизации математических расчетов, построенная на расширенном представлении и применении матричных операций. Это нашло отражение и в самом названии системы — MATrix LABoratory, то есть матричная лаборатория. Однако синтаксис языка программирования системы продуман настолько тщательно, что данная ориентация почти не ощущается теми пользователями, которых не интересуют непосредственно матричные вычисления.

Несмотря на то что изначально MatLab предназначалась исключительно для вычислений, в процессе эволюции (а сейчас выпущена уже версия 7), в дополнение к прекрасным вычислительным средствам, у фирмы Waterloo Maple по лицензии для MatLab было приобретено ядро символьных преобразований, а также появились библиотеки, которые обеспечивают в MatLab уникальные для математических пакетов функции. Например, широко известная библиотека Simulink, реализуя принцип визуального программирования, позволяет построить логическую схему сложной системы управления из одних только стандартных блоков, не написав при этом ни строчки кода. После конструирования такой схемы можно детально проанализировать ее работу.

В системе MatLab также существуют широкие возможности для программирования. Ее библиотека C Math (компилятор MatLab) является объектной и содержит свыше 300 процедур обработки данных на языке C. Внутри пакета можно использовать как процедуры самой MatLab, так и стандартные процедуры языка C, что делает этот инструмент мощнейшим подспорьем при разработке приложений (используя компилятор C Math, можно встраивать любые процедуры MatLab в готовые приложения).

Библиотека C Math позволяет пользоваться следующими категориями функций:

Операции с матрицами;.

Сравнение матриц;

Решение линейных уравнений;

Разложение операторов и поиск собственных значений;

Нахождение обратной матрицы;

Поиск определителя;

Вычисление матричного экспоненциала;

Элементарная математика;

Функции beta, gamma, erf и эллиптические функции;

Основы статистики и анализа данных;

Поиск корней полиномов;

Фильтрация, свертка;

Быстрое преобразование Фурье (FFT);

Интерполяция;

Операции со строками;

Операции ввода-вывода файлов и т.д.

При этом все библиотеки MatLab отличаются высокой скоростью численных вычислений. Однако матрицы широко применяются не только в таких математических расчетах, как решение задач линейной алгебры и математического моделирования, обсчета статических и динамических систем и объектов. Они являются основой автоматического составления и решения уравнений состояния динамических объектов и систем. Именно универсальность аппарата матричного исчисления значительно повышает интерес к системе MatLab, вобравшей в себя лучшие достижения в области быстрого решения матричных задач. Поэтому MatLab давно уже вышла за рамки специализированной матричной системы, превратившись в одну из наиболее мощных универсальных интегрированных систем компьютерной математики.

Для визуализации моделирования система MatLab имеет библиотеку Image Processing Toolbox, которая обеспечивает широкий спектр функций, поддерживающих визуализацию проводимых вычислений непосредственно из среды MatLab, увеличение и анализ, а также возможность построения алгоритмов обработки изображений. Усовершенствованные методы графической библиотеки в соединении с языком программирования MatLab обеспечивают открытую расширяемую систему, которая может быть использована для создания специальных приложений, пригодных для обработки графики.

Таким образом, программу MatLab можно использовать для восстановления испорченных изображений, шаблонного распознавания объектов на изображениях или же для разработки каких-либо собственных оригинальных алгоритмов обработки изображений. Библиотека Image Processing Tollbox упрощает разработку высокоточных алгоритмов, поскольку каждая из функций, включенных в эту библиотеку, оптимизирована для максимального быстродействия, эффективности и достоверности вычислений. Кроме того, библиотека обеспечивает разработчика многочисленным инструментарием для создания собственных решений и для реализаций сложных приложений обработки графики. А при анализе изображений использование мгновенного доступа к мощным средствам визуализации помогает моментально увидеть эффекты увеличения, восстановления и фильтрации.

Среди других библиотек системы MatLab можно также отметить System Identification Toolbox — набор инструментов для создания математических моделей динамических систем, основанных на наблюдаемых входных/выходных данных. Особенностью этого инструментария является наличие гибкого пользовательского интерфейса, позволяющего организовать данные и модели. Библиотека System Identification Toolbox поддерживает как параметрические, так и непараметрические методы. Интерфейс системы облегчает предварительную обработку данных, работу с итеративным процессом создания моделей для получения оценок и выделения наиболее значимых данных. Быстрое выполнение с минимальными усилиями таких операций, как открытие/сохранение данных, выделение области возможных значений данных, удаление погрешностей, предотвращение ухода данных от характерного для них уровня.

Наборы данных и идентифицируемые модели организуются графически, что позволяет легко вызвать результаты предыдущих анализов в течение процесса идентификации системы и выбрать следующие возможные шаги процесса. Основной пользовательский интерфейс организует данные для показа уже полученного результата. Это облегчает быстрое сравнение по оценкам моделей, позволяет выделять графическими средствами наиболее значимые модели и исследовать их показатели.

А что касается математических вычислений, то MatLab предоставляет доступ к огромному количеству подпрограмм, содержащихся в библиотеке NAG Foundation Library компании Numerical Algorithms Group Ltd (инструментарий имеет сотни функций из различных областей математики, и многие из этих программ были разработаны широко известными в мире специалистами). Это уникальная коллекция реализаций современных численных методов компьютерной математики, созданных за последние три десятка лет. Таким образом, MatLab вобрала и опыт, и правила, и методы математических вычислений, накопленные за тысячи лет развития математики. Одну только прилагаемую к системе обширную документацию вполне можно рассматривать как фундаментальный многотомный электронный справочник по математическому обеспечению.

Из недостатков системы MatLab можно отметить невысокую интегрированность среды (очень много окон, с которыми лучше работать на двух мониторах), не очень внятную справочную систему (а между тем объем фирменной документации достигает почти 5 тыс. страниц, что делает ее трудно обозримой) и специфический редактор кода MatLab-программ. Сегодня система MatLab широко используется в технике, науке и образовании, но все-таки она больше подходит для анализа данных и организации вычислений, нежели для чисто математических выкладок.

Поэтому для проведения аналитических преобразований в MatLab используется ядро символьных преобразований Maple, а из Maple для численных расчетов можно обращаться к MatLab. Ведь недаром символьная математика Maple вошла составной частью в целый ряд современных пакетов, а численный анализ от MatLab и наборы инструментов (Toolboxes) уникальны. Тем не менее математические пакеты Maple и MatLab — это интеллектуальные лидеры в своих классах, это образцы, определяющие развитие компьютерной математики.

Математические методы прогнозирования могут разрабатываться на основе различных функций, динамических рядов и аналитических зависимостей. Для математического моделирования и прогнозирования валютных рынков в качестве входной информации могут выступать как ценовая динамика и ее производные (значения индикаторов, значимые уровни и т.п.), так и рыночные макроэкономические показатели . В математических моделях прогнозирования финансовых временных рядов в качестве входной информации используется ценовая динамика. Однако иначе происходит работа с информационными моделями временных рядов, которые являются описаниями объектов-оригиналов с помощью схем, графиков, формул, чертежей и т.п. Одним из важнейших видов информационного моделирования является математическое, когда описания формулируются на языке математики. Соответственно, и исследование таких моделей ведется с использованием математических методов.

Математически задача прогнозирования валютного курса может быть сведена к задаче аппроксимации многомерных функций и, следовательно, к задаче построения многомерного отображения. В зависимости от типа выходных переменных аппроксимация функций может принимать вид: классификации или регрессии. Следовательно, в моделях прогнозирования валютных курсов можно выделить две крупные подзадачи: 1. построение математической модели; 2ю обучение экспертных сетей, реализующих решение задачи. В результате изучения предметной области должна быть разработана математическая модель прогнозирования, включающая набор входных переменных; метод формирования входных признаков и метод обучения экспертной системы.

Аналитические зависимости

Рассмотрим особенности модели прогнозирования на базе аналитических зависимостей.

Данная модель строится на основе анализа механизма образования валютного курса. Вид формулы в данном случае будет зависеть от характера и вида взаимодействующих факторов, влияющих на формирование валютного курса. За основу модели берется гипотеза о паритете покупательной способности . Далее в процессе рассмотрения реальных экономических систем добавятся новые факторы, и обобщенная модель выберет основные факторы, влияющие на образование валютного курса.

Повышение эффективности краткосрочных операций с валютой - одна из важных задач в деятельности банков и других инвесторов, которые продают и покупают различные валюты в значительных объемах, стремясь придать движение имеющимся в наличии свободным резервам, чтобы избежать потерь от конъюнктурных колебаний курсов и получить дополнительную прибыль. Причем валютные операции осуществляются с большой скоростью через Internet, так как очень важно выйти на валютный рынок с предложением раньше конкурентов. Все это – составная часть непрерывного процесса формирования оптимальной структуры валютных резервов.

Эффективность валютных операций существенным образом зависит от надежности прогнозов колебания курсов валют. Именно поэтому краткосрочное прогнозирование курсов имеет большое практическое значение для оперативной деятельности банков и прочих инвесторов. А вопрос о возможности применения статистических методов для этой цели представляется актуальным и естественным. Проблема краткосрочного прогнозирования курсов валют с применением статистических моделей рассматривается исходя из того, что для успешного ведения валютных операций требуется получение прогнозов на одни сутки вперед. Как, например, в фильме «Пи» математик Макс Коэн в течение многих лет пытается найти и расшифровать универсальный цифровой код, согласно которому изменяются курсы всех . По мере приближения к разгадке, мир вокруг Макса превращается в мрачный кошмар: его преследуют могущественные аналитики с Уолл-стрит, чтобы обнаружить код вселенского мироздания. Находясь на грани безумия, Макс должен сделать решающий выбор между порядком и хаосом и решить, способен ли он совладать с могущественной силой, которую сейчас пробудил его гениальный разум. Но это – фантастика. В реальности не тяжкий труд, а ход мысли определяет инвестиционный доход, при этом для оценки эффективности идеи может служить только адекватное математическое моделирование.

Адаптивные методы прогнозирования

Трудно провести четкую грань, отделяющую адаптивные методы прогнозирования от неадаптивных. Уже прогнозирование методом экстраполяции обычных регрессионных кривых содержит некоторый элемент адаптации, когда с каждым новым получением фактических данных параметры регрессионных кривых пересчитываются и уточняются. Через достаточно большой промежуток времени может быть заменен даже тип кривой. Однако здесь степень адаптации весьма незначительна; к тому же с течением времени она падает вместе с увеличением общего количества точек наблюдения и соответственно с уменьшением в выборке удельного веса каждой новой точки.

Последовательность процесса адаптации выглядит следующим образом. Пусть модель находится в некотором исходном состоянии, и по ней делается прогноз. Когда истечет одна единица времени (шаг моделирования), анализируем, насколько далек результат, полученный по модели, от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью в соответствии с ее логикой для перехода из одного состояния в другое с целью большего согласования своего поведения с динамикой ряда. На изменения ряда модель должна отвечать компенсирующими изменениями. Затем делается прогноз на следующий момент времени, и весь процесс повторяется. Таким образом, адаптация осуществляется интерактивно с получением каждой новой фактической точки ряда. Однако каковы должны быть правила перехода системы от одного состояния к другому, какова логика механизма адаптации?

В сущности, этот вопрос решается каждым исследователем интуитивно. Логика механизма адаптации задается априорно, а затем проверяется эмпирически. При построении, модели мы неизбежно наделяем ее врожденными свойствами и, вместе с тем, для большей гибкости должны позаботиться о механизмах условных рефлексов, усваиваемых или утрачиваемых с определенной инерционностью. Их совокупность и составляет логику механизма адаптации. В силу простоты каждой отдельно взятой модели и ограниченности исходной информации, зачастую представленной единственным рядом, нельзя ожидать, что какая-либо одна адаптивная модель годится для прогнозирования любого ряда, любых вариаций поведения. Адаптивные модели достаточно гибки, однако на их универсальность рассчитывать не приходится. Поэтому при построении и объяснении конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реального процесса, динамические свойства ряда соотносить с возможностями модели. Необходимо закладывать в модель те адаптивные свойства, которых хватит для слежения модели за реальным процессом с заданной точностью.

Вместе с тем нельзя надеяться на успешную самоадаптацию модели , более общей по отношению к той, которая необходима для отражения данного процесса, ибо увеличение числа параметров придает системе излишнюю чувствительность, приводит к ее раскачке и ухудшению получаемых по ней прогнозов. Таким образом, при построении адаптивной модели приходится выбирать между общей и частной моделью и, взвешивая их достоинства и недостатки, отдавать предпочтение той, от которой можно ожидать наименьшей ошибки прогнозирования. Поэтому необходимо иметь определенный запас специализированных моделей, разнообразных по структуре и функциональным свойствам. Для сравнения возможных альтернатив необходим критерий полезности модели. Несмотря на то, что в общем случае такой критерий является предметом спора, в случае краткосрочного прогнозирования признанным критерием обычно является средний квадрат ошибки прогнозирования. О качестве модели судят также по наличию автокорреляции в ошибках. В более развитых системах процесс проб и ошибок осуществляется в результате анализа как последовательных во времени, так и параллельных (конкурирующих) модификаций модели .

Краткосрочное прогнозирование валютного курса

Информация о динамике курсов валют создает впечатление хаотического движения: падение и рост курсов сменяют друг друга в каком-то случайном порядке. Даже если за большой интервал времени отмечается тенденция, например, к росту, то на графике легко можно увидеть, что эта тенденция прокладывает себе путь через сложные движения временного ряда курса валюты . Направление ряда все время меняется под воздействием нерегулярных и часто неизвестных сил. Исследуемый объект в полной мере подвержен воздействию стихии мирового рынка, и точной информации о будущем движении курса нет. Необходимо сделать прогноз. При этом совершенно очевидно, что прогнозировать даже знак прироста курса очень сложно . Делать это обычно поручают экспертам, которые анализируют текущую конъюнктуру, а также пытаются выделить факторы, регулярным образом связанные с движением курса (фундаментальный анализ). При построении формальных моделей также пытаются выделить круг существенных факторов и на их основе сконструировать какой-либо индикатор, но ни эксперты-практики, ни формальные методы не дают пока хороших устойчивых результатов. Полагаем, объясняется это, прежде всего, тем, что если и есть действительно какой-либо круг факторов, влияющих стабильным образом на курс, то их воздействие надежно скрыто наложенной случайной составляющей и управляющими воздействиями .

В результате эти факторы и их влияние выделить довольно трудно. Поэтому необходимо считать краткосрочное прогнозирование курса по существу задачей прогнозирования последовательного движения изолированного временного ряда, причиной которого является главным образом массовое поведение на валютном рынке мелких и крупных финансовых игроков, совершающих основной объем финансовых операций с валютой. Такой подход можно отнести к . Конечно, отдельно взятый участник валютной игры волен совершенно произвольно менять свою стратегию. И все же можно предположить, что поведение всей массы участников через соотношение спроса и предложения, влияющее на курс валюты, обладает в текущий период времени какой-то определенной доминирующей логикой, обнаруживающейся через закон больших чисел. Например, при падении курса валюты ее могут скупать, ожидая в дальнейшем повышения курса. И такой массовый спрос валюты действительно ведет к росту ее курса. Или наоборот, если после падения курса валюты доверие к ней падает и ожидается ее дальнейшее обесценение, то преобладает массовое предложение и курс падает еще ниже. Заметим, что при таком упрощенном подходе саму динамику временного ряда можно прочитать как хронологическую запись о массовом поведении участников валютного рынка. Это дает возможность при построении модели исходить из самого ряда, не привлекая дополнительной информации, а все рассуждения о массовом поведении участников рынка использовать лишь для качественной интерпретации. Если бы удалось найти в динамике ряда хотя бы краткосрочные закономерности, реализующиеся с вероятностью более 50%, то это дало бы основания рассчитывать на успех. Тогда стало бы возможным применение статистических методов для прогнозирования курсов, улавливающих более или менее устойчивые отношения последовательных событий временного ряда .

В данном случае ставится следующая задача. Во-первых, выяснить применимость для краткосрочного прогнозирования валютных курсов каких-либо статистических методов, назначение которых – описывать повторяющиеся события или ситуации, характеризующиеся относительно устойчивыми связями. Во-вторых, если статистические методы применимы для решения поставленной задачи, то установить их наиболее перспективный класс, указать характерные особенности этих методов, особое внимание уделить простейшим из них. В-третьих, показать на примере практические результаты. Отметим, что вопросам прогнозирования курсов валют всегда уделялось большое внимание. Из публикаций на близкую тему укажем, например, работу К. Гренжера и О. Моргенштерна (Granger Clive W.J., Morgenstern Oscar. Predictability of stock market prices. Massachusetts, 1970), в которой исследуется динамика курсов акций и приведена обширная библиография. В этой монографии фактически сделан вывод о том, что если и есть какая-либо в рядах подобного рода, то наиболее вероятно, что она имеется между смежными приростами курсов. Однако возникает вопрос, не пытаемся ли мы прогнозировать совершенно случайные колебания курсов валют. Ответ на этот вопрос находится в специальном исследовании .

Современное прогнозирование

Новый взгляд на роль прогнозирования утвердился как обязательный элемент процесса принятия решения. Логическим следствием усиления роли прогнозирования явилось повышение требований к обоснованности и надежности прогнозных оценок. Однако уровень соответствия аппарата современной прогностики этим новым требованиям остается чрезмерно низким. Даже применение адаптивных моделей, с помощью которых удается, как правило, достичь необходимого уровня адекватности в описании прогнозируемых процессов, только частично решает проблему повышения надежности. Современная экономика порождает процессы со столь сложной динамикой, что идентификация ее закономерностей аппаратом современной прогностики часто оказывается неразрешимой задачей. Совершенствование этого аппарата, прежде всего, нуждается в новых идеях и новых подходах, на основе которых возможна реализация механизмов и способов отражения динамики, формируемой под воздействием эффектов, возможность появления которых в будущем не обнаруживается в данных исторического периода. Возникает явное противоречие, преодоление которого будет способствовать формированию нового взгляда на прогнозирование как упреждающее отражение в вероятностной среде представления об исследуемом процессе в виде траектории, построенной на основе объективных тенденций и субъективные ожидания.

В рамках экономического прогнозирования развитие адаптивного подхода происходит по трем направлениям. Первое из них ориентировано, в основном, на усложнения адаптивных прогнозных моделей. Идея второго направления состоит в совершенствовании адаптивного механизма моделей прогнозирования. В третьем направлении реализуется подход совместного использования адаптивных принципов и других методов прогнозирования, в частности, имитационного моделирования. Разработке адаптивно-имитационных моделей посвящены труды В.В. Давниса .

Развитие рынка определяется , но также верно и обратное – фундаментальные факторы определяются рынком , т.е. поведением участников рынка, их оценками и ожиданиями. При этом умение давать правильную оценку развитию рыночных ситуаций зависит от способности предвосхищать превалирующие ожидания участников рынка, а не от способности прогнозировать изменения в реальном мире . Поэтому идеи развития математического аппарата прогнозирования не в достаточной степени учитывают свойства активности экономических систем, что снижает даже при высокой интерполяционной точности уровень правдоподобности прогнозных оценок. В то же время прогнозы, основанные только на субъективной информации, ориентированы на предсказание качественных характеристик, и поэтому их использование возможно только в специальных случаях. Это выводит на первый план проблему построения прогнозов на основе комбинирования экстраполяционных и субъективных оценок. Проводились исследования в данной области, однако анализ результатов этих исследований показал преобладание в них творческого характера, что свидетельствует, по сути, о начальном уровне разработанности проблемы построения комбинированных прогнозов.

Литература

1. Соболев В.В. Валютный дилинг на финансовых рынках/ Юж.-Рос. гос. техн. ун-т (НПИ). – Новочеркасск, 2009. – 442 с.
2. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособие. – М.: Финансы и статистика, 2003. – 416 с.
3. Давнис В.В., Тинякова В.И. Адаптивные модели: анализ и прогноз в экономических системах. – Воронеж: Изд-во Воронеж. гос. ун-та, 2006.– 380 с.
4. Мишкин Ф. Экономическая теория денег, банковского дела и финансовых рынков: Учебное пособие для вузов/ Пер. с англ. Д.В. Виноградова под ред. М.Е. Дорошенко. – М.: Аспект Пресс, 1999. – 820 с.
5. Лукашин Ю.П. О возможности краткосрочного прогнозирования курсов валют с помощью простейших статистических моделей // Вестник МГУ. -1990. — Сер. 6. Экономика. -№ 1.-С. 75-84.
6. Соболев В.В. Финансисты/ Юж.-Рос. гос. техн. ун-т (НПИ).–Новочеркасск, 2009.–315 с.
7. Сорос Дж. Алхимия финансов: Пер.с англ. – М.: “Инфра-М”, 1996. – 416 с.

Fortrader Suite 11, Second Floor, Sound & Vision House, Francis Rachel Str. Victoria Victoria, Mahe, Seychelles +7 10 248 2640568

Приложение 1. МЕТОДЫ СТАТИСТИЧЕСКОГО АНАЛИЗА И ПРОГНОЗИРОВАНИЯ В БИЗНЕСЕ

4. Математический инструментарий прогнозирования

Математические методы и модели, используемые в задачах стохастического анализа и прогнозирования в бизнесе, могут относиться к самым различным разделам математики: к регрессионному анализу, анализу временных рядов, формированию и оцениванию экспертных мнений, имитационному моделированию, системам одновременных уравнений, дискриминантному анализу, логит- и пробит-моделям, аппарату логических решающих функций, дисперсионному или ковариационному анализу, анализу ранговых корреляций и таблиц сопряженности и т. д. Однако все они объединены тем, что представляют собой различные подходы к решению центральной проблемы многомерного статистического анализа и эконометрики – проблемы статистического исследования зависимостей , которая, как раз, и является базовой проблемой статистического анализа и прогнозирования в бизнесе (ее общая формулировка была приведена в п. 2).

В п. 1 уже было замечено, что среди p + k + l + m компонент анализируемого многомерного признака могут быть как количественные, так и ординальные и номинальные переменные. Упомянутые выше подходы к решению центральной проблемы многомерного статистического анализа формировались именно с учетом природы исследуемых переменных. Соответствующая специализация этих подходов отражена в табл. 4. В ней же даны ссылки на литературные источники, в которых можно найти достаточно полное описание этих подходов.

Таблица 4.

Природа результирующих показателей	Природа объясняющих переменных	Название обслуживающих разделов многомерного статистического анализа	Литературные источники
Количественная	Количественная	Регрессионный анализ и системы одновременных уравнений
Количественная	Единственная количественная переменная, интерпретируемая как «время»	Анализ временных рядов
Количественная	Неколичественная (ординальные или номинальные переменные)	Дисперсионный анализ
Количественная		Ковариационный анализ, модели типологической регрессии
Неколичественная (ординальные переменные)	Неколичественная (ординальные и номинальные переменные)	Анализ ранговых корреляций и таблиц сопряженности
Неколичественная (номинальные переменные)	Количественная	Дискриминантный анализ, логит- и пробит-модели, кластер-анализ, таксономия, расщепление смесей распределений
Смешанная (количественные и неколичественные переменные)	Смешанная (количественные и неколичественные переменные)	Аппарат логических решающих функций, Data Mining

Тем не менее, практика статистического анализа и прогнозирования в бизнесе свидетельствует о том, что во всем спектре их математического инструментария бесспорное лидерство (по распространенности и актуальности) принадлежит трем разделам:
- регрессионному анализу;
- анализу временных рядов;
- механизму формирования и статистического анализа экспертных оценок.

Кратко остановимся на каждом из этих разделов.

Регрессионный анализ

Как и прежде, будем описывать функционирование исследуемого реального объекта (фирмы, компании, процесса производства или дистрибуции продукции и т. п.) набором переменных и (их содержательный смысл описан в п. 2). Введем ряд определений и понятий, используемых в регрессионном анализе.

Результирующие (зависимые, эндогенные) переменные. Переменная , характеризующая результат или эффективность функционирования анализируемой системы, называется результирующей (зависимой, эндогенной). Ее значения формируются в процессе и внутри функционирования этой системы под воздействием ряда других переменных и факторов, часть из которых поддается регистрации и, в определенной степени, управлению и планированию (эту часть принято называть объясняющими переменными, см. ниже). В регрессионном анализе результирующая переменная выступает в роли функции, значения которой определяются (правда, с некоторой случайной погрешностью) значениями упомянутых выше объясняющих переменных, выступающих в роли аргументов. Поэтому по природе своей результирующая переменная всегда стохастична (случайна). В общем случае обычно анализируется поведение сразу нескольких результирующих переменных .

Объясняющие (предикторные, экзогенные) переменные . Переменные (или признаки), поддающиеся регистрации, описывающие условия функционирования изучаемой реальной экономической системы и в существенной мере определяющие процесс формирования значений результирующих переменных, называются объясняющими. Как правило, часть из них поддается хотя бы частичному регулированию и управлению. Значения ряда объясняющих переменных могут задаваться как бы «извне» анализируемой системы. В этом случае их принято называть экзогенными. В регрессионном анализе они играют роль аргументов той функции, в качестве которой рассматривается анализируемый результирующий показатель . По своей природе объясняющие переменные могут быть как случайными, так и неслучайными.

Регрессионные остатки – это латентные (т. е. скрытые, не поддающиеся непосредственному измерению) случайные компоненты, отражающие влияние соответственно на не учтенных в составе факторов, а также случайные ошибки в измерении анализируемых результирующих переменных. Они, вообще говоря, тоже могут зависеть от , т. е. в общем случае .

Общая схема взаимодействия переменных в регрессионном анализе изображена на рисунке.

Рисунок . Общая схема взаимодействия переменных в регрессионном анализе.

Функция регрессии по . Функция называется функцией регрессии по (или просто – регрессией по ), если она описывает изменение условного среднего значения результирующей переменной (при условии, что значения объясняющих переменных зафиксированы на уровнях ) в зависимости от изменения значений объясняющих переменных. Соответственно математически это определение может быть записано в виде

где символ означает операцию теоретического усреднения значений (т. е. – это математическое ожидание случайной величины , а , или просто – это условное математическое ожидание случайной величины , вычисленное при условии, что значения объясняющих переменных зафиксированы на уровне ).

Если мы анализируем одновременно результирующих переменных , то следует рассмотреть соответственно функций регрессий или, что то же, одну векторнозначную функцию

. (11)

Тогда модель регрессии по может быть записана в виде

, (12)

причем, из определения следует, что всегда]

(12’)

(тождественный знак равенства в (12’) означает, что оно справедливо при любых значениях ; вектор-столбец из нулей в правой части имеет размерность ).

задача регрессионного анализа в самом общем виде может быть сформулирована следующим образом:

по результатам измерений

исследуемых переменных на объектах (системах, процессах) анализируемой совокупности построить такую (векторнозначную) функцию (11), которая позволила бы наилучшим (в определенном смысле) образом восстанавливать значения результирующих (прогнозируемых) переменных по заданным значениям объясняющих (экзогенных) переменных .

З а м е ч а н и е 1. Наиболее распространенными являются линейные модели регрессии, т. е. модели, в которых функции регрессии имеют линейный вид:

З а м е ч а н и е 2. Существует по меньшей мере два варианта интерпретации введенных в п. 2 «поведенческих», «статусных» и «внешних» переменных, соответственно, и в рамках описанной модели регрессии (12)–(12’). В первом варианте все три типа переменных и относят к объясняющим переменным и строят регрессию по . В другом варианте переменные и интерпретируют как условия проведения наблюдений и тогда отдельно для каждого фиксированного сочетания этих условий строят регрессионную модель вида (12) (в рамках линейной модели (12 ’’) это будет означать, что сами коэффициенты регрессии зависят от и , т. е. определяются как функции от и ).

Анализ временных рядов

Всякий статистический анализ и прогноз основывается на исходных статистических данных. Их основные типы были представлены в п. 1. При этом, если процесс регистрации данных происходит во времени , и само время фиксируется наряду со значениями анализируемых характеристик , то говорят о статистическом анализе так называемых панельных данных . Если зафиксировать номер переменной и номер статистически обследуемого объекта , то расположенную в хронологическом порядке последовательность значений

называют одномерным временным рядом . Если же одновременно рассматривать одномерных временных рядов вида (13), т. е. исследовать закономерности во взаимосвязанном поведении временных рядов (13) для , характеризующих динамику переменных, измеренных на каком-то одном ( -м) объекте , то тогда говорят о статистическом анализе многомерного временного ряда . По существу, все задачи, связанные с анализом экономической динамики и прогнозом, предусматривают использование в качестве своей статистической базы временных рядов тех или иных показателей.

Как правило, в задачах бизнес-прогнозирования рассматриваются лишь дискретные (по времени наблюдения ) одномерные временные ряды для равноотстоящих моментов наблюдения , т. е. где – заданный временной такт (минута, час, сутки, неделя, месяц, квартал, год и т. п.). В этих случаях исследуемый временной ряд нам будет удобнее представлять в виде

где – значение анализируемого показателя, зарегистрированное в -м такте времени .

Говоря об использовании аппарата анализа временных рядов в проблеме прогнозирования, мы имеем в виду кратко - и среднесрочный прогноз , поскольку построение долгосрочного прогноза подразумевает обязательное использование методов организации и статистического анализа специальных экспертных оценок .

Генезис наблюдений, образующих временной ряд . Речь идет о структуре и классификации основных факторов, под воздействием которых формируются значения элементов временного ряда. Целесообразно выделить следующие 4 типа таких факторов.

(А) Долговременные , формирующие общую (в длительной перспективе) тенденцию в изменении анализируемого признака . Обычно эта тенденция описывается с помощью той или иной неслучайной функции f тр (t), как правило, монотонной. Эту функцию называют функцией тренда или просто трендом .

(Б) Сезонные , формирующие периодически повторяющиеся в определенное время года колебания анализируемого признака. Условимся обозначать результат действия сезонных факторов с помощью неслучайной функции . Поскольку эта функция должна быть периодической (с периодами, кратными сезонам, т. е. кварталам), в ее аналитическом выражении участвуют гармоники (тригонометрические функции), периодичность которых, как правило, обусловлена содержательной сущностью задачи.

(В) Циклические (конъюнктурные ), формирующие изменения анализируемого признака, обусловленные действием долговременных циклов экономической, демографической или астрофизической природы (волны Кондратьева, демографические «ямы», циклы солнечной активности и т. п.). Результат действия циклических факторов будем обозначать с помощью неслучайной функции .

(Г) Случайные (нерегулярные), не поддающиеся учету и регистрации. Их воздействие на формирование значений временного ряда как раз и обусловливает стохастическую природу элементов , а следовательно, и необходимость интерпретации как наблюдений, произведенных над случайными величинами соответственно . Будем обозначать результат воздействия случайных факторов с помощью случайных величин («остатков», «ошибок») . Конечно, вовсе не обязательно, чтобы в процессе формирования значений всякого временного ряда участвовали одновременно факторы всех четырех типов. В одних случаях значения временного ряда могут формироваться под воздействием факторов (А), (Б) и (Г), в других – под воздействием факторов (А), (В) и (Г) и, наконец, – исключительно под воздействием одних только случайных факторов (Г). Однако во всех случаях предполагается непременное участие случайных (эволюционных ) факторов (Г). Кроме того, как правило, принимается (в качестве гипотезы) аддитивная структурная схема влияния факторов (А), (Б), (В) и (Г) на формирование значений , которая означает правомерность представления значений членов временного ряда в виде разложения:

Выводы о том, участвуют или нет факторы данного типа в формировании значений , могут базироваться как на анализе содержательной сущности задачи (т. е. быть априорно-экспертными по своей природе ), так и на специальном статистическом анализе исследуемого временного ряда .

В рамках введенных понятий и обозначений задача статистического анализа временного ряда в общем виде может быть сформулирована следующим образом:

по результатам измерений исследуемой переменной за тактов времени базового периода построить наилучшие (в определенном смысле) оценки для членов разложения (14).

Решение этой задачи используется для построения прогнозного значения на тактов времени вперед с помощью формулы (14) при и при подстановке в нее полученных оценок компонентов правой части разложения.

Механизмы формирования и статистический анализ экспертных оценок

Обычно выделяются следующие основные типы организации работы группы экспертов ():

· коллегиальный : «метод комиссий» (в виде открытой дискуссии по обсуждаемой проблеме); «метод суда» (в виде противостояния «защиты» и «обвинения» по каждому из вариантов обсуждаемого решения проблемы); «мозговая атака» и т.п.;

· частично коллегиальный: сценарный анализ типа «что – если», метод «Делфи» – многотуровое обсуждение проблемы с тайным голосованием экспертов или заполнением специальных анонимных анкет в конце каждого тура и работой независимой аналитической группы в промежутках между турами и т.п.;

· индивидуально-автономный: каждый из участников экспертной группы формирует и высказывает свое мнение (независимо от позиций других участников) в виде ранжирования обсуждаемых вариантов решения (или объектов), их парных сравнений или отнесения каждого из них к одной из заранее описанных градаций (см. формы представления исходных статистических данных в виде таблиц частот или таблиц сопряженности в между мнениями -го и -го экспертов измеряют величиной , где – коэффициент ранговой корреляции Спирмена (см. , гл. 11]). Определив тот или иной способ вычисления «расстояния» между мнениями пары экспертов, мы можем решать затем задачу «кластеризации» экспертов, интерпретируя каждый из найденных таким образом кластер как группу экспертов-единомышленников.

(ii) Анализ взаимной согласованности мнений группы экспертов. Располагая мнениями целой группы экспертов, аналитик-статистик стремится оценить степень согласованности всех этих экспертных оценок, в том числе и статистически проверить гипотезу о полном отсутствии какой-либо их согласованности (и тогда, очевидно, следует либо уточнить постановку предложенной экспертам задачи, либо поменять состав экспертной группы). Эта задача также решается средствами многомерного статистического анализа. Выбор конкретного метода зависит от формы исходных статистических данных. Например, если мнения экспертов представлены ранжировками, то в качестве меры их согласованности можно рассматривать коэффициент объектов), т.е. при исходных статистических данных вида определяется как решение оптимизационной задачи видаj -го эксперта отстоит от единого группового мнения, тем ниже оценивается уровень его относительной компетентности. Заметим, что если в результате исследования структуры совокупности экспертных мнений аналитик-статистик приходит к выводу о наличии нескольких подгрупп экспертов с однородностью мнений внутри каждой подгруппы и с существенным различием мнений в любой паре таких подгрупп, то задача единого группового мнения и оценка относительной компетентности эксперта решается отдельно для каждой из выявленных подгрупп.

Случайные факторы, в свою очередь, могут быть двоякой природы: внезапными («разладочными»), приводящими к скачкообразным структурным изменениям в механизме формирования значений x(t) (что выражается, например, в радикальных скачкообразных изменениях основных структурных характеристик функций f тр (t), j (t) и y (t) анализируемого временного ряда в случайный момент времени), и эволюционными остаточными , обусловливающими относительно небольшие случайные отклонения значений x(t) от тех, которые должны были бы получиться только под воздействием факторов (А), (Б) и (В). Однако в данном разделе будут рассмотрены схемы формирования временных рядов, включающие в себя действие только эволюционных остаточных случайных факторов.

Предыдущая