Метод экспоненциального сглаживания

из "Методы прогнозирования в условиях рынка "

Весьма эффективным и надежным методом прогнозирования является экспоненциальное сглаживание. Основные достоинства метода состоят в возможности учета весов исходной информации, в простоте вычислительных операций, в гибкости описания различных динамик процессов. Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Наибольшее применение метод нашел для реализации среднесрочных прогнозов. Для метода экспоненциального сглаживания основным и наиболее трудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозирующего полинома [6,64,72,151]. [c.15]
У = до ц-д -н г-2, где т - период прогноза. [c.17]
Важную роль в методе экспоненциального сглаживания играет выбор оптимального параметра сглаживания а, так как именно он определяет оценки коэффициентов модели, а, следовательно, и результаты прогноза [72, 103, 215]. [c.17]
В зависимости от величины параметра прогнозные оценки по-разному учитывают влияние исходного ряда наблюдений чем больше а, тем больше вклад последних наблюдений в формирование тренда, а влияние начальных условий быстро убывает. При малом а прогнозные оценки учитывают все наблюдения, при этом уменьшение влияния более старой информации происходит медленно. [c.17]
Выбор параметра а целесообразно связывать с точностью прогноза, поэтому для более обоснованного выбора а можно использовать процедуру обобщенного сглаживания, которая позволяет получить следующие соотношения, связывающие дисперсию прогноза и параметр сглаживания [103, 129]. [c.18]
Отличительная особенность этих формул состоит в том, что при (X — О они обращаются в нуль. Это объясняется тем, что, чем ближе к нулю а, тем больше длина исходного ряда наблюдений t — оо и, следовательно, тем меньше ошибка прогноза. Поэтому для уменьшения ошибки прогноза необходимо выбирать минимальное а. [c.18]
В то же время параметр а определяет начальные условия, и, чем меньше а, тем ниже точность определения начальных условий, а следовательно, ухудшается и качество прогноза. Ошибка прогноза растет по мере уменьшения точности определения начальных условий [103]. [c.18]
Таким образом, использование формул (1.13)-(1.16) приводит к противоречию при определении параметра сглаживания с уменьшением а уменьшается среднеквадратическая ошибка, но при этом возрастает ошибка в начальных условиях, что в свою очередь влияет на точность прогноза. [c.19]
Кроме того, при использовании соотношений (1.13)-(1.16) необходимо принимать во внимание следующие обстоятельства, а именно эти выражения получены для бесконечно длинных рядов без учета автокорреляции наблюдений. На практике мы имеем дело с конечными рядами, характеризующимися внутренней зависимостью между исходными наблюдениями. Все это снижает целесообразность использования соотношений (1.13)-(1.16). [c.19]
В ряде случаев параметр а выбирается таким образом, чтобы минимизировать ошибку прогноза, рассчитанного по ретроспективной информации. [c.19]
Весьма существенным для практического использования является вопрос о выборе порядка прогнозирующего полинома, что во многом определяет качество прогноза. Превышение второго порядка модели не приводит к существенному увеличению точности прогноза, но значительно усложняет процедуру расчета [40, 53]. [c.19]
Рассмотренный метод является одним из наиболее надежных и широко применяется в практике прогнозирования. Одно из наиболее перспективных направлений развития данного метода представляет собой метод разностного прогнозирования, в котором само экспоненциальное сглаживание рассматривается как частный случай [129, 138]. [c.19]

Вернуться к основной статье