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]
Проблемы и недостатки метода экспоненциального сглаживания. Для метода экспоненциального сглаживания основным и наиболее трудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозирующего полинома. Кроме того, для определения начальных параметров модели остаются актуальными перечисленные недостатки МНК и проблема автокорреляций. [c.69]
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. На рисунке 4.51 показана зависимость качества прогнозов от изменения параметра сглаживания а для адаптивной модели первого порядка, построенной для курса акций ОАО РАО ЕЭС . Из рисунка хорошо видно, как влияет на качество прогнозов изменение параметра сглаживания а. [c.183]
Прогнозируемые значения, полученные по методу экспоненциального сглаживания (20) и по формуле логической кривой (21), за шесть лет прогнозируемого периода отличаются друг от друга менее чем на 4 %. То, что два метода прогнозирования дают идентичные результаты, свидетельствует об удачном выборе как форм связи, так и отдельных параметров модели методом экспертных оценок. [c.57]
Аналитического решения поставленных задач на сегодняшний день не существует, да и в принципе оно вряд ли возможно. Выбор характеристик сглаживания должен быть основан на экспериментальных рдс-четах и осуществляться в каждом конкретном случае по-разному. В настоящее" время широко практикуется следующая процедура экспериментальной проверки качества прогнозируемых систем, известная под названием метода обучающей выборки. Разобьем имеющийся временной ряд dl9 d2,. .., dn на две части. Первую часть, dlf da,. .., dht назовем обучающим рядом (выборкой), а вторую, dfe+i, dk+2,. .., da, — экзаменующим. На обучающем ряде оцениваем все необходимые параметры, а на экзаменующем смотрим, насколько наша прогностическая модель хорошо предсказывает фактические значения показателя, [c.7]
MSE и SSE чаще всего используются при выборе оптимальных моделей прогнозирования. В большинстве пакетов программ по прогнозированию именно эти два показателя принимаются в качестве критерия при оптимальном выборе параметров модели. В частности, можно найти значение а в простейшем методе экспоненциального сглаживания, если, разумеется, пользователь сам не задает этого значения. В приложении на рис. А.4 дается блок-схема основных вычислений, необходимых для нахождения всех мер точности прогноза, рассмотренных в настоящей главе, [c.46]
Параметрами рассмотренного метода сглаживания биномиально взвешенным скользящим полиномом являются k, задающий порядок полинома, и /, определяющий размер активной окрестности (т.е. число членов временного ряда вблизи заданного периода времени, на основе которых получается сглаженное значение ряда для данного периода времени). Следует использовать значения параметра k, равные О, 1 или 2. В первом случае сглаженный ряд локально тяготеет к константе (причем тем сильнее, чем выше значение Г), во втором случае - к прямой линии (поэтому в этих случаях допускается спрямление изгибов основной тенденции), а в третьем случае - к параболе. Выбор размера активной окрестности (сводящийся к выбору значения I) определяется теми тенденциями, исследование которых представляет интерес. Для исследования краткосрочных тенденций следует использовать малое значение /, а для исследования долгосрочных - большое. Выбор значения параметра / может быть произведен на основе анализа передаточных функций. [c.225]
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]
Стохастические модели выбора решений в сложных ситуациях, как правило, более адекватны реальным явлениям и процессам, чем детерминированные постановки задач управления, планирования и проектирования. В практических задачах приходится, как правило, выбирать решения при недостатке информации об исходных данных. Иногда имеются основания (обычно интуитивные) усреднять тем или иным образом, вообще говоря, случайные параметры условий, заменять неопределенные характеристики какими-либо ожидаемыми их оценками и сводить задачу выбора решений к детерминированной. К сожалению, аргументации метода усреднения и оценке исходной информации в практических задачах уделяется крайне недостаточно внимания. Между тем, при недостаточно обоснованном сглаживании исходных данных нередко теряется полезная информация и в постановку задач привносится ложная информация, не имеющая отношения к изучаемому явлению и искажающая исследуемый процесс. [c.28]
Рожков Л.Н., Френкель А.А. Выбор оптимального параметра сглаживания в методе экспоненциального сглаживания. - Основные проблемы и задачи научного прогнозирования. - М. Наука, 1972.- 154с. [c.194]
Очевидно, что результаты по трем методам, о которых идет речь, в основном совпадают. Однако в случае прогноза на один момент времени метод двойного сглаживания Брауна все же точнее, чем модификация Муира метода Холта. По методу Холта в Случае необходимости (выбором соответствующего значения ) тренд может быть оценен либо снизу (недооценен), либо сверху (переоценен) по методу Бокса— Дженкинса в некоторых случаях параметры у0, уг и -i могут принимать и отрицательные значения, и значения больше единицы. Метод же адаптивного сглаживания Брауна, основанный на идее дисконтированной взвешенной регрессии, радикально.отличается от других описанных в этой главе методов и приводит к результатам с несколько меньшими ошибками прогноза (табл. 2.2). Практика показала, что этот метод имеет особенность сосредоточиваться на тренде, если таковой существует. Вычисления по методу Брауна предусматривают возведение в квадрат, поэтому мы рекомендуем его использовать в рамках прогностической системы, запрограммированной на ЭВМ или программируемом калькуляторе. [c.35]
Смотреть страницы где упоминается термин Выбор параметра сглаживания А в методе
: [c.277] [c.224]Смотреть главы в:
Энциклопедия финансового риск-менеджмента -> Выбор параметра сглаживания А в методе