Были рассмотрены несколько вариантов прогнозирования себестоимости добычи нефти методом экспоненциального сглаживания при различных [c.56]
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]
Изучение тенденций развития динамики себестоимости добычи нефти, статей затрат и факторов, оказывающих решающее влияние на уровень и динамику этих показателей, свидетельствует о том, что моделирование их можно выполнить при использовании прежде всего таких функций времени (трендов), которые решаются методом наименьших квадратов (линейные, параболические, показательные, логарифмические), а также с применением методов экспоненциального сглаживания, гармонических весов и т. д. [c.102]
При расчете значений контролируемых параметров сглаживание информации осуществляется по методу экспоненциального сглаживания по формуле [c.84]
Для оценки параметров функции широко используют такие методы, как метод наименьших квадратов и его модификации, метод экспоненциального сглаживания, метод вероятностного моделирования и метод адаптивного сглаживания. [c.22]
Метод экспоненциального сглаживания дает более точное приближение к исходному ряду, улавливая колебания цен. На рис. 9.4 приведены графики исходного и сглаженного ряда с помощью экспоненциального сглаживания. Динамическим рядам цен акций (как и ряду других фондовых инструментов) присущ ряд особенностей, которые могут определять специфику их анализа. Прежде всего это достаточно частые случаи резкого изменения тенденции цены (например, повышательный тренд, так называемый бычий, сменяется его противоположностью, так называемым медвежьим трендом). В этой ситуации возможно использование аналитической аппроксимации. Для оценки параметров уравнения, максимально точно описывающего динамику цен акций, используется метод наименьших квадратов, суть которого состоит в том, что подбирается такая аппроксимирующая кривая, при которой достигается минимум квадратов отклонений исходного ряда от теоретической кривой. [c.372]
Альтернативный подход к устранению колебаний в ряде значений состоит в использовании метода экспоненциального сглаживания. Каждое сглаженное значение рассчитывается путем сочетания предыдущего сглаженного значения и текущего значения временного ряда. В этом случае текущее значение временного ряда взвешивается с учетом сглаживающей константы, обычно обозначаемой а. Сам расчет производится по следующей формуле [c.193]
На рис. 6.6 показаны исходные значения объема продаж, а также экспоненциально сглаженные значения при а = 0.1. Как видно из графика на рис. 6.6, метод экспоненциального сглаживания действительно существенно сглаживает ряд значений. И вполне логично использовать эти значения для оценки тренда в последующие годы. Однако, некоторые сложности возникают при использовании столь малых значений, как 0.1, например. Основной недостаток состоит в том, что между изменениями в исходном ряду значений и соответствующими изменениями в ряду сглаженных значений отмечается лаг (или запаздывание). Так, мы видим, что анализируемые данные демонстрируют восходящий тренд объема продаж. Однако скользящие средние медленно обозначают этот тренд. Обратите внимание, что на графике (рис. 6.6) все сглаженные значения за последние пять лет находятся под фактическими значениями объема продаж. В целом, чем меньше значение а, тем менее оно чувствительно к изменениям тренда в данном временном ряду. Чтобы решить эту проблему, мы можем взять большее значение а. Рассмотрим, например, значение сглаживающей константы, равное а = 0.3. В таблице ниже приведены сглаженные значения, рассчитанные по этой константе. [c.194]
Существуют различные методы прогнозирования, учитывающие характер протекания процессов и значения случайной величины временного ряда. Если вариация средних значений незначительна, для прогноза на короткие интервалы времени применяется метод скользящего среднего. Если поздние значения временного ряда имеют большую значимость для прогноза, а начальные значения — меньшую, применяется метод экспоненциального сглаживания. [c.464]
Метод экспоненциального сглаживания [c.466]
Метод экспоненциального сглаживания предполагает, что последние значения временного ряда более значимы для прогноза. Каждое значение участвует в формировании прогнозных значений с переменным весом , который убывает по мере устаревания данных [c.466]
Получить прогнозное значение сальдо счета 051 методом экспоненциального сглаживания. [c.466]
Метод экспоненциального сглаживания свободен от указанных недостатков. [c.249]
В нижеследующей таблице сравниваются фактический объем продаж и прогнозируемый объем, полученный с помощью метода экспоненциального сглаживания. [c.251]
Метод экспоненциального сглаживания. За прогнозируемое значе- [c.100]
Наиболее распространенными методами экстраполяции трендов являются метод скользящего среднего и метод экспоненциального сглаживания, прогнозирование на базе прошлого оборота. [c.129]
Метод экспоненциального сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов [c.129]
В данном случае можно применить метод экспоненциального сглаживания, назначая разные весовые коэффициенты (большие для последних лет) данным для разных лет [1], [5]. При этом прогнозная оценка в большей степени соответствует тенденциям последних лет. [c.206]
Следующий метод прогнозирования называется методом экспоненциального сглаживания. Этот метод основан на пред положении, что предсказываемые значения некоторой последовательности могут быть выражены рядом Тейлора [c.176]
Практика прогнозирования методом экспоненциального сглаживания свидетельствует о том, что в промышленных условиях почти всегда можно ограничиваться тремя членами ряда. [c.177]
Часто используемым методом является также метод экспоненциального сглаживания, обобщающий метод скользящего среднего. Скользящее среднее вычисляется по формуле [c.329]
Методы регрессионного анализа, в отличие, скажем, от методов экспоненциального сглаживания, дают, помимо самого прогноза, другую важнейшую характеристику качества прогноза, выражаемую в виде стандартной ошибки прогноза и его доверительного интервала. Не принимать во внимание эту характеристику значит не до конца воспользоваться всеми преимуществами, которые дает применение методов математической статистики. [c.9]
Первая часть этой книги посвящена методам экспоненциального сглаживания, или, как их иногда называют, методам краткосрочного [c.11]
Превосходство методов экспоненциального сглаживания над традиционными методами скользящего среднего косвенно подтверждается и тем фактом, что на сегодняшний день эти методы входят в систему математического обеспечения ЭВМ большинства промышленных предприятий. [c.14]
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]
Заметим, что высокочувствительному прогнозу в методе экспоненциального сглаживания отвечают высокие значения константы сглаживания а, низ ко чувствительному — низкие значения а. В гл. 5 будут рассмотрены методы с изменяющимися коэффициентами экспоненциального сглаживания. Таким образом, адаптация здесь будет пони даться в смысле адаптации коэффициента сглаживания к изменению данных, — Примеч. пер. [c.58]
На практике используют многообразные и более сложные способы вычисления экономического роста, чем приведенная выше формула (1). Например, Всемирным банком применяется метод наименьших квадратов и метод экспоненциального сглаживания.1 [c.607]
К простым методам сглаживания данных можно отнести метод экспоненциального сглаживания с одним параметром и метод арифметического сглаживания. Важнейшая предпосылка любого метода сглаживания состоит в использовании последних данных ряда, поскольку информация имеет свойство устаревания, причем чем ближе данные к интервалу прогноза, тем их вес (или значимость) для прогноза должен быть больше. При прогнозировании по методу экспоненциального сглаживания с одним параметром прогнозируемое значение у ( + ( в момент времени t + 1 представляет собой сумму фактического значения показателя yt и прогнозируемого значения у ( в момент времени t. Другими словами, [c.151]
Таким образом, методом экспоненциального сглаживания получен прогноз на шестой день среднее значение спроса 5 ед., ошибка прогноза 4,7 ед., с вероятностью 0,9 ожидается спрос в интервале от 0 до 12 ед. [c.154]
Для индекса-дефлятора каждой составляющей ВРП и для ВРП в целом строится прогноз на I квартал 2001г. с помощью метода экспоненциального сглаживания. [c.322]
Известны другие методы прогнозирования, при которых каждому наблюдению в прошлом придается определенный вес, учитываемый при расчете будущих теоретических оценок (метод гармонических рядов, метод экспоненциального сглаживания и Др.). Эти методы учитывают не только общую тенденцию ряда, но прежде всего ту тенденцию, которая наблюда- [c.39]
Метод экспоненциального сглаживания — выявление направления тенденции прошлого периода и пролонгирование ее в будущее. [c.137]
Прогнозирование спроса возможно также на основе анализа предыдущих продаж. Серийный анализ состоит в выделении в прошлых временных сериях (периодах) четырех компонентов (тенденция, цикл, сезонные влияния и неравномерность), на основе сопоставления которых делается прогноз на будущее. Метод экспоненциального сглаживания состоит в составлении прогноза на основе сочетания среднего показателя прошлых продаж и показателей самого последнего времени (с учетом определенных весовых коэффициентов). Статистический анализ спроса представляет собой измерение влияния на уровень продаж ряда каузальных факторов (дохода, маркетинговых расходов, цены). И, наконец, эконометриче-ский анализ состоит в построении системы уравнений, которое описывает соотношение параметров и дает статистический прогноз на будущее. [c.151]
Наконец, нельзя не отметить существование другого, конкурирующего семейства методов краткосрочного прогнозирования. Речь идет о методах авторегрессии и скользящего среднего или, как 1их иногда называют, методах Бокса— Дженкинса [341. Последнее, конечно, мощнее и разнообразнее методов экспоненциального сглаживания, однако они уже не столь просты, как вторые требуют не только повышенной эрудиции в области математической статистики, но и больших вычислительных затрат. i [c.8]
В разд. 1 гл. 1 вводится понятие простого экспоненциального взвешенного среднего, на котором основаны все модели сглаживания. В гл. 2 разбираются более сложные варианты основной модели, применяющиеся в условиях тренда и сезонных колебаний. В гл. 3 обсуждаются различные меры точности прогноза. В гл, 4 рассматривается методы сглаживания, используемые в автоматическом рёйсШе краткосрочного прогнозирования, В следующей главе обсуждаются возможности адаптивного прШиозирования. Гл. 6, хотя и не имеет прямого отношения к методам экспоненциального сглаживания, посвящена другой немаловажной проблеме — анализу автокорреляции в задаче определения типа динамики прогнозируемого ряда — необходимому условию выбора прогностической модели. [c.14]
По этому методу, если в результате резких изменений показателя применяемый прогностический метод становится неудовлетворительным, значение следящего контрольного сигнала автоматически увеличивается, вследствие чего ббльший вес придается последним наблюдениям, а прогноз переходит на новый уровень среднего. После того как система перестроилась на новый уровень, значение Tt автоматически уменьшится и прогнозы станут менее чувствительны к изменению данных. Метод адаптивной скорости реакции значительно быстрее приспосабливается к резким колебаниям показателя, чем простейший метод экспоненциального сглаживания (рис. 5.3), и может с успехом применяться и для прогнозирования сезонной и трендовой компоненты. [c.62]
В работе английского ученого излагаются статистические методы краткосрочного и среднесрочного прогнозирования временных рядов. Основным инструментом кратхосрочного прогнозирования, рассмотренного в книге, является метод экспоненциального сглаживания, среднесрочного — метод криволинейных трендов. Может служить справочным пособием по теме. - [c.134]
Смотреть страницы где упоминается термин Метод экспоненциального сглаживания
: [c.321] [c.199] [c.116] [c.117] [c.135] [c.201] [c.75] [c.76] [c.96] [c.154] [c.184]Смотреть главы в:
Методы прогнозирования в условиях рынка -> Метод экспоненциального сглаживания