Khaliavkin A.

Uniwersytet Łódzki (Polska)

KLASYFIKACJA METOD PROGNOZOWANIA SZEREGOW CZASOWYCH

Szacuje się, zagranicznymi i krajowymi specjalistami z prognozowania, że istnieje już ponad 100 metod prognozowania [1]. Liczba podstawowych metod prognozowania, które w tych lub innych odmianach powtarzają się w innych metodach, znacznie mniej. Wiele z tych "metod" odnoszą się raczej do poszczególnych metod lub procedur prognozowania, inne stanowią zbiór pojedynczych technik, które różnią się od podstawowych lub od siebie ilością prywatnych przyjęć i kolejności ich stosowania. Nie zważając na brak jednolitej klasyfikacji metod prognozowania, większość prac naukowych dzielą wszystkie metody prognozowania na intuicyjne (ekspertów) i sformalizowane (ilościowe). Intuicyjne prognozowanie stosuje się wtedy, gdy obiekt prognozowania albo zbyt prosty lub tak skomplikowany, że analitycznie wziąć pod uwagę wpływ wiele czynników jest praktycznie niemożliwe. W tych przypadkach uciekają się do sondażu ekspertów. Uzyskane indywidualne i zbiorowe oceny ekspertów stosowane jako końcowe prognozy lub jako dane źródłowe w złożonych systemach prognozowania. Sformalizowane metody prognozowania oparte na budowaniu prognoz formalnych środkami matematycznej teorii, pozwalają zwiększyć wiarygodność i dokładność prognoz, znacznie skrócić czas ich wykonywania, ułatwić przetwarzanie informacji i oceny wyników. Skład sformalizowanych metod prognozowania obejmuje: metody interpolacji i ekstrapolacji, metody modelowania matematycznego, metody rachunku prawdopodobieństwa i statystyki matematycznej. Grupy sformalizowanej metody można podzielić na następujące kategorie:

1. Metody prognozowania, oparte na wygladzeniu, exponential smoothing, sredniej ruchomej:

a. "Naiwne" modele prognozowania

b. Średnie i ruchome średnie

c. Metody Holta i Brauna

d. Metoda Wintersa

2. Regresyjne metody prognozowania

3. Dekompozycja szeregów czasowych

4. Metody Boksa-Djenkinsa (ARIMA)

a. Autoregresyjne modele AR (p)

b. Modele średniej ruchomej MA (q)

c. Metod z autoregresjej i średniej ruchomej ARMA (p, q)

d. Metoda ARIMA (p, r, q)

e. Sezonowe rozszyżenie ARIMA (p, r, q) (P, R, Q)

5. Sieci neuronowe

Podczas tworzenia "naiwnych" modeli zakłada się, że niektóry, ostatni okres prognozowanego szeregu czasowego najlepiej opisuje przyszłość tego samego szeregu, dlatego w tych modelach prognoza, z reguły jest bardzo prostą funkcją od wartości prognozowanej zmiennej w niedalekiej przeszłości [1].

W połowie ubiegłego wieku Holt zaproponował zaawansowane metody wygładzania wykładniczego, później nazwane jego imieniem. W proponowanym algorytmie wartości poziomu i trendu wygładzone za pomocą wygładzania wykładniczego. Przy czym parametry wygładzania u nich różne [4].

Tutaj pierwsze równanie opisuje wygładzony rząd wspólnego poziomu. Drugie równanie służy do oceny trendu. Trzecie równanie określa prognozę na p okresów w czasie do przodu.

Chociaż opisana powyżej metoda Holta (metoda dwuchparametrycznego wygładzania wykładniczego) i nie jest wcale prosta (w stosunku do "naiwnych" modeli i modeli opartych na uśrednieniu), nie pozwala wziąć pod uwagę wahania sezonowe w prognozowaniu. Mówiąc bardziej dokładnie, ta metoda nie może ich "zobaczyć" w tle(предыстория). Istnieje rozszerzenie metody Holta do trechparametrycznego wygładzania wykładniczego. Algorytm ten nazywany jest metodą Wintersa. Przy tym odbywa się próba wziąć pod uwagę sezonowe składniki w danych [3].

W ciągu ostatnich kilku lat nastąpił wybuch zainteresowania sieciami neuronowymi, sieci które są z powodzeniem stosowane w różnych dziedzinach - biznesie, medycynie, technice, geologii , fizyki. Sieci neuronowe weszły w praktyce wszędzie, gdzie trzeba rozwiązywać zadania prognozowania, klasyfikacji lub zarządzania [2]. Taki spektakularny sukces zależy od wielu przyczyn:Bogate możliwości. Sieci neuronowe - wyjątkowo skuteczna metoda modelowania, która pozwala na odtwarzanie bardzo skomplikowanych zależności. W szczególności, sieci neuronowe nielieniowe w swojej naturze. W ciągu wielu lat liniowa symulacja była podstawową metodą symulacji w większości obszarów, ponieważ dla niej dobrze opracowane procedury optymalizacji. W zadaniach, gdzie liniowe przybliżenie niezadowalające (a jest takich sporo), modele liniowe działają źle. Ponadto, sieci neuronowe radzą sobie z "przekleństwem wymiarowości", które nie pozwala modelować liniowe zależności w przypadku dużej liczby zmiennych.

Wykorzystane materialy:

1. Kelm R. Ekonometryczne metody prognozowania rynków finansowych / R. Kelm. – Warszawa : WIG-Press, 2002. – 164 p.

2. Jingfei Y. Power System Short-term Load Forecasting / Y. Jingfei. – Darmstadt : Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. – 139 p.

3. Williams L. Log-term secrets forex-trading / L. Williams. – Moskwa : Alpina, 2014. – 346 p.

4. Vince R. The Mathematics of Money Management: Risk Analysis Techniques for Traders / R. Vince. – New York : Wiley, 1992. – 376 p.