Экономико-математические методы прогнозирования. Модели и методы прогнозирования

Метод экстраполяции тренда

Трендовая модель - это математическая модель, описывающая изменение прогнозируемого или анализируемого показателя только в зависимости от времени и имеющая вид: у = f(t).

Она описывает тенденцию развития (изменения) достаточно стабильной социально-экономической системы во времени, в особенности таких агрегированных показателей развития, как ВНП (ВВП), ЧНП, НД, уровень инфляции, безработицы

Метод, использующий трендовые модели в прогнозировании, называется методом экстраполяции тренда. Это один из пассивных методов прогнозирования и называется «наивным» прогнозом, так как предполагает строгую инерционность развития, которая представляется в виде проектирования прошлых тенденций в будущее, а главное - независимость показателей развития от тех или иных факторов. Ясно, что нельзя переносить тенденции, которые сформировались в прошлом, на будущее. Причины этого следующие:

а) при краткосрочном прогнозировании экстраполяция прошлых усредненных показателей приводит к тому, что пренебрегаются (или остаются незамеченными) необычные отклонения в обе стороны от тенденций. В то же время для текущего (краткосрочного) прогноза или плана основной задачей является предвидение этих отклонений;

б) при долгосрочном прогнозировании используется такой высокий уровень агрегирования, при котором не учитываются изменения структуры производимой продукции, самой продукции, изменение технологии производства, особенностей рынков, т.е. все то, что составляет главные задачи стратегического планирования.

Социально-экономическая система в отличие от замкнутой физической системы - открытая и реагирующая система, изменяющаяся в зависимости от внешних условий и ввода новых переменных. Поэтому если анализ ситуаций на основе ретроспективного взгляда может быть более или менее успешным, то прогнозирование будущего, как правило, оказывается неудачным. Важно то, что детальный и внимательный анализ хода развития в прошлом почти всегда выявляет спады деловой активности, которые прекращаются и ликвидируются не пассивным ожиданием «естественных сил», восстанавливающих равновесие, а энергичными управленческими усилиями государственных органов, направленными на преодоление неблагоприятных обстоятельств.

Статистический анализ, проводимый с целью экстраполяции, зачастую нацелен на выявление характера противодействия со стороны управленческого аппарата, предотвращающего ожидаемые спады. Необходимо, чтобы при анализе ставилась и решалась задача выявления характера государственного регулирования, государственной экономической политики, эффективности различных мероприятий в различных условиях.

Не надо пренебрегать скачкообразными колебаниями при ретроспективном анализе. Необходимо проводить анализ не только по агрегированной номенклатуре товаров, иначе можно «упустить» начало структурных сдвигов.

Резюмируя вышеназванное, можно отметить, что необходимо очень осторожно переносить тенденции, которые сформировались в прошлом, на будущее по следующим причинам:

а) в будущем может измениться эффективность многих факторов, в том числе темпы использования достижений НТП;

б) прошлое определялось не только «естественным» развитием экономических процессов, а в достаточно большой мере государственной политикой в управлении экономикой, методами государственного регулирования;

в) экстраполяция из-за высокой агрегированное™ макроэкономических показателей не выявляет изменений структуры производства, структурных сдвигов в развитии отраслей, регионов.

Многие авторы предостерегают от излишнего увлечения экстраполяцией тренда социально-экономических показателей, так как даже на микроуровне тренд считается лишь отправной базой для прогнозирования, инструментом получения «прогностического сырья». Экстраполяция тренда используется в основном в оперативном прогнозировании, а в стабильных СЭС - ив краткосрочном.

Метод эконометрического моделирования

Одним из важнейших инструментов анализа и прогноза социально-экономических систем является метод эконометрического моделирования, который наиболее эффективен в случае систем с устойчивыми, стабильными тенденциями развития. Рассмотрим различные модификации эконометрической модели (ЭКМ).

ЭКМ может состоять из одного уравнения регрессии (стохастического уравнения) с одним фактором. Например:

у = а0 + а1 x1 - линейное уравнение,

где а0 - свободный член, а1 - коэффициент регрессии.

Классический пример - кейнсианская модель:

Сn = f (D0), или Сn = а0 +axD0 ,

где Сn - потребительский спрос, D0 - личный располагаемый доход прогнозируемого года.

ЭКМ может состоять из одного регрессионного уравнения с несколькими факторами, т. е. многофакторного уравнения. Например:

у = а0 + a1xl+a2x2+...+anxn , где п - число факторов.

ЭКМ может состоять из нескольких регрессионных уравнений. Эти уравнения называются одновременными, так как решаются как бы в одно и то же время последовательно друг за другом. При этом они могут быть взаимоувязаны, т.е. результирующие переменные первого

уравнения используются как факторы для нахождения результирующей переменной второго уравнения. Уравнения регрессии могут быть и независимы друг от друга. При этом каждое уравнение решается самостоятельно, независимо от других уравнений.

Система линейных взаимоувязанных уравнений выглядит так:

x4 = y0 + y1x1 + y2x2.

В этой эконометрической модели х1, x2 и х4 - эндогенные переменные, моделируемые в рамках данной ЭКМ, а x2 - экзогенный показатель, прогнозируемый вне данной ЭКМ (в рамках другой модели или экспертным путем). Классическим примером ЭКМ, состоящей из независимых уравнений, является модель равновесия совокупного спроса и совокупного предложения.

В ЭКМ могут использоваться и трендовые модели, например, один или несколько экзогенных показателей, изменения которых во времени носит «плавный» характер, могут быть спрогнозированы по трендовой модели y = f(t). Хотя можно считать, что это - внемодельное прогнозирование, так как прогнозируется экзогенный фактор. В рамках расчетов по ЭКМ для прогнозирования экзогенных переменных используются также методы экспертных оценок.

Наряду с регрессионными уравнениями, описывающими вероятностные (стохастические) процессы, в ЭКМ включаются и так называемые дефинщионные уравнения, или тождества. Например, в модели прогнозируются государственные (Jg) и частные (Jp) инвестиции двумя независимыми регрессионными уравнениями, а третье уравнение позволяет рассчитать прогнозное значение общих инвестиций:

J = Jg+Jp - это тождество.

В ЭКМ используются и так называемые «уравнения равновесия», по форме похожие на тождества. Например, уравнение, выражающее условие равновесия на товарном рынке: AD = AS - совокупный спрос равен совокупному предложению.

В общем случае ЭКМ называют системой регрессионных уравнений и тождеств. Некоторые авторы называют регрессионные уравнения «объясняющими» уравнениями, так как изменение значений совокупности факторов-аргументов объясняют изменение результирующей переменной, вернее, часть общего реального изменения. Чем больше объясняемая часть, тем лучше (адекватнее) регрессионное уравнение объясняет реальность.

Тогда напрашивается вопрос, какая разница между методом экстраполяции тренда и эконометрическим методом? Дело в том, что если выявленные зависимости между функцией (У) и факторами-аргументами (X) используются без изменения, т. е. экстраполируются, разница только в том, что эконометрический метод позволяет провести содержательный анализ зависимости исследуемого (прогнозируемого) показателя от того или иного показателя, а экстраполяция тренда отражает только изменение изучаемого показателя во времени. Но основное отличие заключается в том, что эконометрические модели позволяют разрабатывать варианты развития социально-экономического объекта путем изменений условий его функционирования (активное прогнозирование), приводящих к различным значениям эндогенных факторов, изменению трендов их соотношений путем варьирования значений экзогенных факторов, также отличных от тенденций их изменения во времени.

Как правило, варианты развития отличаются различными значениями экзогенных факторов, так как они не моделируются в рамках ЭКМ, они неуправляемы, и интервал их возможных значений в будущем определяется методом экспертных оценок.

Варианты могут отличаться и различными значениями инструментов государственного регулирования, количеством и уровнем налогов, учетной ставкой, нормой обязательных резервов.

Рассмотрев сущность и содержание ЭКМ, перейдем к конкретному описанию порядка (алгоритма) разработки ЭКМ, используя опыт моделирования Японии13.

1. Прежде чем приступить к процессу разработки ЭКМ, ставится цель (цели), ради достижения которой разрабатывается ЭКМ. Например, при разработке долгосрочной модели Японии на 20-летний период прогнозирования ставилась такая общая для всех моделей этого типа цель, как выявление перспектив роста производства СЭС в физическом выражении (в неизменных ценах) на основе данных, содержащихся в счетах национального дохода. В то же время ставилась и конкретная цель - исследовать тенденцию таких компонентов основных фондов, как государственные и частные инвестиции в жилищное строительство и установить их связь с общим ростом экономики. Акцент на эти компоненты основных фондов продиктован тем, что для Японии они являются наиболее существенными факторами, определяющими долговременное развитие СЭС, и тем обстоятельством, что вторая цель может быть достигнута только в долгосрочном периоде из-за длительности формирования и сроков службы этих компонентов. Цели модели Японии на 10-летний период прогнозирования в основном совпадают с целями модели 20-летнего периода, но первая преследует и другие специфические цели, а именно: -

исследовать тенденции по двум секторам экономики, изменения их роли в экономике и рассмотреть их влияние на общий рост СЭС в целом; -

объяснить структуру чистого экспорта в долгосрочном плане; -

обеспечить долгосрочный прогноз с большей степенью детализации, чем это делается в модели на 20-летний период.

Если долгосрочные модели позволяют представить пути развития СЭС на уровне высокоагрегированных макропоказателей, то среднесрочные модели (4-7 лет) обычно преследуют цель отразить результаты влияния социально-экономической политики государства на наиболее важные показатели развития СЭС. Это поможет правительству количественно оценить разные направления в социально-экономической политике и определить лучший вариант с точки зрения общественного благосостояния.

Могут быть представлены и более конкретные цели. Например, в среднесрочной модели Японии ставятся такие цели:

Объяснение движения цен; -

объяснение движения уровней заработной платы; -

обеспечение необходимого контроля любых расхождений между целями, предусмотренными планом, и фактической ситуацией, которая может сложиться в ходе выполнения плана.

2. После определения целей прогнозирования разрабатывается схема причинно-следственных связей в моделях. Это позволяет определить необходимый набор регрессионных уравнений и тождеств, комплекс экзогенных и эндогенных факторов, в том числе управляющих и управляемых, определить алгоритм прогнозных расчетов, взаимосвязи между показателями развития СЭС страны. Эту схему можно назвать и логико-информационной, потому что она отражает логику прогнозирования и информационные взаимосвязи между блоками модели и отдельными ее уравнениями. При этом структурные (функциональные) уравнения и тождества должны сопрягаться со структурой системы национальных счетов. Например, в модели Японии 20-летнего периода упреждения для прогнозирования ВНП применяется производственная функция, а для прогнозирования общего объема капитала используется функция сбережений. Предложение рабочей силы определяется, вернее, задается экзогенно. Вводится параметр, характеризующий уровень технического прогресса в широком смысле как функция времени (/).

Другая специфика модели заключается в том, что весь капитал распределяется также экспертным методом (экзогенно) между частными и государственными секторами, при этом в производственной функции используется только частный основной капитал, а также в том, что чистый экспорт определяется также экзогенно. Каждая модель имеет свою специфику, которая определяется особенностями страны, подходом той или иной группы прогнозистов к решению задач прогнозирования, их опытом и искусством (см. подробнее гл. 6).

3. Далее, получив систему функциональных уравнений и тождеств, отражающих взаимосвязи между показателями развития СЭС, с помощью аппарата корреляционно-регрессионного анализа определяются коэффициенты регрессии (а1) при факторах-аргументах уравнений, т.е. данная ЭКМ решается путем использования метода наименьших квадратов или других более сложных и точных методов.

С этой целью вначале определяется прогнозное значение экзогенной переменной (в случае однофакторного уравнения) или экзогенных переменных (в случае многофакторного уравнения), которые являются факторами для определения первого эндогенного (вычисляемого посредством моделирования) переменного. Далее значение этого эндогенного переменного используется как фактор для второго уравнения регрессии. Если кроме этого фактора во втором уравнении имеются и экзогенные факторы, то опять прогнозируются их значения и используются для расчета второго уравнения. Таким образом решается вся система уравнений ЭКМ.

Первый фактор (фактор первого уравнения) обычно выбирается из тех существенных факторов развития, которые изменяются достаточно «плавно» и его можно определить методом экстраполяции тренда. Другим подходом к выбору первого фактора является его значимость для развития СЭС, когда его значение в прогнозируемом периоде является определяющим, и поэтому оно может быть интерпретировано как цель развития. Другими словами, значение первого экзогенного показателя как цели (норматива) прогнозист устанавливает на основании гипотезы развития СЭС. Например, решение ЭКМ может начинаться с гипотезы, что ВНП страны будет расти в течение прогнозного периода на 3% в год. В долгосрочной модели Японии на 20-летний период в качестве такого фактора был определен ВНП страны.

Но в качестве первой переменной может быть использована и так называемая предопределенная переменная (показатель развития предыдущего года по отношению к прогнозному году). Например, в долгосрочной модели Японии на 10-летний период упреждения ВНП определяется эндогенно, а экзогенными показателями послужили площадь обрабатываемой земли, а также такие показатели, как частный капитал в сельском хозяйстве и частный капитал в перерабатывающих отраслях за предыдущий год по отношению к прогнозируемому.

4. На следующей стадии определяется так называемый доверительный интервал использования полученных результатов.

5. Далее проверяется степень адекватности модели изучаемому процессу (объекту) по годам предпрогнозного периода. Проверка проводится в два этапа. Вначале в уравнения модели вставляются значения факторов (эндогенных и экзогенных) определенного года предпрогнозного периода, данные стат. отчетности по которому были использованы в ретроспективной матрице (расчетного периода), затем решается система уравнений модели.

Обычно проверку проводят по данным нескольких лет (желательно относительно спокойных, когда СЭС не испытывала особых потрясений).

Допустим, в формировании ретроспективной матрицы в 2000 г. для прогнозирования периода 2001-2005 гг. были использованы данные до 1998 г. включительно. Ввиду того, что разработанная ЭКМ отражает тенденции развития СЭС именно в этом ретроспективном периоде, адекватность модели реальности проверяется по годам базового периода и обязательно по конечному, 1998 году. Это - проверка «ex-post базовая». Далее проводится проверка «ex-post внебазовая». С этой целью в модели используются данные статотчетности, полученные в январе-феврале 2000 г. за 1999 г., т.е. не участвующие в разработке ЭКМ.

Возможна и проверка «ex-post внебазовая» по данным 2000 г., года предпрогнозного периода, когда формируются окончательные варианты прогноза. Для этого используются данные отчетности за I квартал 2000 г. и проводится оперативный прогноз на 9 месяцев 2000 г. Данные прогноза 2000 г. вводятся в прогнозную модель. По результатам проверок с участием экспертов проводится корректировка как самой модели, так и ее элементов, в особенности экзогенных факторов.

В дальнейшем по истечении каждого года прогнозного периода с целью верификации используются отчетные данные этих лет. Такая проверка моделей называется «ex-ante».

Схематически это представлено на рис. 3.3.

1990 ex-post базовая 1999-2000 ex-ante 2005

ретроспективный переход ex-post

внебазовая

прогнозный период

допрогнозный период

Рис. 3.3. Различные периоды верификации прогнозов

Важно помнить, что статистические модели хоть и позволяют получить качественную интерпретацию теоретических положений, но в силу вероятностного (стохастического) характера эти интерпретации не могут восприниматься как строгие доказательства или опровержения теоретических положений. Если имеется расхождение между теорией и результатами математических расчетов, то это скорее свидетельствует о некорректности математических расчетов. Обычно регрессионные уравнения, которые вступают в явное противоречие с экономической теорией, исключаются из ЭКМ.

Кроме того, объектом пересмотра должны явиться и переменные экономической политики (инструментальные переменные). Такая процедура наиболее целесообразна в тех случаях, когда предполагается периодически пересматривать первоначальный план, т.е.

Сделать среднесрочный государственный план «скользящим», как можно ближе к действительности.

Необходимость системы проверок основана на постулате: если модель не может удовлетворительно воспроизвести прошлое развитие (движение) системы, нет никаких оснований полагать, что она сможет воспроизвести будущее и ее можно использовать для прогнозирования. Но не надо забывать, что ЭКМ отражает тенденцию развития СЭС, т.е. она как бы «усредняет», «сглаживает» кривую развития СЭС в многомерном пространстве.

Если расчетный (ретроспективный) период равен 10-15 годам и в последние годы тенденции развития существенно изменились, то ЭКМ этого не покажет. Проверка ЭКМ по последним годам предпрогнозного периода позволит выявить эти изменения. Если они носят стабильный, долговременный характер, связанный, например, с началом кризисной ситуации в стране, на мировом рынке или, наоборот, подъемом экономики (переходом СЭС из одной фазы развития в другую), то с использованием метода экспертных оценок необходимо изменение уравнений регрессии модели, вплоть до введения новых факторов развития со своими коэффициентами регрессии. Но в этом случае уже теряется грань между эконометрическими и имитационными моделями, которые будут рассмотрены ниже.

Таким образом, при разработке эконометрических прогнозов, несмотря на то что в их основе лежит математическая модель, большую роль играет эффективное использование других методов прогнозирования, умение исследователя поставить достижения экономической теории на службу прогноза. Эконометрические прогнозы представляют собой синтез различных методов прогнозирования.

Ввиду того что основу ЭКМ составляет система регрессионных уравнений, рассмотрим основные требования к ним.

1. Адекватность формы связи уравнения изучаемому объекту. Форма связи обычно задается самим прогнозистом в соответствии с его представлением об объекте прогнозирования, но также она может быть выбрана с использованием различных оценочных коэффициентов уравнения. Однако не всегда возможно использование линейной (аддитивной) формы связи, поэтому в ЭКМ различных стран часто используется и степенная (мультипликативная) форма связи. Например, широко известна производственная функция Кобба-Дугласа и его модификации.

Желательно свести модель к линейной форме, так как весь аппарат корреляционно-регрессионного анализа ориентирован на линейность связей:

Y = a0 + a1X1 + a2X2 + … + anXn

Но если выбирается степенная связь типа:

Y = a0X1a1+ X2a2 + … + Xnan

то можно свести ее к линейной форме, логарифмируя:

InY = In a0 + a1 In X1 + a2 In X2 + … + an In Xn

2. Существенность факторов-аргументов. Установление комплекса наиболее существенных факторов, влияющих на значение результирующего показателя (функции), в основном зависит от знаний прогнозиста или целой их группы и привлекаемых экспертов. Экономическая теория в силу своих возможностей дает представление о факторах, влияющих на значение различных макроэкономических показателей. Аппарат корреляционно-регрессионного анализа позволяет количественно оценить существенность каждого фактора как в абсолютном, так и относительном выражении (в процентах от общего влияния факторов). 3.

Прогнозируемость факторов, т.е. достаточный уровень надежности внемодельного предсказания или возможность получения прогнозных значений факторов посредством их моделирования. 4.

Отсутствие большой тесноты связи между факторами - мультиколлинеарности.

Сначала для установления отсутствия мультиколлинеарности рассчитываются парные коэффициенты корреляции между всеми факторами попарно. Если линейная связь между двумя факторами достаточно тесная, то прогнозист по своему усмотрению оставляет один из факторов для дальнейшего исследования.

Ввиду того что определение «порогового» значения тесноты связи для установления мультиколлинеарности довольно субъективно, в качестве ее критерия может быть принято следующее соображение. 5.

Значимость коэффициентов регрессии (aj), т.е. их существенное отличие от нуля. Для того чтобы ЭКМ имела смысл, необходимо, чтобы все коэффициенты регрессии, кроме свободного члена (ао), обязательно были значимыми. Значимость определяется согласно критериям корреляционно-регрессионного анализа. Если это необходимо и обосновано, проводится корректировка коэффициентов регрессии.

6. Соответствие уравнения регрессии стандартным требованиям. В этом случае оценка также проводится по соответствующим критериям корреляционно-регрессионного аппарата. Если уравнение не соответствует стандартным требованиям, оно должно быть скорректировано или исключено из ЭКМ.

Рассмотрение особенностей эконометрических моделей позволяет сформулировать преимущества моделирования по сравнению с другими методами разработки прогнозов.

В числе основных преимуществ выделим: 1)

учет взаимовлияния различных факторов; 2)

возможность учета воздействия внешних (экзогенных) факторов по отношению к модели экономических и неэкономических факторов; 3)

получение взаимосбалансированных многовариантных прогнозов по большому количеству показателей; 4)

совместное использование различных методов на базе моделей; 5)

другие преимущества эконометрических моделей целиком определяются развитием вычислительной техники.

Благодаря использованию ЭВМ можно, во-первых, увеличивать размерность моделей, рассматривая одновременно все более тонкие экономические взаимосвязи. Важно отметить при этом, что модельные расчеты позволяют получать прогнозы не просто по большому количеству показателей (последнее возможно и на основе моделей временных рядов), а сбалансированные, взаимоувязанные в непротиворечивую систему. Это является одним из самых ярких преимуществ моделей. Если эксперты способны разработать непротиворечивые прогнозы, как правило, для нескольких показателей (опросы и обследования охватывают десятки переменных), то эконометрические модели в настоящее время позволяют без особого напряжения регулярно прогнозировать развитие огромного числа показателей (1-3 тыс. в рамках одной модели). Во-вторых, автоматизация расчетов открывает возможность разработки не только базового, наиболее вероятного прогноза, но также и альтернативных вариантов развития экономики с учетом изменений каких-либо внешних или внутренних условий. Многовариантность прогнозов повышает научный уровень социально-экономического прогнозирования в целом, так как позволяет оценивать не одну, а несколько наиболее вероятных траекторий развития.

Такой подход не может быть реализован на основе использования временных рядов и экономических обследований, где для получения вариантов прогнозов необходимо вводить существенные изменения и корректировки. Многовариантные экспертные прогнозы встречаются чаще, но они не могут конкурировать с ЭКМ ни по количеству уравнений, ни по номенклатуре используемых переменных.

Рассмотрим подробнее такое важное преимущество ЭКМ, как учет влияния внешнеэкономических факторов. Реальное развитие СЭС подвержено сильнейшему взаимодействию большого числа факторов, которые часто не могут быть описаны в рамках изучаемой модели. Так, например, при разработке макромоделей любой конкретной страны необходимо учитывать внешнеэкономические условия, которые, естественно, не определяются переменными, входящими в номенклатуру этой модели. В силу этого ряд переменных не может быть адекватно определен внутри моделей и, следовательно* должен вводиться в нее извне. От внешнеэкономической ситуации зависят прежде всего такие показатели, как экспорт товаров и капитала, миграция рабочей силы. Поэтому эти показатели обычно вводятся в модель экзогенно. Важной группой внешних переменных являются и те, которые зависят от неэкономических (политических, социальных и др.) факторов. В частности, динамика государственных расходов определяется не только требованиями эффективного развития, но в большей степени политическими устремлениями администрации. Учет этих устремлений в модели может быть осуществлен лишь посредством экзогенного использования факторов через внутреннее взаимовлияние модельных переменных.

Необходимо отметить, что, обладая определенными преимуществами по сравнению с другими методами прогнозирования, эконометрические модели отнюдь не лишены недостатков.

Являясь более удобным инструментом прогнозирования, они не разрешают и не могут разрешить его принципиальные проблемы. Прежде всего, модели не способствуют повышению точности прогнозирования поворотных точек развития. Они более пригодны для экстраполяции сложившихся тенденций развития, чем для распознавания изменений в них. По этой причине прогнозирование экономического роста на базе моделей возможно лишь посредством введения внешних переменных и различных корректировок параметров. Кроме того, сложность и неодназначность интерпритации результатов, требование соблюдения необходимой точности прогнозов усложняют их применение в реальных расчетах.

Другим важным недостатком прогнозирования на базе эконометрических моделей является высокая стоимость таких исследований, требующих использования банков данных, ЭВМ, квалифицированных специалистов по разработке и эксплуатации этих моделей.

Имитационная модель

В социально-экономических исследованиях довольно широко распространен метод прогнозирования слабо структурированных проблем, причинно-следственные связи которых недостаточно изучены для построения удовлетворительной теории. В таком случае используется метод имитационного моделировании

Социально-экономическая система любой страны из-за большого количества факторов, участвующих в описании ее функционирования, тем более в условиях постиндустриальной фазы, усложняющей связи между факторами, вызывающими нестабильность и неопределенность ее развития, является объектом со слабо структурируемыми связями.

Поэтому для исследования и прогнозирования таких объектов строится система математических зависимостей, необязательно вытекающих из строгих теоретических предпосылок. С помощью определенных формальных приемов эта система математических зависимостей идентифицируется с реальным объектом. Убедившись в том, что построенная система воспроизводит хотя бы часть свойств реального объекта, на вход системы подают воздействия, характеризующие внешние условия (например, экзогенные факторы и управляющие, в том числе инструментальные переменные), и получают (снимают) последствия этих воздействий на выходе системы. Таким образом получают варианты поведения модели объекта.

Если объектом изучения является некоторая переменная Y, то строится модель, в основе построения которой лежит предположение, что на Y воздействует X вектор, составленный из определенного количества переменных k в соответствии с функциональным соотношением:

Частным случаем функционального соотношения между Y и X является простая линейная модель:

где Qi - некоторые параметры.

Модель можно сделать еще более реалистичной (и тем самым более сложной), если включить в нее нелинейные зависимости между Y и X, а также случайные величины, каждую со своим весом и своей функцией распределения в зависимости от времени.

Дальнейшее усложнение модели связано с введением логических переменных, разного рода ограничений, запаздываний, описывающих механизм обратной связи.

Ясно, что такую модель нельзя исследовать аналитическими методами.

Поскольку имитационные модели могут учитывать и неформализованные связи и характеристики прогнозируемой системы, они способны наиболее адекватно отобразить ее развитие. Однако именно описание таких неформализованных характеристик и представляет основную трудность при построении имитационных моделей.

Особенно важно, что динамические имитационные модели позволяют делать выводы об основных чертах развития системы, которые не зависят существенно от начальных условий. Эти выводы затем детализируются с помощью других методов прогнозирования.

Имитационные модели предназначены для получения информации о моделируемой системе и выработки в последующем соответствующих оценок, пригодных для формирования решений. В качестве примера рассмотрим имитационную модель согласования производства и потребления в многоотраслевой экономике, представленную на рис. 3.4.

Система имеет два формализованных блока: блок имитации материального производства и блок имитации сферы потребления. В системе предусмотрен экспериментатор, который может распоряжаться несколькими параметрами управления: распределением между отраслями капитальных вложений, темпами накопления, оплатой труда - зарплатоемкостью единицы продукции, оптовыми и розничными ценами.

Рис. 3.4. Структура имитационной модели

Экспериментатор осуществляет активный диалог с ЭВМ. Используется информация о корректировочных показателях расчетного спроса на вид продукции и его конечного производства отраслью. Если показатель превышает единицу, значит, спрос на продукт выше предложения, если меньше единицы - то, наоборот. Корректировочные показатели и темпы роста валовой продукции по отраслям анализируются экспериментатором с позиции их допустимости. Если они нуждаются в изменении, экспериментатор может менять тот или иной параметр управления.

Например, меняется распределение капиталовложений или совокупный доход населения (через отраслевые коэффициенты зарплатоемкости), или масштаб цен. Блоками определяются новые корректировочные показатели. Как только экспериментатор приходит к выводу о достижении удовлетворительного соотношения производства и потребления, он переводит систему к расчетам на следующий год.

Таким образом, работа человеко-машинной имитационной системы позволяет находить варианты прогноза, обеспечивающие наилучшее соответствие между денежными доходами населения и объемами предлагаемых товаров и услуг. Варьирование управляющих параметров, оценка промежуточных и выбор окончательного решения возлагаются на экспериментатора, множество возможных вариантов решения рассчитывается на ЭВМ.

Имитационная деловая игра представляет собой дальнейшее развитие имитационной системы и включает наряду с основными ее элементами (имитационной моделью и средствами анализа и обработки результатов имитации) специальные инструктивные и другие средства, которые регламентируют воздействия экспертов-экспериментаторов, являющихся в игре лицами, принимающими решения и заинтересованными в достижении наилучших результатов функционирования моделируемой системы в будущем.

Игрокам должна предоставляться возможность осуществлять в произвольные моменты времени запрос информации из широкого класса данных. При создании игровой имитационной модели следует прежде всего разработать систему мотивации игроков и сценарий игры: описание ролей при этом содержится в должностных инструкциях. Часть моделей такого рода рассчитана на использование компьютеров, часть - на безмашинную имитацию.

Игровые имитационные модели могут строиться для объектов любого уровня: от участка цеха до СЭС. Создание хорошей модели требует больших затрат времени (до нескольких лет) и обходится недешево, прогнозирование с ее помощью, т.е. проведение игры, также требует серьезных усилий, так как число участников игры может доходить до нескольких сотен. Однако эти затраты оправданы, ибо такие модели дают возможность получить прогноз там, где никакой другой метод не работает.

Имитационное моделирование имеет ряд преимуществ:

возможность применять к реально функционирующим объектам более адекватные модели и почти неограниченно экспериментировать с моделью при различных допущениях;

сравнительно легкое привнесение в модель факторов неопределенности, многих случайных переменных;

сравнительно легкое отражение динамики процессов, временных параметров, сроков, запаздываний.

Процесс прогнозирования на основе имитационного моделирования состоит из нескольких основных этапов:

1. Постановка задачи исследования, изучение прогнозируемой системы, сбор эмпирической информации, выделение основных проблем моделирования. 2.

Формирование имитационной модели, выбор структуры и принципов описания модели и ее подмоделей, допустимых упрощений, из меряемых параметров и критериев качества моделей. 3.

Оценка адекватности имитационной модели, проверка достоверности и пригодности моделирующего алгоритма по степени согласованности и допустимости результатов контрольных экспериментов с входными данными. 4.

Планирование многовариантных экспериментов, выбор функциональных характеристик прогнозируемой системы для исследования, определение методов обработки результатов экспериментов. 5.

Работа с моделью, проведение расчетов и имитационных экспериментов. 6.

Анализ результатов, формирование выводов по данным моделирования, окончательная разработка прогноза.

В имитационном эксперименте основной задачей каждого участника является конструирование из возможных вариантов некоторой стратегии, обеспечивающей достижение наилучших результатов.

Вопросы для самоконтроля

Какие методы относятся к логическим? Дайте их краткую характеристику. 2.

Для каких целей применяется метод исторических аналогий? 3.

В каких случаях разрабатывается сценарий развития СЭС? 4.

Назовите случаи использования метода экстраполяции тренда. 5.

Что такое форма связи? Приведите примеры различных форм связей. 6.

Постройте структурную схему имитационной модели. 7.

В каких случаях используется эконометрическое моделирование? Приведите несколько примеров эконометрических моделей.

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

Спецкурсы и спецсеминары в весеннем семестре 2018/2019 уч.г.

25.03.2019 г. :14:35 – 16:10 с/к магистры «Анализ графов, сетей, функций сходства», Майсуразе А.И., 507 занятие не состоится 25 марта (понедельник), лектор болен ;
16:20 – 17:55 с/к бакалавры «Аналитический SQL», Майсурадзе А.И., 582 занятие не состоится 25 марта (понедельник), лектор болен.
27.02.2019 г. : Учебно-исследовательский семинар «Интеллектуальный анализ данных: новые задачи и методы» , руководители С.И.Гуров , А.И.Майсурадзе Спецсеминар проходит по средам в ауд. 704, начало в 18-05 . 04 марта (понедельник) на спецсеминаре состоится доклад И. С. Балашова (ВВО, 3 курс) "Исследование микробиома во время беременности методами теории графов" . Известно, что микроорганизмы, обитающие в различных локусах организма, взаимодействуют друг с другом и образуют сообщества, называемые микробиомом, а совокупность этих микроорганизмов называется микробиотой. Для ряда заболеваний показано, что микробиота является фактором риска развития определенных заболеваний. Данные о составе микробиоты можно представить в виде графа, а затем исследовать особенности этого графа в норме и при патологии. В работе будут представлены особенности предметной области и их влияние на выбор методов описания и анализа данных, представлены базовые модели, описывающие микробиом.

• 27.02.2019 г. : Логический анализ данных в распознавании , (Logical data analysis in recognition) лектор Е.В. Дюкова , проходит по понедельникам в ауд. 645, начало в 16-20. Первое занятие 25 февраля. В спецкурсе будут изложены общие принципы, лежащие в основе дискретных методов анализа информации в задачах распознавания, классификации и прогнозирования. Будут рассмотрены подходы к конструированию процедур распознавания на основе использования аппарата логических функций и методов построения покрытий булевых и целочисленных матриц. Будут изучены основные модели и рассмотрены вопросы, связанные с исследованием сложности их реализации и качества решения прикладных задач. Спецкурс для бакалавров 2-4 курсов. По спецкурсу издано учебное пособие.

• 27.02.2019 г. : Вероятностное тематическое моделирование (Probabilistic topic modelling), лектор профессор РАН, д.ф.-м.н. К.В. Воронцов , проходит по четвергам в ауд. 510, начало в 18-05. Первое занятие 14 февраля. Тематическое моделирование – это современная область исследований на стыке машинного обучения и компьютерной лингвистики. Тематическая модель определяет, какие темы содержатся в большой текстовой коллекции, и к каким темам относится каждый документ. Тематические модели позволяют искать тексты по смыслу, а не по ключевым словам, и создавать информационно-поисковые сервисы нового типа для систематизации знаний. В спецкурсе рассматриваются тематические модели для классификации, категоризации, сегментации, суммаризации текстов естественного языка, а также для рекомендательных систем, анализа банковских транзакционных данных и биомедицинских сигналов. Из математики нам понадобится теория вероятностей, методы оптимизации, матричные разложения. Для любителей программирования имеется возможность поучаствовать в проекте с открытым кодом BigARTM.org. Для особо увлечённых – дополнительные семинары по вечерам в офисе Яндекса. Заданиями по курсу будет решение задач из реальной жизни, у которых нет правильного ответа в конце учебника. Спецкурс для магистрантов, но студентам второго курса тоже всё будет понятно:) 18+ (для студентов, познавших теорвер).

• 27.02.2019 г. : Задачи и алгоритмы вычислительной геометрии (Computational Geometry: Problems and Algorithms), Л.М. Местецкий , проходит по пятницам в ауд. 607, начало в 18-05. Первое занятие 15 февраля. Эффективные алгоритмы работы с геометрической информацией являются непременным атрибутом всех современных систем машинного зрения, анализа и распознавания изображений, компьютерной графики и геоинформатики. Геометрические алгоритмы предоставляют хорошее поле для развития алгоритмического мышления, необходимого в прикладной математике. В первой части спецкурса будут рассмотрены классические темы вычислительной геометрии: геометрический поиск, выпуклые оболочки, пересечение и близость объектов, диаграммы Вороного, триангуляции Делоне. Вторая часть курса посвящена скелетам, обобщениям диаграмм Вороного для многоугольников и задачам медиального анализа формы изображений. Приглашаются бакалавры.

• 27.02.2019 г. : Методы машинного обучения и поиск закономерностей в данных (Machine learning and search of regularities in data) , лектор О.В. Сенько , проходит по четвергам в ауд. 507, начало в 18-05. Первое занятие 14 февраля. В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения. Приглашаются бакалавры.

• 27.02.2019 г. : Анализ графов, сетей, функций сходства (Graphs, Network, Distance Function Analysis), А.И. Майсурадзе, проходит по понедельникам в ауд. 582, начало в 16-20. Первое занятие 18 февраля. Рассматриваются задачи и методы анализа систем, описание которых базируется на попарном или множественном взаимодействии объектов. Эти объекты могут быть однотипными или разнотипными. Когда важно само наличие или отсутствие взаимодействия, формализация проводится на языке теории графов. Расширении графового описания количественными характеристиками приводит к сетям. Если же считается, что каждый набор объектов может быть численно охарактеризован, говорят о расстояниях или сходствах. Представлена теоретическая основа для формализации задач и построения, реализации и анализа широкого спектра моделей и методов ИАД. Исследуются эвристические модели данных, описывающие исходную информацию об объектах распознавания на основе различных реализаций понятия сходства. Рассматриваются задачи, требующие решения при реализации указанных моделей. Изучаются специальные структуры данных и алгоритмы, позволяющие эффективно настраивать и использовать изучаемые модели. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД - так называемые метрические методы. Рассмотрены методы построения и вычисления функций сходства, согласование сходства на различных множествах объектов, синтез новых способов сравнения объектов на базе уже имеющихся. Рассмотрен комплекс приёмов, предназначенный для эффективного представления и обработки метрической информации вычислительными системами. Рассматриваются характеристики графов, активно используемые при их анализе. Изучаются алгоритмы на графах - как теоретически, так и с точки зрения эффективной реализации. Различные модели роста графов. Построение репрезентативных выборок на графах. Генерация графов с заданными характеристиками. Существенное внимание в курсе уделено многочисленным формализациям кластерного анализа. Показано, какие задачи решают распространённые методы. Проведена типологизация широкого спектра задач кластеризации для гомогенных и гетерогенных систем (бикластеризация, кокластеризация). Спецкурс для магистрантов.

• 27.02.2019 г. : Аналитический SQL (Analytical SQL), А.И. Майсурадзе, проходит по понедельникам в ауд. 507, начало в 14-35. Первое занятие 18 февраля. В наши дни автоматизация и оптимизация многих видов деятельности невозможна без сбора и последующего анализа больших объёмов информации. При этом со временем стало ясно, что некоторые модели данных особенно удобны для людей - такие модели стали универсальным языком общения с самыми разными технологиями. В этом смысле одним из самых широкоупотребительных языков оказался SQL, и сегодня самые разные технологии (совсем не только реляционные) позволяют его использовать. В курсе на практических примерах будут даваться знания и отрабатываться навыки, которые понадобятся практически любому аналитику при работе с источниками данных. Акцент делается именно на аналитической деятельности: аналитик пользуется системами сбора и хранения данных, но не собирается администрировать их. Занятия предполагают интерактивное выполнение заданий на реальных БД. Спецкурс для бакалавров.

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.

Экономико-математические методы. При использовании эконо­мико-математических методов структура моделей устанавливается и проверяется экспериментально, в условиях, допускающих объек­тивное наблюдение и измерение.

Определение системы факторов и причинно-следственной струк­туры исследуемого явления - начальный этап математического мо­делирования.

Статистические методы занимают особое место в прогнозиро­вании. Методы математической и прикладной статистики исполь­зуются при планировании любых работ по прогнозированию, при обработке данных, полученных как интуитивными, методами, так и при использовании собственно экономико-математических ме­тодов. В частности, с их помощью определяют численность групп экспертов, опрашиваемых граждан, периодичность сбора данных, оценивают параметры теоретических экономико-математических моделей.

Каждый из указанных методов обладает достоинствами и недо­статками. Все методы прогнозирования дополняют друг друга и могут использоваться совместно.

Метод сценариев - эффективное средство для организации про­гнозирования, объединяющего качественный и количественный подходы.

Сценарий - это модель будущего, в которой описывается воз­можный ход событий с указанием вероятностей их реализации. В сценарии определяются основные факторы, которые должны быть приняты во внимание, и указывается, каким образом эти факторы могут повлиять на предполагаемые события. Как правило, составляется несколько альтернативных вариан­тов сценариев. Сценарий, таким образом, - это характеристика будущего в изыскательском прогнозе, а не определение одного воз­можного или желательного состояния будущего. Обычно наиболее вероятный вариант сценария рассматривается в качестве базового, на основе которого принимаются решения. Другие варианты сценария, рассматриваемые в качестве альтерна­тивных, планируются в том случае, если реальность в большей мере начинает приближаться к их содержанию, а не к базовому вариан­ту сценария. Сценарии обычно представляют собой описание событий и оцен­ки показателей и характеристик во времени. Метод подготовки сце­нариев вначале использовался для выявления возможных результа­тов военных действий. Позже сценарное прогнозирование стали применять в экономи­ческой политике, а затем и в стратегическом корпоративном плани­ровании. Теперь это наиболее известный интеграционный механизм прогнозирования экономических процессов в условиях рынка. Сценарии являются эффективным средством преодолений тра­диционного мышления. Сценарий - это анализ быстро меняюще­гося настоящего и будущего, его подготовка заставляет заниматься деталями и процессами, которые могут быть упущены при изоли­рованном использовании частных методов прогнозирования. По­этому сценарий отличается от простого прогноза. Он является ин­струментом, который используется для определения видов прогно­зов, которые должны быть разработаны, чтобы описать будущее с достаточной полнотой, с учетом всех главных факторов.

Использование сценарного прогнозирования в условиях рынке обеспечивает:

лучшее понимание ситуации, ее эволюции;

оценку потенциальных угроз;

выявление благоприятных возможностей;

выявление возможных и целесообразных направлений деятель­ности;

повышение уровня адаптации к изменениям внешней среды.

Сценарное прогнозирование является эффективным средство подготовки плановых решений как на предприятии, так и в государств.

Планирование тесно связано с прогнозированием, разделена этих процессов в известной мере условно, поэтому в планировании и прогнозировании могут использоваться одни и те же методы или тесно взаимосвязанные методы.

Решения об утверждении планов. Планы являются результатом управленческих решений, которые принимаются на основе возмож­ных плановых альтернатив. Принятие управленческого решения осу­ществляется по некоторым критериям. Используя эти критерии, альтернативы оценивают с точки зрения достижения одной или нескольких целей. Критерии отражают цели, которые ставят лица, принимающие управленческие решения.

Решение, принимаемое по единственному критерию, считают простым, а по нескольким критериям - сложным. Критерии, в которых сформулированы количественные или порядковые шкалы оценок, позволяют использовать математические методы исследо­вания операций для подготовки решений.

Решения об утверждении планов, как правило, являются не толь­ко сложными из-за множественности критериев, но и просто труд­ными по причинам неопределенности, ограниченности информации и высокой ответственности. Поэтому окончательные решения об утверждении планов принимаются путем эвристического, инту­итивного выбора из ограниченного числа предварительно подго­товленных альтернатив.

Методы планирования, таким образом, - это методы подго­товки плановых альтернатив или, по меньшей мере, одного вари­анта плана для утверждения лицом или органом, принимающим решение.

Методы подготовки одного или нескольких вариантов планов различают по используемым методам составления этих планов, ме­тодам и срокам возможной реализации планов, объектам планиро­вания.

Подобно прогнозированию, планирование может основываться на эвристических и математических методах. Среди математических методов исследования операций особое место занимают методы оптимального планирования.

Методы оптимального планирования. В решении задач подготов­ки оптимальных, то есть наилучших по определенным критериям, планов могут использоваться методы математического программи­рования.

Задачи математического программирования состоят в отыска­нии максимума или минимума некоторой функции при наличии ограничений на переменные - элементы решения. Известно боль­шое количество типовых задач математического программирова­ния, для решения которых разработаны эффективные методы, ал­горитмы и программы для компьютеров, например:

Задачи о составе смеси, которые состоят в определении рацио­на, обладающего минимальной стоимостью и состоящего из раз­ных продуктов с разным содержанием питательных веществ, по условию обеспечения в рационе содержания их не ниже опреде­ленного уровня;

Задачи об оптимальном плане производства, которые состоят в определении наилучшего по объему реализации или прибыли пла­на производства товаров при ограниченных ресурсах или производ­ственных мощностях;

Транспортные задачи, суть которых - выбор плана перевозок, обеспечивающего минимум транспортных расходов при выполне­нии заданных объемов поставок потребителям в разных пунктах, при разных возможных маршрутах, из разных пунктов, в которых запасы или производственные мощности ограничены.

Методы теории игр могут использоваться для планирования условиях неопределенности погодных условий, ожидаемых сроков природных катаклизмов. Это "игры" с пассивным "игроком", который действует независимо от ваших планов.

Разработаны и методы решения задач теории игр с активным "игроками", которые действуют в ответ на действия противной стороны. Кроме того, развиты методы решения задач, в которых действия сторон характеризуются определенными стратегиями -наборами правил действий. Эти решения могут быть полезны при составлении планов в условиях возможного противодействия конкурентов, разнообразия в действиях партнеров.

Решения задач теории игр могут зависеть от уровня риска, который готовы допустить, или основываться просто на получении максимальной гарантированной выгоды. Решение определенных типов простых задач теории игр сводится к решению задач линейного программирования.