Стохастическое моделирование. Методы финансового прогнозирования

В мировой практике используется более двухсот методов прогнозирования, в отечественной же науке - не более двадцати. Во введении указывалось, что будут рассматриваться методы финансового прогнозирования, получившие широкое распространение в развитых зарубежных странах.

Таким образом, в зависимости от вида используемой модели все методы прогнозирования можно подразделить на три большие группы (см. Рисунок 1):

Методы экспертных оценок , которые предусматривают многоступенчатый опрос экспертов по специальным схемам и обработку полученных результатов с помощью инструментария экономической статистики. Это наиболее простые и достаточно популярные методы, история которых насчитывает не одно тысячелетие. Применение этих методов на практике, обычно, заключается в использовании опыта и знаний торговых, финансовых, производственных руководителей предприятия или госучреждения. Как правило, это обеспечивает принятие решения наиболее простым и быстрым образом. Недостатком является снижение или полное отсутствие персональной ответственности за сделанный прогноз. Экспертные оценки применяются не только для прогнозирования значений показателей, но и в аналитической работе, например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т. п.

Стохастические методы , предполагающие вероятностный характер как прогноза, так и самой связи между исследуемыми показателями. Вероятность получения точного прогноза растет с ростом числа эмпирических данных. Эти методы занимают ведущее место с позиции формализованного прогнозирования и существенно варьируют по сложности используемых алгоритмов. Наиболее простой пример - исследование тенденций изменения объема продаж с помощью анализа темпов роста показателей реализации. Результаты прогнозирования, полученные методами статистики, подвержены влиянию случайных колебаний данных, что может иногда приводить к серьезным просчетам.

Стохастические методы можно разделить на три типовые группы, которые будут названы ниже. Выбор для прогнозирования метода той или иной группы зависит от множества факторов, в том числе и от имеющихся в наличии исходных данных.

Первая ситуация - наличие временного ряда - встречается на практике наиболее часто: финансовый менеджер или аналитик имеет в своем распоряжении данные о динамике показателя, на основании которых требуется построить приемлемый прогноз. Иными словами, речь идет о выделении тренда. Это можно сделать различными способами, основными из которых являются простой динамический анализ и анализ с помощью авторегрессионых зависимостей.

Вторая ситуация - наличие пространственной совокупности - имеет место в том случае, если по некоторым причинам статистические данные о показателе отсутствуют либо есть основание полагать, что его значение определяется влиянием некоторых факторов. В этом случае может применяться многофакторный регрессионный анализ, представляющий собой распространение простого динамического анализа на многомерный случай.

Рис. 1. Классификация методов прогнозирования финансового состояния предприятия

Третья ситуация - наличие пространственно-временной совокупности - имеет место в том случае, когда: а) ряды динамики недостаточны по своей длине для построения статистически значимых прогнозов; б) аналитик имеет намерение учесть в прогнозе влияние факторов, различающиеся по экономической природе и их динамике. Исходными данными служат матрицы показателей, каждая из которых представляет собой значения тех же самых показателей за различные периоды или на разные последовательные даты.

Детерминированные методы , предполагающие наличие функциональных или жестко детерминированных связей, когда каждому значению факторного признака соответствует вполне определенное неслучайное значение результативного признака. В качестве примера можно привести зависимости, реализованные в рамках известной модели факторного анализа фирмы Дюпон. Используя эту модель и подставляя в нее прогнозные значения различных факторов, например выручки от реализации, оборачиваемости активов, степени финансовой зависимости и других, можно рассчитать прогнозное значение одного из основных показателей эффективности - коэффициента рентабельности собственного капитала.

Другим весьма наглядным примером служит форма отчета о прибылях и убытках, представляющая собой табличную реализацию жестко детерминированной факторной модели, связывающей результативный признак (прибыль) с факторами (доход от реализации, уровень затрат, уровень налоговых ставок и др.). А на уровне государственного финансового прогнозирования факторной моделью выступает взаимосвязь объема государственных доходов и налоговой базы или ставок процента.

Здесь нельзя не упомянуть об еще одной группе методов для финансового прогнозирование на микро уровне, основанных на построении динамических имитационных моделей предприятия. В такие модели включаются данные о планируемых закупках материалов и комплектующих, объемах производства и сбыта, структуре издержек, инвестиционной активности предприятия, налоговом окружении и т.д. Обработка этой информации в рамках единой финансовой модели позволяет оценить прогнозное финансовое состояние компании с очень высокой степенью точности. Реально такого рода модели можно строить только с использованием персональных компьютеров, позволяющих быстро производить огромный объем необходимых вычислений.

Обзор базовых методов прогнозирования

Методы моделирования и экономико-математические методы

Моделирование предполагает конструирование модели на основе предварительного изучения объекта или процесса, выделения его существенных характеристик или признаков. Прогнозирование экономических и социальных процессов с использованием моделей включает разработку модели, ее экспериментальный анализ, сопоставление результатов прогнозных расчетов на основе модели с фактическими данными состояния объекта или процесса, корректировку и уточнение модели.

К методам экономико-математического моделирования относят следующие методы:

· матричные модели (статистические и динамические),
· модели оптимального планирования,
· экономико-статистические,
· многофакторные модели,
· эконометрические модели,
· имитационные модели,
· модели принятия решений,
· модели сетевого планирования,
· метод межотраслевого баланса,
· методы оптимизации,
· корреляционно-регрессионные модели.

Метод экономического анализа

Экономический анализ является неотъемлемой частью и одним из основных элементов логики прогнозирования и планирования. Он должен осуществляться как на макро-, так и на мезо- и микроуровнях.

Сущность метода экономического анализа заключается в том, что экономический процесс или явление расчленяется на составные части и выявляются взаимная связь и влияние этих частей друг на друга и на ход развития всего процесса. Анализ позволяем раскрыть сущность процесса, определить закономерности его изменения в прогнозируемом (плановом) периоде, всесторонне оценить возможности и пути достижения поставленных целей.

В процессе экономического анализа применяются такие приемы, как сравнение, группировки, индексный метод, проводятся балансовые расчеты, используются нормативный и экономико-математические методы.

Балансовый метод

Балансовые метод предполагает разработку балансов, представляющих собой систему показателей, в которой одна часть, характеризующая ресурсы по источника поступления, равна другой части, показывающей распределение (использование) по всем направления их расхода.

В переходный период к рыночным отношениям усиливается роль прогнозных балансов, разрабатываемых на макроуровне: платежного баланса, баланса доходов и расходов государства, баланса денежных доходов и расходов населения, сводного баланса трудовых ресурсов, балансов спроса и предложения. Результаты балансовых расчетов служат основой при формировании структурной, социальной, финансово-бюджетной и кредитно-денежной политики, а также политики занятости и внешнеэкономической деятельности. Балансы применяются также для выявления диспропорций в текущем периоде, вскрытия неиспользованных резервов и обоснования новых пропорций.

Нормативный метод

Нормативный метод является одним из основных методов прогнозирования и планирования. В современных условиях ему стала придаваться особая значимость в связи с использованием ряда норм и нормативов в качестве регуляторов экономики. Сущность нормативного метода заключается в технико-экономическом обосновании прогнозов, планов, программ с использованием норм и нормативов. С их помощью обосновываются важнейшие пропорции, развитие материального производства и не производственной сферы, осуществляется регулирование экономики.

Точность прогнозов

Основными критериями при оценке эффективности модели, используемой в прогнозировании, служат точность прогноза и полнота представления будущего финансового состояния прогнозируемого объекта. Вопрос с точностью прогноза несколько более сложен и требует более пристального внимания. Точность или ошибка прогноза - это разница между прогнозным и фактическим значениями. В каждой конкретной модели эта величина зависит от ряда факторов.

Чрезвычайно важную роль играют исторические данные, используемые при выработке модели прогнозирования. В идеале желательно иметь большое количество данных за значительный период времени. Кроме того, используемые данные должны быть "типичными" с точки зрения ситуации. Стохастические методы прогнозирования, использующие аппарат математической статистики, предъявляют к историческим данным вполне конкретные требования, в случае невыполнения которых не может быть гарантирована точность прогнозирования. Данные должны быть достоверны, сопоставимы, достаточно представительны для проявления закономерности, однородны и устойчивы.

Точность прогноза однозначно зависит от правильности выбора метода прогнозирования в том или ином конкретном случае. Однако это не означает, что в каждом случае применима только какая-нибудь одна модель. Вполне возможно, что в ряде случаев несколько различных моделей выдадут относительно надежные оценки. Основным элементом в любой модели прогнозирования является тренд или линия основной тенденции изменения ряда. В большинстве моделей предполагается, что тренд является линейным, однако такое предположение не всегда закономерно и может отрицательно повлиять на точность прогноза. На точность прогноза также влияет используемый метод отделения от тренда сезонных колебаний - сложения или умножения. При использовании методов регрессии крайне важно правильно выделить причинно-следственные связи между различными факторами и заложить эти соотношения в модель.

Прежде чем использовать модель для составления реальных прогнозов, ее необходимо проверить на объективность, с тем чтобы обеспечить точность прогнозов. Этого можно достичь двумя разными путями:

Результаты, полученные с помощью модели, сравниваются с фактическими значениями через какой-то промежуток времени, когда те появляются. Недостаток такого подхода состоит в том, что проверка "беспристрастности" модели может занять много времени, так как по-настоящему проверить модель можно только на продолжительном временном отрезке.

Модель строится исходя из усеченного набора имеющихся исторических данных. Оставшиеся данные можно использовать для сравнения с прогнозными показателями, полученными с помощью этой модели. Такого рода проверка более реалистична, так как она фактически моделирует прогнозную ситуацию. Недостаток этого метода состоит в том, что самые последние, а, следовательно, и наиболее значимые показатели исключены из процесса формирования исходной модели.

В свете вышесказанного относительно проверки модели становится ясным, что для того, чтобы уменьшить ожидаемые ошибки, придется вносить изменения в уже существующую модель. Такие изменения вносятся на протяжении всего периода применения модели в реальной жизни. Непрерывное внесение изменений возможно в том, что касается тренда, сезонных и циклических колебаний, а также любого используемого причинно-следственного соотношения.

Эти изменения затем проверяются с помощью уже описанных методов. Таким образом, процесс оформления модели включает в себя несколько этапов: сбор данных, выработку исходной модели, проверку, уточнение - и опять все сначала на основе непрерывного сбора дополнительных данных с целью обеспечения надежности модели.

На микроуровне - уровне предприятия, организации (фирмы) объектами прогнозирования и планирования являются: спрос, производство продукции (выполнение услуг), потребность в материальных и трудовых ресурсах, издержки производства и реализации продукции, цены, доходы предприятия, его техническое развитие. Результаты прогнозов являются основой для принятия управленческих решений.

Субъекты прогнозирования и планирования - планово-финансовые органы предприятия, маркетинговые и технические отделы.

Планы-прогнозы разрабатываются как в целом по предприятию, так и по его структурным подразделениям: цехам, участкам, службам.

На предприятии различают следующие виды планов:

Стратегические планы - планы генерального развития бизнеса. В финансовом аспекте эти планы определяют важнейшие финансовые показатели и пропорции воспроизводства, характеризуют инвестиционные стратегии и возможности реинвестирования и накопления. Стратегические планы определяют объем и структуру финансовых ресурсов, необходимых для функционирования предприятия.

Текущие планы разрабатываются на основе стратегических путем их детализации. Если стратегический план дает примерный перечень финансовых ресурсов, их объем и направления использования, то в рамках текущего планирования проводится взаимное согласование каждого вида вложений с источниками их финансирования, изучается эффективность каждого возможного источника финансирования, а также проводится финансовая оценка основных направлений деятельности предприятия и путей получения дохода.

Оперативные планы - это краткосрочные тактические планы, непосредственно связанные с достижением целей фирмы (план производства, план закупки сырья и материалов и т.п.).

Прогнозирование будущего развития предприятия - самый значительный и сложный этап подготовки бизнес-плана, поскольку на основе результатов прогнозных расчетов будущего изменения рынка, издержек, цен, прибыли определяются рамки проекта и требуемые ресурсы.

При прогнозировании финансовых показателей целесообразно использовать систему методов: экспертные оценки, методы экстраполяции, факторные модели, методы оптимизации, нормативный метод.

Развитие специфических приемов прогнозного анализа происходит в результате конкретизации общих методов анали-за деятельности коммерческих организации, исключительно с точки зрения их динамики, движения. К числу таких приемов относятся методы экономического прогнозирования.

В наших условиях экономическое прогнозирование - это начальный этап планирования. Основываясь на изучении за-кономерностей развития различных экономических явлений и процессов, оно выявляет наиболее вероятные пути этого разви-тия и дает базу для выбора и обоснования плановых решений на любом уровне управления. Таким образом, функции эконо-мического прогнозирования исключительно аналитические. Ниже рассмотрены наиболее распространенные методы эконо-мического прогнозирования.

Исходным пунктом любого из методов прогнозирования является признание факта некоторой преемственности (или определенной устойчивости) изменении показателей финансо-во-хозяйственной деятельности от одного отчетного периода, к другому. Поэтому, в общем случае, прогнозный анализ при-менительно к коммерческой организации представляет собой изучение ее финансово-хозяйственной деятельности с целью определения финансового состояния в будущем

Для целей прогнозного анализа используется весь методи-ческий инструментарий анализа, достаточно хорошо описан-ный в экономической и специальной литературе. Однако осно-ву прогнозного анализа составляют методы прогнозирования и методы оценки чувствительности экономических результатов к предполагаемым изменениям ситуации.

В зависимости от вида используемой модели все мето-ды прогнозного анализа можно подразделить на три большие группы (см. рисунок):

Эвристические методы - это неформальные методы ре-шения экономических задач, связанных со сложившейся хозяй-ственной ситуацией, на основе интуиции, опыта, экспертных оценок специалистов и т. д.

Они используются в основном для прогнозирования со-стояния объекта в условиях частичной или полной неопре-деленности, когда основным источником получения необхо-димых сведений служит интеллектуальный потенциал про-фессионалов, работающих в определенных сферах науки и бизнеса.

Наиболее распространенным из них является метод экс-пертных оценок - организованный сбор суждений и предло-жений специалистов (экспертов) по исследуемой проблеме с последующей обработкой полученных ответов.

Детерминированные методы, предполагающие нали-чие функциональных или жестко детерминированных связей, когда каждому значению факторного признака соответствует вполне определенное неслучайное значение результативного признака. В качестве примера можно привести зависимости, реализованные в рамках известной модели факторного анализа фирмы Дюпон. Используя эту модель и подставляя в нее про-гнозные значения различных факторов, например выручки от реализации, оборачиваемости активов, степени финансовой зависимости и других, можно рассчитать прогнозное значение одного из основных показателей эффективности - коэффициен-та рентабельности собственного капитала.

Комбинированный метод

Стохастические методы, предполагающие вероятностный характер как прогноза, так и самой связи между исследуемыми показателями. Вероятность получения точного прогноза растет с ростом числа эмпирических данных. Эти методы занимают ве-дущее место с позиции формализованного прогнозирования и су-щественно варьируют по сложности используемых алгоритмов. Результаты прогнозирования, полученные методами статистики, подвержены влиянию случайных колебаний данных, что может иногда приводить к серьезным просчетам.

Стохастические методы можно разделить на три типовые группы, которые показаны ниже. Выбор для прогнозирования ме-тода той или иной группы зависит от множества факторов, в том числе и от имеющихся в наличии исходных данных.

Первая ситуация - наличие динамического ряда - встречается на практике наиболее часто, финансовый менеджер или аналитик имеет в своем распоряжении данные о динамике показателя, на ос-новании которых требуется построить приемлемый прогноз. Ины-ми словами, речь идет о выделении тренда. Это можно сделать различными способами, основными из которых являются простой динамический анализ и анализ с помощью авторегрессионных за-висимостей.

Вторая ситуация - наличие пространственной совокупности - имеет место в том случае, если по некоторым причинам стати-стические данные о показателе отсутствуют либо есть основание полагать, что его значение определяется влиянием некоторых фак-торов. В этом случае может применяться корреляционно-регрес-сионный анализ, представляющий собой распространение просто-го динамического анализа на многомерный случай

Третья ситуация - наличие пространственно-временной со-вокупности - имеет место в том случае, когда: а) ряды динамики недостаточны по своей длине для построения статистически зна-чимых прогнозов; б) аналитик имеет намерение учесть в прогнозе влияние факторов, различающиеся по экономической природе и их динамике. Исходными данными служат матрицы показателей, каждая из которых представляет собой значения тех же самых по-казателей за различные периоды или на разные последовательные даты.

Необходимые предпосылки стохастического моделирования -возможность составления совокупности наблюдений (измерений); качественная однородность совокупности относительно изучае-мых связей; достаточная размерность совокупности; наличие со-ответствующих методов.

Метод экспертных оценок. Основой данного метода являет-ся опрос специалистов, который может быть индивидуальным, коллективным, очным, заочным, анонимным и т.д. Организаторы опроса определяют объект и цели экспертизы, подбирают экс-пертов, проверяют их компетентность, анализируют и обобщают результаты экспертизы. Как правило, это обеспечивает принятие решения наиболее простым и быстрым образом.

Недостатком является снижение или полное отсутствие пер-сональной ответственности за сделанный прогноз. Экспертные оценки применяются не только для прогнозирования значений по-казателей, но и в аналитической работе, например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т.п.

Метод пропорциональных зависимостей. Основой для раз-работки метода пропорциональных зависимостей показателей послужили две основные характеристики любой экономической системы - взаимосвязь и инерционность.

Одной из очевидных особенностей действующей коммерче-ской организации как системы является естественным образом со-гласованное взаимодействие ее отдельных элементов (как качест-венных, так и поддающихся количественному измерению) Это оз-начает, что многие показатели, даже не будучи связанными между собой формализованными алгоритмами, тем не менее изменяются в динамике согласованно.

Вторая характеристика - инерционность - в приложении к дея-тельности компании также достаточно очевидна. Смысл ее состо-ит в том, что в стабильно работающей компании с устоявшимися технологическими процессами и коммерческими связями не мо-жет быть резких «всплесков» в отношении ключевых количест-венных характеристик.

Метод балансовой модели. Суть данного метода ясна уже из его названия. Баланс коммерческой организации может быть опи-сан различными балансовыми уравнениями, отражающими взаи-мосвязь между различными активами и пассивами. Простейшим из них является основное балансовое уравнение, которое имеет вид:

На практике прогнозирование осуществляется путем исполь-зования более сложных балансовых уравнений и сочетания данно-го метода с другими методами прогнозирования.

Метод системы опережающих индикаторов. Идея, лежащая в основе такого подхода, основывается на предсказании перехода деятельности от подъема к спаду (или, наоборот, от спада к подъе-му), для чего необходимо сформировать «систему раннего обнару-жения». Иными словами, необходимо выделить такие показатели, у которых поворотные точки наступают раньше, чем у показателя, принятого для характеристики жизненного цикла. Тогда достиже-ние пика или впадины опережающим индикатором позволило бы указать на вероятное приближение пика или впадины в динамике развития организации.

В зависимости от того, как экономические показатели меня-ются в ходе жизненного цикла (достигают ли они максимума (ми-нимума) до или после прохождения высшей (низшей) поворотной точки жизненного цикла) выделяют три типа циклических показа-телей - опережающие, совпадающие и запаздывающие.

Опережающими считаются такие показатели, которые дости-гают максимума (минимума) перед наступлением пика (дна) дело-вой активности.

Совпадающими считаются показатели, которые изменяются одновременно с динамикой экономической активности.

Запаздывающими считаются показатели, которые достигают максимума (минимума) после пика (дна) экономической активности.

Проведенное исследование позволяет сделать вывод о том, что почти все исследуемые показатели носят циклический харак-тер и во многом копируют динамику рентабельности активов. Но проявление их различно. Некоторые из них являются совпадаю-щими на отдельной стадии развития организации, некоторые опережающими, другие запаздывающими.

Методы динамических рядов. Динамический ряд (у) - это ряд наблюдений значений измеряемого параметра (u) в после-довательные моменты времени (t):

Динамический ряд есть частный случай табличной функ-ции, которая представляет собой «протокол» любого наблюде-ния. Математическая обработка этой таблицы преследует цепь «выжать» из нее как можно больше информации о закономер-ностях развития данного явления в прошлом и настоящем, ис-пользовать полученную информацию для характеристики яв-ления в будущем.

Задача прогнозирования динамических рядов заключается в том, чтобы по имеющимся наблюдениям за ходом экономи-ческого процесса в моменты времени t 1 , t 2 ,..., t n , предсказать зна-чения измеряемого параметра в моменты времени t n + 1 , t n + 2 и т.д.

Несмотря на кажущуюся простоту, данная задача в общем виде для нестационарных процессов еще не решена. Большая часть экономических процессов нестационарна, что выража-ется наличием в динамических рядах эволюторной составля-ющей - временного тренда. Поэтому среди методов прогнози-рования динамических рядов большое место занимают всевоз-можные неформальные, эмпирические методы, базирующиеся на интуиции и опыте специалистов определенной отрасли.

Неформальный подход к анализу позволяет сделать прогно-зирование динамических рядов более определенным путем вве-дения в подстановку дополнительных ограничений (условий).

Метод простого динамического анализа. Каждое значение временного ряда может состоять из следующих составляющих: тренда, циклических, сезонных и случайных колебаний. Метод простого динамического анализа используется для определения тренда имеющегося временного ряда Данную составляющую можно рассматривать в качестве общей направленности измене-ний значений ряда или основной тенденции ряда. Циклическими называются колебания относительно линии тренда для периодов свыше одного года. Такие колебания в рядах финансовых и эко-номических показателей часто соответствуют циклам деловой активности: резкому спаду, оживлению, бурному росту и застою. Сезонными колебаниями называются периодические изменения значений ряда на протяжении года. Их можно вычленить после анализа тренда и циклических колебаний. Наконец, случайные ко-лебания выявляются путем снятия тренда, циклических и сезон-ных колебаний для данного значения. Остающаяся после этого величина и есть беспорядочное отклонение, которое необходимо учитывать при определении вероятной точности принятой модели прогнозирования.

Метод простого динамического анализа исходит из пред-посылки, что прогнозируемый показатель (Y) изменяется прямо (обратно) пропорционально с течением времени. Поэтому для оп-ределения прогнозных значений показателя Үстроится, например, следующая зависимость:

Метод авторегрессионных зависимостей. В основу этого метода заложена достаточно очевидная предпосылка о том, что экономические процессы имеют определенную специфику. Они отличаются, во-первых, взаимозависимостью и. во-вторых, опре-деленной инерционностью. Последняя означает, что значение пра-ктически любого экономического показателя в момент времени (зависит определенным образом от состояния этого показатели в предыдущих периодах (в данном случае абстрагируемся от вли-яния других факторов), т.е. значения прогнозируемою показате-ля в прошлых периодах должны рассматриваться как факторные признаки. Уравнение авторегрессионной зависимости в наиболее общей форме имеет вид:

Достаточно точные прогнозные значения могут быть получе-ны уже при k = 1. На практике также нередко используют моди-фикацию уравнения (4), вводя в него в качестве фактора период времени t, т.е. объединяя методы авторегрессии и простого ди-намического анализа. В этом случае уравнение регрессии будет иметь вид:

Коэффициенты регрессии данного уравнения могут быть най-дены методом наименьших квадратов.

Метод корреляционно-регрессионного анализа. Это клас-сический метод стохастического моделирования. Он изучает взаимосвязи показателей хозяйственной деятельности, когда зависимость между ними не является строго функциональной и искажена влиянием посторонних, случайных факторов. При проведении корреляционно-регрессионного анализа строят различные корреляционные и регрессионные модели хозяйст-венной деятельности. В этих моделях выделяют факторные и результативные показатели (признаки). В зависимости от коли-чества исследуемых показателей различают парные и многофак-торные модели корреляционно-регрессионного анализа.

Корреляционно-регрессионный анализ применяется для по-строения прогноза какого-либо показателя с учетом существую-щих связей между ним и другими показателями. Сначала в резуль-тате качественного анализа выделяется k факторов (X 1 , Х 2 ,., X k), влияющих, по мнению аналитика, на изменение прогнозируемого показателя Y, и строится чаще всего линейная регрессионная за-висимость типа:

Основной задачей корреляционно-регрессионного анализа является выяснение формы и тесноты связи между результа-тивным и факторными показателями. Под формой связи пони-мают тип аналитической формулы, выражающей зависимость результативного показателя от изменений факторного. Раз-личают связь прямую, когда с ростом (снижением) значений факторного показателя наблюдается тенденция к росту (сни-жению) значений результативного показателя. В противном случав между показателями существует обратная связь. Форма связи может быть прямолинейной (ей соответствует уравнение прямой пинии), когда наблюдается тенденция равномерного возрастания или убывания результативного показателя, в про-тивном случае форма связи называется криволинейной (ей со-ответствует уравнение параболы, гиперболы и др.).

Аналитические достоинства регрессионных моделей за-ключаются в том, что, во-первых, точно определяются фактор, по которому выявляются резервы повышения результативно-сти финансово-хозяйственной деятельности; во-вторых, вы-являются объекты с более высоким уровнем эффективности; в-третьих, возникает возможность количественно измерить экономический эффект от внедрения передового опыта, прове-дения организационно-технических мероприятий.

Метод имитационных моделей. В такие модели включаются данные о планируемых закупках материалов и комплектующих, объемах производства и сбыта, структуре издержек, инвестици-онной активности компании, налоговом окружении и т д. Об-работка этой информации в рамках единой финансовой модели позволяет оценить прогнозное финансовое состояние организа-ции с очень высокой степенью точности. Реально такого рода модели можно строить только с использованием персональных компьютеров, позволяющих быстро производить огромный объ-ем необходимых вычислений. Однако эти методы не являются предметом настоящей работы, поскольку должны иметь под со-бой гораздо более широкое информационное обеспечение, чем бухгалтерская отчетность, что делает невозможным их примене-ние внешними аналитиками.

Литература:

Ваганова О.Е. Прогнозный анализ денежных потоков предприя-тия. - journal.seun/ru/J2004_1R/Ecnomy/VAGANOVA.DOC
Шереметьев А.О. Анализ эффективности использования эко-номического потенциала коммерческой организации на разных стадиях жизненного цикла. Автореф. дисс. на соис. уч. ст. канд. экон. наук, Йошкар-Ола, 2008. - 27 с.
Ковалев В.В., Ковалева Вит. В. Финансовая отчетность. Анализ финансовой отчетности (основы балансоведения). 2-е изд., пе-рераб. и доп. - М.: ТК Велби, Проспект, 2006. - 432 с.

Рис. 1 . Классификация методов прогнозирования финансового состояния предприятия

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Участок, до которого не дошла продольная волна, уменьшился за время At на величину ((/ / 2) + а0 At). Участок, где прошла только продольная волна, увеличился на (a0 - b) At, а участок, где прошли и продольная и поперечная волны, увеличился на b At. Посчитаем полную энергию всей струны за время At

2Wo((/ / 2) + ao At) + 2[ W^ - b) + E2b] At = = W/ + 2[(W - Wo)ao + (W2 - Wi) b] At = W/ +

E{[(eo - ei)2 + ei2 - eo2]ao +

+ [(eo - e1)2 (((1 + cos9) / (1 - cos9)) - 1)]x xao ((eo - e1) / (1 + e1)) (cos9 / (1 - cos9))}At =

Wo/ + Eao{(eo - e1)2 + e12 - eo2 + (eo - e1)2(2

cos29 / (1 - cos9)2) ((eo - e1) / (1 + e1))} At =,

учитывая

Wo/ + Eao[(eo - e1)2 + e12 - eo2 + 2(eo - e1) x x (e1 (1 + e1) / (1 + e1))] At = Wo/ + Eao At = Wo/.

Как и следовало из постоянства интеграла энергии, полная энергия всей струны в этой конкретной задаче постоянна, а если за нулевую энергию принять Eo/, то полная энергия будет равна нулю.

Сравним величины энергий на участках продольной и поперечных волн в случае,

когда продольное возмущение дошло до конца струны. В этом случае участок, где нет возмущения, отсутствует, а полная энергия складывается из энергий на участках продольного и поперечного движений. Очевидно, что вклад энергии продольных и поперечных волн в полную энергию будет одинаков.

При рассмотрении продольно-поперечных движений струн нельзя ограничиваться рассмотрением только поперечных составляющих и пренебрегать продольными, поскольку они вносят равный вклад в энергетику и динамическое нагружение струн.

В приведенных примерах проиллюстрировано распределение энергий между продольными и поперечными волнами и проведено сравнение энергий поперечного и продольного движений. Вклад энергии продольных составляющих в общую энергию колебаний гибких связей может быть найден как разность между полной энергией и энергией поперечных колебаний.

Библиографический список

1. Рахматулин, Х.А. Прочность при интенсивных кратковременных нагрузках / Х.А. Рахматулин, Ю.А. Демьянов. - М.: Физматгиз, 1961. - 399 с.

2. Демьянов, Ю.А. К уточнению теории колебаний музыкальных инструментов / Ю.А. Демьянов // Доклады РАН. - 1999. - Т 369. - № 4.

МЕТОДИКА ПРОГНОЗИРОВАНИЯ ПОКАЗАТЕЛЕЙ СТОХАСТИЧЕСКИХ ЭКОНОМИЧЕСКИХ СИСТЕМ

А.В. ТРЕГУБ, доц. МГУЛ, канд. физ.-мат. наук,

И.В. ТРЕГУБ, доц. Финансовой академии при Правительстве РФ, канд. техн. наук

Математическое моделирование сложных экономических систем на современном этапе предполагает, как правило, использование аналитических подходов к изучению функционирования реальных объектов. В различных задачах, встречающихся при моделировании, могут использоваться величины, значения которых определяются случайным образом. Примерами таких величин могут быть случайные воздействия внешней среды, случайные моменты времени, в которые система находится в особом состоянии и т.п. Системы, в которых переменные или воз-

действия являются случайными величинами, называются стохастическими.

На сегодняшний день технологии прогнозирования экономических показателей разработаны достаточно хорошо. Среди методов прогнозирования, наиболее часто применяемых в экономической практике, можно отметить методы экспертных оценок, основывающиеся на субъективной оценке текущего момента и перспектив развития. Эти методы успешно используются для конъюнктурных оценок, особенно в случаях, когда невозможно получить непосредствен-

ЛЕСНОЙ ВЕСТНИК 2/2oo8

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

ную информацию о каком-либо явлении или процессе.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты связан с определением закона вероятности и оценкой его параметров.

В основе казуальных методов определяются факторы, обусловливающие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономикоматематическому моделированию - построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения проблемы выбора факторов, которая связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса.

Среди методов оценивания на практике успешно применяется теория игр, регрессионный анализ, известно нейросетевое прогнозирование, нечеткая логика и имитационное моделирование. Разработаны соответствующие программные пакеты, которые, к сожалению, не всегда доступны рядовому пользователю, в то же время многие из этих проблем можно достаточно успешно решать, реализуя алгоритмы в широко известном и распространенном пакете прикладных программ MS Excel.

В данной статье представлено вероятностное прогнозирование объема продаж дополнительных услуг на рынке телекоммуникаций, осуществленное на основе эмпирических данных.

Выборочное наблюдение. Под выборочным наблюдением понимается метод статистического исследования, при котором обобщающие показатели изучаемой системы устанавливаются по некоторой ее части на основе положений случайного отбора. При

выборочном методе изучается сравнительно небольшая часть всех данных, характеризующих систему. Выборка должна быть представительной (репрезентативной), чтобы по ней можно было судить о генеральной совокупности. Репрезентативность означает, что объекты выборки должны обладать теми же свойствами, что и генеральная совокупность. Предупреждение систематических ошибок выборочного обследования достигается в результате применения научно обоснованных способов формирования выборочной совокупности, в зависимости от которых выборка может быть: собственно-случайной, механической, типической, серийной, комбинированной. Собственно-случайная выборка образуется в результате случайного (непреднамеренного) отбора отдельных единиц из генеральной совокупности. Формирование выборки может быть осуществлено по схемам повторного и бесповторного отбора. При этом повторный отбор предполагает возможность включения в выборку одного и того же элемента генеральной совокупности два раза и более, бесповторный отбор исключает такую возможность.

Первый шаг на пути создания прогноза при выборочном наблюдении - это сбор и анализ статистической информации об исследуемой системе, формирование выборки из генеральной совокупности, отслеживание аномальных результатов в выборке.

В нашем случае анализируемым параметром является объем продаж дополнительных услуг регионального оператора сотовой связи за один месяц. Под генеральной совокупностью в данной задаче мы будем понимать множество месячных объемов продаж дополнительных услуг по предоставлению пользователю информации (новости, биржевые сводки, прогноз погоды и т.п.), полученных региональным оператором за все время работы на рынке. При этом к одной генеральной совокупности будем относить информационные сервисы с сопоставимыми за анализируемый период объемами продаж.

Выборкой из генеральной совокупности в нашем случае будет множество месячных объемов продаж услуг определенного сервиса. Формирование выборки осуществляется

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

в табличном процессоре Microsoft Excel, в котором выполнена собственно-случайная выборка, реализованная по схеме повторного отбора.

Далее необходимо построить вероятностную модель, оценить ее параметры и построить прогноз. Построение модели основано на выборе и идентификации закона распределения. Алгоритм выбора закона распределения целиком и полностью базируется на аппарате математической статистики. Идентификация закона распределения заключается в последовательной реализации двухэтапной процедуры для каждого вида параметрической модели из рассматриваемого множества законов. На первом этапе процедуры на основании выборочных данных строится модель закона определенного вида (из рассматриваемого множества моделей), оцениваются параметры этой модели. На втором этапе оценивается степень адекватности полученной модели экспериментальным наблюдениям, как правило, с применением различных критериев согласия.

При проведении выборочного обследования и построения прогноза объема продаж мы будем формировать две выборки из генеральной совокупности. Одну - для подбора и идентификации закона распределения вероятностей, другую - для оценки параметров моделируемого теоретического закона распределения.

Анализ эмпирических данных. Прежде чем приступать к построению модели, необходимо проанализировать наблюдаемые значения переменных на наличие аномальных результатов, т.е. таких наблюдений, которые резко отличаются в большую или меньшую сторону от средних значений по выборке. Поскольку существенным моментом вероятностного прогнозирования является предположение о законе распределения, соответствующего реальным наблюдаемым величинам, и оценка параметров этого распределения , то любые отклонения от предположений могут повлиять на оценки.

Если наблюдаемая выборка действительно принадлежит тому закону распределения, параметры которого мы оцениваем, отклонения могут быть связаны с наличием

аномальных наблюдений, появление которых в выборке определяется самыми различными причинами. Если не учитывать наличие аномальных наблюдений, попытки оценивания параметров распределения могут привести к самым негативным результатам. В этом случае обычно отбраковывают аномальные величины, а затем находят оценки параметров. К сожалению, реализовать отбраковку наблюдений в общем случае оказывается совсем не просто. Наблюдения, аномальные с позиций одного закона распределения, являются естественным проявлением закономерностей другого. Если нет надежной процедуры отбраковки или практических соображений, связанных с сущностью наблюдаемой величины, пытаются выйти из положения одним из следующих способов. В первом случае усекают выборку, отбрасывая определенную часть минимальных и/или максимальных наблюдений, и по оставшейся части оценивают параметры распределения. Во втором - перед процедурой оценивания всем наблюдениям левее и/или правее определенных значений присваивают одинаковые значения. Обе эти процедуры могут не всегда приводить к положительным результатам. Третий подход заключается в цензурировании выборки. Для наблюдений, попавших левее и/или правее определенных значений, фиксируют лишь факт попадания в соответствующий интервал, опуская конкретные значения этих наблюдений. По такой цензурированной выборке оценивают параметры закона.

В работе доказано, что процедура предварительного группирования наблюдений перед вычислением оценок параметров распределения позволяет резко снизить влияние аномальных наблюдений, а иногда практически исключить последствия присутствия их в выборке. При этом также снижается влияние на оценки параметров и отклонение вида наблюдаемого закона распределения от предполагаемого. Кроме того, группирование исходных наблюдений позволяет получать устойчивые оценки параметров.

Построение эмпирического распределения. Для построения эмпирического распределения будем использовать одну из двух сформированных ранее выборок. Груп-

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

пирование наблюдений используется как при оценке параметров распределений, в задачах проверки статистических гипотез, так и для построения эмпирического распределения.

Выборка называется группированной, если область определения случайной величины разбита на к непересекающихся интервалов граничными точками х0 < *1 < ... < <

х где *0 - нижняя грань области определения случайной величины X, хк - верхняя грань области определения случайной величины X, и зафиксированы количества наблюдений п, попавших в i-ый интервал значений. Объем выборки определяется соотношением

Существуют различные способы объединения данных в группы. При группировании область определения случайной величины разбивается на интервалы равной длины или равной вероятности, кроме того существует еще так называемое асимптотически оптимальное группирование. Нахождение х. граничных точек интервалов в этом случае связано с вычислением интегралов вида

P(e)=] f (х,в)л,

которые не всегда имеют аналитическое решение, здесь e - скалярный или векторный параметр распределения, функция P(e) - вероятность попадания наблюдаемой величины в i-й интервал, f(x, e) - плотность распределения.

В данной работе в качестве способа группировки выбрано разбиение области определения объема продаж на интервалы равной длины. Величину интервала b для группировки исходных данных определим по формуле

Xmin) / 0} - 1),

где х - х - максимальные и минимальные

значения;

{n} - округленное оптимальное число групп, определяемое по формуле Стерджесса n = 1 + 3,322lg(N);

N - объем выборки.

Нижняя граница первого интервала соответствует минимальному значению объема продаж за рассматриваемый период, правая граница последнего интерва-

ла - максимальному значение объема продаж. Относительная частота попадания переменной в интервал определяется по формуле

где ni - количество исходных значений, попавших в i-й интервал.

Графическое изображение эмпирических данных в виде гистограммы относительных частот - удобный и наглядный способ представления выборки, необходимый для первичного формирования гипотезы о законе распределения генеральной совокупности. При построении графика по оси абсцисс (OX) отложим значения середины интервалов объема продаж, а соответствующие им значения относительных частот - по оси ординат (OF). На рис. 1 приведен график эмпирических относительных частот, представленных в виде гистограммы.

Оценка параметров эмпирического распределения. Визуальный анализ графика показывает, что эмпирическое распределение является унимодальным и несимметричным. Для более детального описания воспользуемся надстройкой «Пакет анализа» «Описательная статистика» MS Excel. Результаты расчета приведены в таблице.

Средняя арифметическая - наиболее часто используемый показатель центра распределения, в нашем случае равна 17313,18. Вычисление средней X в программе осуществляется по формуле, совпадающей с формулой оценки математического ожидания методом моментов. Следовательно, в качестве оценки математического ожидания в начальном приближении можно использовать значение д = 17313,8. Оценка дисперсии, выполненная Пакетом анализа, дает значение D = 11631522,29.

Мода (Мо) - это наиболее часто встречающееся значение признака, или значение варианты с наибольшей частотой.

Медианой (Me) является значение варианты, находящейся в центре упорядоченной по возрастанию значений признака совокупности. Медиана делит вариационный ряд на две равные части. При этом 50 % единиц совокупности имеют значение меньше медианного, а 50 % - больше медианного.

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Объем продаж, USD

I I эмпирическая относительная частота й теоретическое гамма-распределение -♦ - теоретическое нормальное распределение

Рис. 1. Гистограмма относительных частот и теоретические функции плотности вероятности

Месячный объем продаж, USD

Среднее 17313,18

Стандартная ошибка 363,56

Медиана 16539

Стандартное отклонение 3410,50

Дисперсия выборки 11631522,29

Эксцесс 0,46

Асимметрично сть 0,71

Интервал 16988

Минимум 10801

Максимум 27789

Сумма 1523560

В нашем случае значение моды равно 16802, а значение медианы - 16539.

Для симметричного распределения значения средней, медианы и моды должны совпадать. В нашем же случае они различны. Таким образом, можно предположить, что искомое распределение несимметрично.

Чтобы в этом убедиться, надо определить, есть ли смещения в рассеянии данных. Индикатором этих смещений является скошенность данных или, по-другому, асимметрия As - показатель симметрии распределения. В случае положительной асимметрии распределение имеет длинную правую ветвь. Средняя величина больше медианы. Отрицательная асимметрия проявляется в виде более длинной левой ветви, а величина средней меньше медианы и моды. В случае симмет-

ричного распределения, например нормального, As = 0. При этом следует учитывать значимость коэффициента асимметрии. Если выполняется неравенство

|As| / ° < 3

ш \(n+1)(n+3) ’

n - количество наблюдений, то асимметричность считается несущественной.

Коэффициент асимметрии, рассчитанный в «Описательной статистике», равен 0,71, а значение параметра = 0,26. Следовательно, в нашем случае \ASI / = 2,73 < 3,

и асимметрией при подборе теоретического распределения объема продаж за месяц можно пренебречь. Параметры, полученные на основе эмпирических данных, могут быть использованы как начальные приближения при построении вероятностной модели.

Построение математической модели. Для исследуемой экономической системы построение модели, как правило, включает два этапа. На первом этапе высказываются предположения о виде модели закона распределения и по выборкам, извлекаемым из генеральной совокупности, оцениваются параметры этой модели. На втором этапе адекватность модели наблюдаемым данным проверяется с использованием критериев согласия типа Пирсона, типа Колмогорова, типа Мизеса и других. В статистике этим этапам соответствует основные типы задач: идентификация закона распределения и проверка статистических гипотез, оценивание параметров распределения.

Под задачей идентификации закона распределения наблюдаемой случайной величины, как правило, понимают задачу выбора такой модели закона распределения вероятностей, которая наилучшим образом соответствует результатам наблюдения.

Визуальный анализ гистограммы относительных частот (рис. 1) позволяет сделать предположение о том, что вероятностная модель может быть представлена в виде нормального или гамма-распределения. Для построения кривых теоретических законов распределения найдем оценку параметров нормального и гамма-распределений, исполь-

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

зуя вторую из двух сформированных ранее выборок.

Среди всего множества различных оценок параметров модели можно выделить три основных класса оценок . Это M-оценки, к которым относятся, например, оценки максимального правдоподобия и наименьших квадратов, L-оценки, формирующиеся как линейные комбинации порядковых статистик, и R-оценки, основанные на использовании ранговых критериев. Еще один класс оценок образуют методы, минимизирующие расстояния (MD-оценки).

Определяющими факторами при выборе метода оценивания являются структура представления наблюдаемых данных и качество оценок. Качество оценок определяется такими свойствами, как несмещенность, состоятельность и асимптотическая эффективность. Вместе с тем, оценки должны быть устойчивыми к малым отклонениям от предположений.

Если последовательность независимых одинаково распределенных случайных величин xp..., xN имеет функцию распределения F(x, 9) и функцию плотности fx,9), то оценкой максимального правдоподобия (ОМП) неизвестного векторного или скалярного параметра 9 по группированным наблюдениям называется такое значение параметра, при котором функция правдоподобия

достигает максимума на множестве возможных значений параметра. Вероятность попадания наблюдения в i-ый интервал значений определяется выражением

Р (е)= J f (x,e)dx.

Для вычисления ОМП дифференцируют функцию правдоподобия по 01 и, приравнивая производные нулю, получают систему уравнений правдоподобия

решая которые находят искомые оценки параметров, здесь m - размерность вектора параметров.

Закон гамма-распределения имеет функцию плотности вероятности

Р“- Г (а) где Г(а)- гамма функция.

Векторный параметр гамма распределения 0 = (а, в), при этом связь с оценками математического ожидания и дисперсии осуществляется по формулам

д = а-р, D = а-р2.

Для нормального распределения 0 = (д, а), где a=4D - среднеквадратичное отклонение. Плотность вероятности нормального закона распределения вероятности задается формулой

Функция правдоподобия для нормального распределения имеет вид

Продифференцировав функцию правдоподобия по параметрам д, а, приравняв получившиеся уравнения к нулю и выразив значения д, D, получим, что искомые оценки параметров нормального распределения, осуществленные по методу максимума правдоподобия, совпадают с оценками, выполненными по методу моментов.

д=x=NZxi D=N_1,^(x" _ x) ■

Значения математического ожидания и дисперсии в этом случае равны соответственно

д = 17313, D = 11631522. (1)

Для гамма-распределения ОМП параметров а, р находятся аналогичным способом с дифференциацией соответствующей функции правдоподобия. В этом случае система уравнений для определения оценок параметров а, р имеет вид

1 N dlnГ(0) , n л

Zlnx.----------lnP = 0 .

Данная система была решена численными методами, в результате чего получились следующие значения параметров

а = 25,8; р = 671,8. (2)

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Метод максимального правдоподобия, в отличие от других, позволяет определять оценки максимального правдоподобия параметров по негруппированным, частично группированным и группированным данным, т.е. дает возможность исследователю самому определять, в каком виде хранить эмпирическую информацию. Этот метод при соответствующих условиях регулярности дает состоятельные и асимптотически эффективные оценки. Кроме того, применение метода максимального правдоподобия регламентировано в Рекомендациях по стандартизации при проверке согласованности опытного распределения с теоретическим.

Используя оценки параметров распределения (1) и (2), полученные по выборке из генеральной совокупности в предыдущем пункте, на графике относительных частот построим теоретические законы распределения вероятностей. На рис. 1 кривая, соответствующая нормальному закону распределения, изображена в виде пунктирной линии, закон гамма-распределения представлен сплошной линией. Из графика видно, что эти два закона достаточно хорошо аппроксимируют эмпирический закон распределения, однако для принятия решения о виде распределения необходимо решить задачу идентификации закона распределения.

Для этого, опираясь на предыдущий анализ эмпирических данных, сформулируем гипотезу H0: F(x) = F(x, 9), где 9 - оценки (2) параметров гамма-распределения, рассчитанные по второй выборке методом максимума правдоподобия. В этом случае проверяемая гипотеза является простой в отличие от сложной гипотезы, в которой помимо проверки вида распределения необходимо еще производить оценивание параметром.

В случае простых гипотез для проверки согласия теоретического и эмпирического законов распределения применяются критерии согласия, такие как Колмогорова, Смирнова, ш2 и Q2 Мизеса, которые не зависят от вида наблюдаемого закона распределения F(x, 9) и, в частности, от его параметров 9. В этом случае при проверке согласия опытного распределения с теоретическим распределением случайной величины X действуют

в соответствии алгоритмом, представленным ниже:

1. Формулируют проверяемую гипотезу, выбирая теоретическое распределение случайной величины, согласие которого с опытным распределением этой величины следует проверить.

2. Из совокупности отбирают случайную выборку объема N. Полученные результаты наблюдений располагают в порядке их возрастания, так что в распоряжении имеют упорядоченную выборку значений.

3. В соответствии с выбранным критерием проверки вычисляют значение статистики S* критерия (статистику Колмогорова, Смирнова, ш2 и Q2 Мизеса).

4. В соответствии с выбранным критерием проверки вычисляют значение

p(> SS >7 g (Ho yis =1-G(? Ho),

где G(S\H0) - распределение статистики критерия при справедливости гипотезы

g(s|H0) - условная плотность распределения статистики критерия при справедливости гипотезы.

Если выполняется неравенство

p{S > S*} > a,

где a = J g(s|H0)ds

Задаваемый уровень значимости (вероятность ошибки 1-го рода - отклонить справедливую гипотезу H0), то нет оснований для отклонения проверяемой гипотезы. В противном случае проверяемая гипотеза H0 отвергается.

В критерии Колмогорова в качестве расстояния между эмпирическим и теоретическим законом используется величина

dn = sup|FN (x)-F (x,e), (3)

где FN(x) - эмпирическая функция распределения;

F(x, 9) - теоретическая функция распределения;

N - объем выборки.

При проверке гипотез обычно используется статистика вида

S = S = 6" N6^DNN +1, D„ = max(D+N, Dn),

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

F(x ,e), D-=f^iiN iF (xi,e)-

где N - объем выборки;

xp..., xN - упорядоченные по возрастанию выборочные значения;

F(x) - функция закона распределения, согласие с которым проверяется.

Распределение величины Sk при простой гипотезе в пределе подчиняется закону Колмогорова K(S) .

Для проверки согласия двух распределений воспользуемся статистикой Колмогорова. Выберем уровень значимости a = 0,05, рассчитаем значение статистики Колмогорова для нашей задачи и величину расстояния между эмпирическим и теоретическим законом (3). В нашем случае оказалось, что теоретическое гамма-распределение согласуется с экспериментальными данными.

Повторяя вышеизложенные расчеты для нормального распределения, получаем, что нормальное распределение также хорошо согласуется с опытными данными. Следовательно, на основании выбранного критерия проверки Колмогорова два теоретических закона распределения - нормальный и гамма - могут быть использованы для построения прогнозной модели.

Прогноз объема продаж

- ♦ - нормальное распределение USD -*- гамма-распределение

Рис. 2. Интегральные функции вероятности гамма- и нормального распределения

Результаты моделирования. Для

построения прогноза объема продаж дополнительных услуг сотовой связи необходимо рассчитать значения интегральных функций

найденных выше теоретических законов нормального и гамма-распределения вероятностей с оцененными параметрами (1) и (2) этих распределений. График, построенный на рис. 2, позволяет спрогнозировать будущее значение месячного объема продаж с заданной вероятностью. Так, с 95 % вероятностью можно утверждать, что объем продаж в следующем месяце составит 11745 USD. При этом относительная погрешность прогноза в зависимости от выбора модели нормального или гамма-распределения в этом случае не превышает одного процента.

Для дальнейшего исследования модели прогнозирования объема продаж дополнительных услуг представляется целесообразным формулировать две конкурирующие гипотезы: H0: F(x) = F(x, e) - о соответствии эмпирических данных гамма-распределению и альтернативную ей H1: F(x) = F1(x, Э) - о нормальном распределении наблюдаемых величин, и рассчитывать вероятность в ошибки 2-го рода, т.е вероятность ошибочного принятия гипотезы H0, в то время как верна гипотеза Н1. При этом чем больше мощность критерия 1-в, тем лучше он различает соответствующие гипотезы.

Напоследок следует заметить, что в дальнейшем построенную вероятностную модель объема продаж можно улучшить, если идентификацию закона проводить с использованием ряда критериев согласия. Это связано в первую очередь с тем, что в непараметрических критериях проверки согласия опытного и теоретического распределений типа Колмогорова, типа Мизеса, типа Смирнова, и в критериях согласия типа хи-квадрат используются различные меры, поэтому критерии по-разному улавливают в выборках различные отклонения от предполагаемых теоретических законов. В этом случае окончательное решение может быть принято по совокупности критериев, когда выбирается модель, для которой достигаемый уровень значимости по всем критериям максимален.

Кроме того, при идентификации планируется рассматривать более широкое множество законов распределения, в том числе модели в виде смесей законов. В этом случае для любого эмпирического распределения можно построить адекватную, статистически

ЛЕСНОИ ВЕСТНИК 2/2008

480 руб. | 150 грн. | 7,5 долл. ", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Диссертация - 480 руб., доставка 10 минут , круглосуточно, без выходных и праздников

240 руб. | 75 грн. | 3,75 долл. ", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Автореферат - 240 руб., доставка 1-3 часа, с 10-19 (Московское время), кроме воскресенья

Алейникова Наталья Александровна. Разработка стохастических моделей прогнозирования на основе количественной интерпретации методов технического анализа: диссертация... кандидата физико-математических наук: 05.13.18.- Воронеж, 2003.- 123 с.: ил. РГБ ОД, 61 03-1/869-7

Введение

Глава 1. Анализ существующих подходов к построению моделей прогнозированиял

1.1. Определение, классификация и требования, предъявляемые к прогнозам

1.2. Анализ методов построения моделей прогноза

1.2.1. Основные подходы

1.2.2. Эконометрический (фундаментальный) анализ

1.2.3. Технический анализ

1.2.4. Стохастическое моделирование

1.2.5. Основные достоинства и недостатки подходов к прогнозированию

1.3. Выводы, постановка цели и задач исследования

Глава 2. Построение моделей прогноза с помощью индикаторов технического анализа

2.1. Теоретическое обоснование использования индикаторов технического анализа в модели стохастического моделирования

2.1.1. Модель скользящего среднего и этапы введения индикатора ТА в модель

2.1.2. Модель скользящего среднего и индикатор движущееся среднее

2.1.3. Модель скользящего среднего и индикатор экспоненциальное скользящее среднее

2.1.4. Модель скользящего среднего и индикатор Momentum

2.2. Построение условно-вероятностной индикаторной модели

2.2.1. Аппроксимация распределения условных вероятностей случайной величины А,

2.2.2. Построение эмпирических распределений вероятностей величины hn+l

2.2.3. Аппроксимация эмпирического условного распределения с помощью теоретических законов 54

2.2.4. Использование нормального распределения при оценке распределения условных вероятностей

2.2.5. Использование нормального и Парето распределений при оценке функции плотности распределения условных вероятностей 57

2.2.6. Использование распределений Парето и равномерного при оценке функции плотности распределения условных вероятностей 63

2.2.7. Формулировка требований к области применения прогнозной модели УВИМ

2.3. Выводы 66

Глава 3. Реализация моделей прогноза 68

3.1. Описание методики проверки работоспособности моделей прогнозирования

3.1.1. Этапы проверки работоспособности моделей ИМСС

3.1.2. Этапы проверки работоспособности модели УВИМ

3.1.3. Практическая проверка работоспособности модели ИМСС

3.1.4. Краткая характеристика мирового товарного рынка фьючерсов

3.1.5. Практическая проверка работоспособности модели УВИМ

3.1.6. Аппроксимация эмпирического условного распределения с помощью теоретических законов

3.2. Информационно-аналитическая подсистема «ИС-Трейдер»

3.2.1. Общее описание «ИС-Трейдер» 100

3.2.2. Раздел «Анализ конъюнктуры мирового рынка сахара и прогноз его развития»

3.3. Выводы

Заключение

Литература

Приложения

Основные достоинства и недостатки подходов к прогнозированию

В общем случае под прогнозом принято понимать научно обоснованное суждение, носящее вероятностный характер, о возможных состояниях изучаемого объекта (явления) в будущем или о путях и сроках достижения определенных целей и результатов. Прогнозирование - это процесс разработки прогнозов с целью предсказания динамики изменения объектов (явлений) в ближайшей или отдаленной перспективе .

Приведем следующую классификацию прогнозов, на основании которой в дальнейшем более точно определим место, занимаемое нашим прогнозом. Прогнозы разделяются по следующим параметрам : В зависимости от применяемой методологии a) При нормативном прогнозе происходит формулировка желаемого состояния, цели, результата, которые должны быть достигнуты в будущем. Объектом прогнозирования являются пути, направления возможного развития, приводящие к реализации поставленной цели; b) Исследовательские прогнозы базируются на изучении тенденций изменения объекта во времени и распространении найденной зависимости на перспективу. При использовании исследовательского подхода предполагается, что элементы будущего развития явлений заложены в фактах реальной действительности и закономерностях прошлого; с) Комплексный прогноз сочетает в себе элементы предыдущих двух подходов; По характеру отношения прогноза к состоянию объекта прогнозирова ния: a) Условный (активный) прогноз позволяет оценить возможные направления развития и их последствия с учетом влияния экзогенных (внешних) и эндогенных (внутренних, действующих в рамках прогнозируемой системы) факторов; b) Безусловный (пассивный) прогноз характеризует будущее развитие как результат движения по инерции, закономерности которого сформированы в прошлом и настоящем; По степени разброса прогностических оценок: a) Точечный прогноз описывает возможное состояние объекта с помощью однозначно установленной числовой величины; b) Интервальный прогноз характеризует состояние объекта в виде совокупности числовых значений, заключенных в определенном интервале. Задача построения моделей прогноза достаточно сложная, так как при ее решении необходимо учитывать особенности моделируемого объекта и условия, в которых объект функционирует. В работе рассматриваются объекты, поведение которых нельзя заранее предугадать, так как оно зависит от множества случайных факторов и основная сложность состоит в невозможности измерить все эти факторы, а также предположить, какой из факторов окажет наибольшее воздействие в тот или иной момент времени. Попытки углубиться в причинно-следственные связи между внешними факторами и поведением объекта способны увести исследователя от конкретного изменения состояния объекта как угодно далеко. Задача усложняется тем, что, даже разобравшись «сегодня» с причинами, приведшими к определенному состоянию объекта, «назавтра» существует риск получить совершенно новую реальность, где ведущую роль могут играть иные силы и факторы, которые создадут событийный ряд, не похожий на предыдущий . Наиболее ярким примером таких объектов служат цены на финансовых и товарных мировых биржах. Сформулируем начальные требования к моделям прогноза. Во-первых, следует исключить из модели влияние внешних факторов, которых может быть очень много и которые не всегда можно измерить; во-вторых, использовать в математических моделях прогнозирования информацию о поведении объекта в предыдущие периоды; в-третьих, необходимо, чтобы модель учитывала неопределенность в поведении объекта; в-четвертых, в соответствии с приведенной классификацией, прогноз должен быть исследовательским, пассивным, модель должна допускать интервальную и точечную оценки прогнозируемых значений. Проанализируем основные черты существующих и наиболее распространенных подходов к прогнозированию, выделим достоинства и недостатки каждого подхода с точки зрения сформулированных требований. Существует множество подходов к прогнозированию динамики объектов. Эксперты пытаются предугадать дальнейшее развитие событий, пользуясь предлагаемыми им математико-статистическими методами и моделями, исследуя закономерности, пытаясь учесть влияние множества разнообразных факторов, которые могут повлиять на поведение объекта, наконец, прибегают даже к интуиции . В данной работе рассматриваются только количественные методы прогноза. Основные количественные методы построения моделей прогноза можно разделить на три группы: а) Эконометрический (фундаментальный) анализ Термин «эконометрика» был введен еще в 1926 г. норвежским экономистом и статистиком Рагнаром Фишером. В буквальном переводе этот термин означает «измерения в экономике». Главным назначением эконометрики является модельное описание конкретных количественных взаимосвязей, существующих между анализируемыми показателями. Описанию эконометрических методов посвящена многочисленная литература, например, . b) Технический анализ (ТА) ТА применяется на различных финансовых и товарных рынках (биржах) и основан на гипотезе о том, что рыночные цены являются отражением желаний и действий всех участников рынка и все факторы (фундаментальные, политические, психологические), влияющие на рыночную цену, фактически в ней самой и отражены . Методы ТА можно использовать в качестве источника дополнительной информации для прогнозирования не только цен, но и других объектов (характеристики которых колеблются во времени и имеют состояния открытия, закрытия, максимальное и минимальное). ТА наименее математизирован, но опирается на огромный практический материал, накопленный грейдерами (участниками рынка) почти за 100 лет. Исторически классический ТА развивался следующим образом. Первоначально, когда еще в природе не существовало компьютерной техники, а математические методы в силу сложности расчетов никто не пытался применить для анализа динамики цен, участники рынка, в особенности трейдеры, рисовали графики, на которых откладывали прямые линии. Позже были найдены закономерности в соотношении этих линий и графиков цен. Так возникли трендовые линии, модели и фигуры. Далее появились потребности для отхода от прямолинейности трен-довых линий и моделей и трейдеры, также вручную, начали рассчитывать средние цены, которые и стали с успехом применяться для анализа. И уже с возникновением компьютерной техники появилась возможность для расчета и применения методов осцилляторного анализа рынка.

Модель скользящего среднего и индикатор экспоненциальное скользящее среднее

Очевидно, что для построения прогнозной модели, удовлетворяющей требованиям, сформулированным в 1.1, необходимо сочетать черты каждого из подходов. Чтобы создать подходящую модель прогнозирования, учитывающую неопределенность, можно воспользоваться уже существующими методиками построения таких моделей в эконометрике и стохастическом моделировании. Но при этом важно, чтобы соблюдалось требование независимости прогнозных выходных данных от измерения значений внешних случайных факторов. Для выполнения этого условия, предлагается использовать стохастический подход, как наиболее подходящий. Согласно следующему требованию - извлечению необходимой для прогноза дополнительной информации из самого поведения прогнозируемой величины, - воспользуемся индикаторными методами технического анализа.

Таким образом, построение модели прогнозирования предлагается проводить в рамках стохастического подхода с применением индикаторов ТА. Такое объединение двух подходов представляется возможным осуществить двумя способами. Первый способ заключается во внедрении индикаторов ТА в существующие модели стохастического моделирования (например, в модель скользящего среднего) и последующем исследовании влияния, оказываемого индикаторами на прогнозную эффективность модель. Второй способ состоит в создании новой модели в рамках вероятностного пространства (1.4), не связанной с существующими моделями, с использованием индикаторов ТА в качестве источников дополнительной информации.

Необходимо отметить, что, так как модель - это лишь идеализация реального мира, в которой интересующие исследователя отношения между реальными элементами заменены подходящими отношениями между математическими категориями, то нужно разработать специальную методику, с помощью которой будет осуществляться проверка работоспособности модели на конкретных реальных и тестовых данных, включающую в себя ряд критериев оценки качества прогноза.

Для автоматизации построения прогноза с помощью комбинирования методов стохастического моделирования и технического анализа необходимо разработать программный комплекс. При этом в силу специфики используемых методов, потребуются большие объемы статистической информации. Обеспечить это требование возможно благодаря существующим информационно-аналитическим центрам, выполняющим функции сбора, хранения, обработки и выдачи информации о текущем состоянии объекта. Важно учитывать и то, что полученную информацию о прогнозе нужно сделать доступной, то есть где-то ее публиковать. Поэтому программный комплекс необходимо разработать в рамках существующей информационно-аналитической системы, выполняющий указанные выше функции.

Из приведенного выше анализа существующих подходов и сформулированных требований к прогнозу, можно сделать следующие основные выводы: a) При построении моделей прогнозирования необходимо учитывать особенности моделируемого объекта и условия, в которых объект функционирует. b) К модели прогноза выдвигается ряд требований, заключающихся в ее независимости от непосредственного измерения значений множества внешних случайных факторов, вычислении прогнозных значений на основе информации о поведении объекта в предыдущий период, учет неопределенности, и наконец, то, что прогноз, получаемый с помощью модели должен быть исследовательским, пассивным, допускать интервальную и точечную оценки прогнозируемых значений. c) Анализ существующих методов к построению моделей прогноза цен показал, что ни один из подходов в чистом виде не ведет к построению модели прогнозирования, удовлетворяющей сформулированным требованиям. Для достижения требований, необходимо использовать комбинацию сразу нескольких подходов, наиболее подходящими из которых являются стохастическое моделирование и индикаторный технический анализ. d) Объединение двух подходов к прогнозированию возможно осуществить двумя способами. Первый способ заключается во внедрении индикаторов ТА в существующие модели стохастического моделирования и последующем исследовании влияния, оказываемого индикаторами на прогнозную эффективность модель. Второй способ состоит в создании новой модели в рамках вероятностного пространства Колмогорова, с использованием индикаторов ТА в качестве источников дополнительной информации. e) Для построения прогноза с помощью комбинирования методов стохастического моделирования и технического анализа требуются большие объемы статистической информации. Для обеспечения этого требования необходимо существование информационно-аналитических центров, выполняющих функции сбора, хранения, обработки и выдачи информации о текущем состоянии объекта. Эти центры должны также обеспечивать публикацию прогноза. f) В рамках существующего информационно-аналитического центра необходимо разработать программный комплекс для реализации моделей прогноза. На основании выводов сформулирована цель диссертационной работы. Целью работы является создание стохастических моделей прогнозирования на основе количественной интерпретации методов технического анализа и разработка комплекса программ, как инструментального средства поддержки принятия решений субъектами управления. Для реализации поставленной цели необходимо решить следующие задачи: 1. Теоретически обосновать применение некоторых индикаторов технического анализа в существующих моделях стохастического моделирования. Построить модель прогнозирования поведения исследуемого объекта на основе модели стохастического моделирования с использованием индикаторов технического анализа в качестве источника дополнительной информации. 2. Построить условно-вероятностную индикаторную модель прогнозирования поведения исследуемого объекта, отвечающую требованиям универсальности по использованию видов и числа индикаторов технического анализа, а также разработать алгоритм получения прогнозных оценок по этой модели.

Использование нормального и Парето распределений при оценке функции плотности распределения условных вероятностей

В работе предлагается использовать методику проверки работоспособности моделей прогнозирования ИМСС (глава 2, п. 1.) и УВИМ (глава 2, п. 2) на тестовых и реальных данных, которая в общих чертах будет описана далее. Для изложения этой методики удобно разбить общую логическую схему исследования на несколько этапов.

На первом этапе происходит сбор или формирование исходной статистической информации, а так же представление (группирование) исходных данных в виде удобном для дальнейшего моделирования.

На следующем этапе необходимо удостовериться в том, что статистические данные удовлетворяют условиям модели (см. глава 2, п. 1.6). Действительно, у каждой из предложенных моделей прогнозирования имеется своя область применения. Напомним, что во второй главе выдвигались два предположения о поведении объекта. Первое накладывало ограничение на поведение объекта, предполагалось, что оно подчинено модели скользящего среднего. В связи с этим возникали требования к закону распределения цены. На практике мы будем иметь дело лишь со случайными выборками из некоторой генеральной совокупности, эмпирические характеристики которых могут отличаться от теоретических характеристик всей совокупности. Следовательно, может получиться так, что модель прогнозирования будет использована для данных, к которым она попросту не применима.

Второе предположение не связывало поведение объекта с какой-либо известной моделью (хотя и не исключало этого), зато требовало, чтобы была достаточно большая статистика по четырем разновидностям состояний объекта - открытия, закрытия, минимального и максимального. Поэтому и необходимо на втором этапе методики проверить, насколько выборка соответствует всем исходным требованиям модели.

Далее каждая модель включала в себя ряд теоретических положений (глава 2, следствия из теорем 1,2, теорема 3, предложения о «склейке» нескольких законов распределения для аппроксимации эмпирических условных распределений, получаемых с помощью модели УВИМ), проверка которых на практике будет составлять третий этап методики.

На четвертом этапе необходимо указать, какие значения мы будем считать прогнозом. В качестве прогнозного значения можно выбрать математическое ожидание, или, если последнее неизвестно, оценку математического ожидания - выборочное среднее. Так же прогнозными значениями могут быть приращения с максимальными частотами в выборке (выборочная мода). В случае модели ИМСС, когда приращения распределены по нормальному закону распределения, в силу симметричности закона, математическое ожидание и мода равны друг другу. Насколько лучше прогноз, получаемый с помощью тех или иных данных, можно будет судить, пройдя следующий этап методики.

Последний (пятый) этап связан с необходимостью оценки качества прогноза, получаемого с помощью модели. Нужно отметить, что часто для исследования качества прогноза ограничиваются изображением графиков реальных и прогнозных данных и вывод о том, насколько хорош прогноз, следует из простого сравнения этих графиков. Такое исследование является достаточно субъективным. В работе предлагается использовать количественный признак (критерий) степени схожести прогнозных и фактических значений. При этом он должен учитывать сразу несколько факторов, по которым оценивается точность прогноза (глядя на график реальных и прогнозных значений, исследователи, аналитики интуитивно отмечают эти факторы). Во-первых, желательно, чтобы прогнозные и реальные данные коррелировали между собой. То есть, если, например, фактическое значение движется вверх, то и найденное прогнозное значение так же должно двигаться вверх. Но при этом может возникнуть ситуация, показанная на рис. 3.1, когда фактические и прогнозные значения, несмотря на схожесть направлений их изменений, значительно отличаются по величине. Поэтому нужно учитывать еще и степень расхождения между ними.

Следующий фактор, по которому оценивается качество прогноза, связан с понятием доверительного интервала. Дело в том, что в качестве про Графики движения прогнозных и реальных значений. гнозного значения можно взять точечную оценку математического ожидания а случайной величины - выборочное среднее х. Но так как эта оценка получается по выборке, то она так же является случайной величиной и может значительно отличаться от математического ожидания генеральной совокупности. Чтобы дать представление о точности и надежности оценки х, для математического ожидания строится доверительный интервал: где у - доверительная вероятность - вероятность того, что / накроет неиз вестное значение математического ожидания, /?!(х),...,хп), /32(х],...,хп) - границы интервала (строятся по выборке, являются случайными величинами, Д (xj,..., хп) /?2 (xi хп)) находят ся из условия, что вероятность у попадания неизвестного математического ожидания ав 1у достаточно большая: Очевидно, что интервальная оценка тем лучше, чем меньше длина доверительного интервала. А так как границы доверительного интервала напрямую зависят от дисперсии, то если окажется, что дисперсия прогнозной величины после применения модели уменьшилась, тогда можно считать, что использование модели повышает качество прогноза. Исходя из выше сказанного, предлагается ввести векторный критерий оценки качества прогноза, включающий в себя три компоненты:

Первая компонента q]f с помощью которой исследуется точность прогноза, представляет собой степень тесноты связи (коррелированности) между изменениями прогнозных и реальных значений. Для формализации этого критерия можно воспользоваться показателем регрессионного анализа, таким как коэффициент корреляции. Но перед тем как использовать этот показатель, необходимо ввести некоторые дополнительные предположения о регрессионной зависимости между прогнозным и реальным значениями. Так как фактические значения при тестировании модели нам заранее известны, можно, пользуясь эконометрической терминологией, трактовать фактические данные как объясняющие переменные, а прогнозные значения как объясняемые переменные, предположив при этом, что эти переменные связаны некоторой зависимостью у = f(y)+ є , например, линейной, которую можно описать с помощью формулы

Аппроксимация эмпирического условного распределения с помощью теоретических законов

Наиболее распространенным и удобным способом осуществления импорта товаров, в том числе и сахара, является приобретение товаров на мировых фьючерсных биржах по фьючерсным контрактам. Фьючерсный контракт - это имеющее юридическую силу обязательство осуществить поставку или получить обусловленное количество оговоренного товара по согласованной цене в определенный день (или дни) в будущем. Фьючерсный контракт фиксирует «сейчас» цену и условия сделки, которая состоится в будущем. Предметами фьючерсных контрактов могут быть сельскохозяйственная продукция (сахар, живой скот и т.д.), сырая нефть, алюминий, золото и т.д., а также различные финансовые инструменты (векселя, облигации, валюта и т.д.) . Наиболее крупными фьючерсными биржами являются Чикагская товарная биржа (СМЕ - Chicago Mercantile Exchange), Лондонская международная биржа финансовых фьючерсов (LIFFE - London International Financial Futures Exchange), Нью-Йоркская товарная биржа (CSCE или NYMEX - New-York Mercantile Exchange) . Популярность фьючерсных бирж обусловлена рядом причин, наиболее важные из которых перечислены ниже : фьючерсная биржа - это традиционный, имеющий вековую историю рынок товаров; фьючерсные контракты помогают избежать риска изменения цены на товар; информация о фьючерсных ценах распространяется по сети Internet (например, сеть Рейтер Монитор); торговлю на фьючерсной бирже теперь можно осуществлять через сеть Интернет (например, с помощью систем Reuters Dealing 2000 и Quotron FX Trader). Необходимо отметить, что в силу популярности среди импортеров, фьючерсный рынок оказывает значительное влияние на российский товарный рынок. Это выражается, в том числе, и в зависимости российских цен на сахар от мировых фьючерсных цен на сырец. Цена на внутреннем российском рынке сахара образуется в общем случае при собственном производстве и за счет закупок на международных фьючерсных биржах.

Поведение цен на фьючерсном рынке, в том числе на сахар, не возможно предугадать заранее . Цены на мировом рынке сахара являются не стабильными, постоянно колеблющимися, зависят от баланса спроса и предложения, который устанавливается на рынке сахара не по жестко действующим законам, а в результате конкурентной борьбы между участниками рынка. При этом даже если между сторонами, где одни участники рынка всегда «слишком много просят», тогда как другие в обмен на это «слишком мало предлагают», достигнуто «компромиссное согласие», то оно будет носить весьма неустойчивый и непредсказуемый характер .

Но участникам фьючерсного рынка, таким, как государство, торговые компании, трейдеры, для успешной и эффективной работы, планирования, для правильного и грамотного регулирования импорта товаров, для получения наибольшей прибыли, хотя бы частичного снижения неопределенности и риска, необходимо предвидеть заранее какая ситуация сложится на рынке фьючерсов, иметь возможность качественно или количественно определять степень вероятности того или иного исхода ситуации . Для этого нужны специальные инструменты, методы, позволяющие получать обоснованные и как можно более точные прогнозы поведения рыночных цен, необходима вовремя собранная, достоверная информация о состоянии рынка . Грамотный, обоснованный прогноз снижает риски ошибочных решений со стороны участников рынка.

В странах с развитой рыночной экономикой, а в последнее время, и в нашей стране (что связано с увеличением объема импорта товаров), создаются специальные информационно-аналитические центры, выполняющие функции сбора, хранения, обработки и выдачи информации о текущем состоянии рынков товаров, необходимой для дальнейшей оценки и прогнозирования состояний субъектов рынка . Примерами таких информационно-аналитических центров на сахарном рынке являются информационная система «Russion Sugar» фирмы Стеле, информационно-аналитическая система «Информсахар» . Собранные, обработанные и проанализированные этими центрами данные публикуются в средствах массовой информации, а так же на специальных сайтах в Internet. По мере развития, с целью поддержки принятия решений, такие аналитические центры все больше внимания уделяют разработке информационных технологий в виде экономико-математических моделей и методов. Особое внимание при этом уделяется задачам прогнозирования поведения рынка, рыночных цен. Анализ, проведенный в показал, что методы прогнозирования в сахарной промышленности развиты не достаточно. Перечислим условия, в которых строится прогнозная модель : a) Торги на фьючерсных биржах проводятся ежедневно кроме субботы и воскресенья. b) Информация о ценах регулярно публикуется в журналах и в Internet, что делает ее доступной для всех участников рынка. c) В аналитических центрах в Internet существуют специальные архивы, содержащие большие объемы данных по ценам за предыдущие периоды, что позволяет использовать статистические методы обработки информации. d) Публикуемые данные по ценам включают в себя сведения о максимальной, минимальной ценах, а также о ценах открытия и закрытия, цены внутри одного дня, дневные цены, средние за неделю, месяц и т.д. Таким образом, фьючерсные цены удовлетворяют всем условиям модели УВИМ, приведенным в главе 2, п. 2.7.

Кожевников, Александр Сергеевич