Международная Академия исследований будущего (IFRA)
Российское отделение — Академия прогнозирования
Рус | Eng
 
Об академии|Наука и искусство прогнозирования|Книги и публикации|Контактная информация
Главная страница    Наука и искусство прогнозирования

Адаптивный метод прогнозирования

Автор: Ю.П. Лукашин

построение самонастраивающихся рекуррентных моделей, способных отражать изменяющиеся во времени динамические свойства временного ряда и учитывать информационную ценность его членов. При прогнозировании обычно выдвигается гипотеза о том, что основные взаимосвязи и тенденции сохранятся на период прогноза, или что можно обосновать и учесть направление их изменений в рассматриваемой перспективе. Надежды возлагаются здесь на инерционность экономических и финансовых систем. Между тем в большинстве случаев подвижность этих систем постоянно возрастает, наблюдаются структурная перестройка экономики и неравномерность развития научно-технического прогресса в различных отраслях, мгновенно меняется реакция фондовых и товарно-сырьевых рынков на текущую конъюнктуру, правительственные решения и новые социально) политические условия. Наибольшей инерционностью обладают макроэкономические характеристики, но и они становятся весьма подвижными. Требование статистических подходов увеличить объем выборки для получения более точных оценок приходит в противоречие с требованием гомогенности (однородности) данных, ибо чем больше период наблюдений, тем выше вероятность того, что объект претерпел коренные изменения. Таким образом, необходим компромисс. Один из наиболее перспективных путей достижения такого компромисса — применение адаптивного метода прогнозирования. Цель этих методов — построение самокорректирующихся рекуррентных моделей, которые, отражая изменяющиеся во времени динамические свойства временного ряда и учитывая информационную ценность его ретроспективных членов, способны давать достаточно точные оценки будущих членов. Такие модели предназначаются, прежде всего, для краткосрочного прогнозирования. Реальный процесс протекает в изменяющихся условиях. На временной ряд, представляющий этот процесс, воздействуют в разное время различные факторы внешней среды: одни из них по тем или иным причинам ослабляют свое влияние, другие — увеличивают. Модель должна адаптироваться к ряду. Поскольку чаще всего рассматриваются нестационарные ряды, то есть ряды, характеристики которых (уровень, скорость роста, дисперсия колебаний и прочие) не остаются постоянными во времени, модель всегда будет находиться в движении. Образно говоря, процесс адаптации модели к ряду можно было бы назвать «гонкой за лидером». Адаптация в таких моделях обеспечивается небольшими дискретными сдвигами. В основе процедуры адаптации лежит метод проб и ошибок. Пусть модель находится в некотором исходном состоянии, то есть определены текущие значения ее параметров, и по ним делается прогноз на один шаг вперед. По истечении одной единицы времени (шаг моделирования) определяют, насколько далек прогноз, сделанный по модели, от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью для перехода из одного состояния в другое с целью большего согласования своего поведения с динамикой ряда. На изменения ряда модель должна отреагировать «компенсирующими» изменениями. Затем делается прогноз на следующий момент времени, и процедура повторяется. Таким образом, адаптация осуществляется рекуррентно с получением каждой новой точки ряда. Быстроту реакции модели на изменения ряда характеризует т.н. параметр адаптации. Процесс «обучения» модели состоит в выборе наилучшего параметра адаптации на основе пробных прогнозов на ретроспективном статистическом материале. При наличии тенденции в движении исследуемого временного ряда наилучшая реакция модели — определенный компромисс между двумя крайними ситуациями, обеспечивающий отражение основной закономерности в движении ряда и одновременно фильтрацию случайных отклонений от нее. По тому, насколько хорошо модель поддается «обучению», можно судить о ее способности адекватно отражать закономерности данного временного ряда. После выбора параметра адаптации модель самообучается в процессе переработки новых статистических данных. В силу специфичности каждой отдельно взятой модели, а также ограниченности исходной (входной)информации, зачастую представленной единственным рядом, нельзя ожидать, что какая-либо одна адаптивная модель подходит для прогнозирования любого ряда, любых вариаций поведения. Адаптивные модели достаточно гибки, однако на их универсальность рассчитывать не приходится. Поэтому при построении и обосновании конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реального процесса и соотносить динамические свойства ряда со структурой и возможностями модели. Исследователь должен закладывать в модель те адаптивные свойства, которых, по его мнению, достаточно для отслеживания реального процесса с заданной точностью. Вместе с тем нельзя надеяться на успешную самоадаптацию модели, более общей по отношению к той, которая отражает динамику конкретного процесса, ибо усложнение структуры модели и увеличение числа параметров придает ей излишнюю чувствительность, приводит к «раскачке» и ухудшению получаемых прогнозов. Таким образом, при построении адаптивной модели приходится выбирать между общей и частной моделями и, взвешивая их достоинства и недостатки, отдавать предпочтение той, от которой можно ожидать наименьшей ошибки прогнозирования. Только при этом условии можно надеяться, что последовательность проб и ошибок постепенно приведет к наиболее эффективному предиктору. Для сравнения возможных моделей необходим критерий полезности модели. В случае краткосрочного прогнозирования таким критерием может быть минимум суммы квадратов ошибок или среднего квадрата ошибок прогнозирования. О качестве модели судят также по наличию автокорреляции в ошибках. В более развитых прогностических системах поиск оптимальной структуры и параметров адаптации осуществляется путем анализа как последовательных во времени, так и параллельных (конкурирующих) модификаций модели. Здесь используется принцип конкуренции и автоматического отбора (селекции) предиктора по текущим значениям заданного критерия, получаемым альтернативными моделями. Приведем типы адаптивных моделей, используемых в настоящее время: модели полиномиальных и экспоненциальных трендов; модели тренда и сезонных явлений аддитивного и мультипликативного типа; адаптивная модель гистограммы; модель фазового анализа неустойчивых циклических колебаний; модели с адаптивными параметрами адаптации; модели авторегрессии с переменными коэффициентами; комбинированные модели селективного и гибридного типа (модели с переменной структурой уравнения); адаптивный корреляционный анализ; адаптивная множественная регрессия; модели с условной гетероскедастичностью; адаптивные эконометрические модели как системы адаптивных множественных регрессионных уравнений; адаптивные нелинейные модели. Все изложенное позволяет утверждать, что сформировалось новое направление в прогнозировании — адаптивная эконометрика.
Литература: Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования (1979); Адаптивные методы краткосрочного прогнозирования временных рядов (2003); Адаптивная эконометрика (2006).



© Международная Академия исследований будущего, 2007 - 2023