интересно
Предыдущая | Содержание | Следующая

Методы обработки пространственно-временных совокупностей

существенно варьируют по сложности используемых алгоритмов. Простейший вариант прогноза – это предположение регрессии прогнозируемого параметра по фактору времени:

где a,b –параметры регрессии (определяемые обычно по методу наименьших квадратов), e (t) – случайная величина с нулевым математическим ожиланием и фиксированными прочими параметрами вероятностного распределения.

Предположение о линейности регрессии прямо вытекает из допущения, что прогнозируемый случайный процесс является стационарным, т.е. в каждом временном сечении этого процесса лежит случайная величина, вероятностное распределение которой содержит постоянные, неизменные во времени параметры.

Из этого же допущения о стационарности случайного процесса исходят все методы авторегрессии, когда прогнозируемое значение параметра линейным образом зависит от некоторой совокупности предыдущих значений параметров:

Авторегрессия свидетельствует об инерционности и стационарности прогнозируемого процесса, о сохранении на всем интервале прогнозирования исторически сложившейся экономической парадигмы. Однако это допущение является слишком сильным и малореалистичным. Чтобы смягчить эту предпосылку о стационарности, зарубежные исследователи Энгл и Боллерслев разработали семейство методов ARCH и GARCH соответственно ([112, 116, 119]), допуская, что прогнозируемый процесс перестает быть стационарным, но будущее значение волатильности этого процесса может быть предсказано по ряду предыдущих значений волатильности процесса (условно-непостоянная волатильность). Т.е. в алгоритме прогнозируется не только искомый параметр, но и параметры распределения ошибки прогноза.

Развитием методов ARCH и GARCH является технология так называемых нейронных сетей [22], когда система прогнозирования в автоматическом режиме осуществляет оценивание параметров регрессии, минимизируя функцию ошибки. Любопытно, что иногда для обучения финансовых нейронных сетей используются даже астрологические прогнозы [93] (в мире существует ряд финансовых программ на астрологическом базисе, и мы здесь обходим стороной вопрос о том, является ли астрология наукой или нет).

Методы ARCH и GARCH (равно как и построенные на их основе нейронные сети) перестают работать, когда исследуемая экономическая система терпит так называемый эпистемологический, парадигмальный разрыв [45], т.е., с резким изменением экономических тенденций вся накопленная история оказывается неподходящей для прогноза. Характерный пример – перелом тенденции фондового рынка США в 2001 году. И в этом случае для прогнозирования тенденций подсистемы необходимо пользоваться данными надсистемы, не претерпевшей парадигмального разрыва. Так, для прогнозирования американских фондовых индексов сегодня можно воспользоваться данными макроэкономических индексов и обновленными предположениями о рациональных инвестиционных тенденциях, используя идеологию треугольных нечетких функций [75].

Методы ситуационного анализа предполагают генерацию экономических сценариев и детерминированное факторное моделирование реакции системы на сгенерированный сценарий, измеряемое по финансовым результатам системы. Всем сценариям в генеральной их совокупности присваиваются вероятностные веса. Таким образом, итоговый ожидаемый финансовый результат интерпретируется как матожидане случайной величины показателя, распределенной в соответствии с исходным весовым распределением входных сценариев.

Если сценарии воздействия на финансовую систему являются многоступенчатыми, процессными, то в ходе исследования финансвых результатов строится дерево решений [15, 85]. Построение дерева решений влечет ращепление исходных вероятностей возникновения сценариев на вероятности подсценариев, вложенных в базовый . Тогда результирующее вероятностное распределение финансовых результатов восстанавливается по известным формулам Байеса для полной вероятности.

В финансовом менеджменте особенно широко деревья решений используются при макроэкономическом моделировании [129] и для оценки стоимости опционов [124].