Все традиционные или, можно сказать, классические методы осуществления прогнозирования можно разделить на две группы методов:
—Методы экспертных оценок
—Методы обработки экономических временных рядов
Одними из распространенных методов прогнозирования являются методы экспертных оценок, они имеют давнюю историю своего развития. Наиболее известен метод Дельфи, который строится на многократном опросе экспертов с дальнейшей обработкой поступивших данных методами математической статистики.
Недостаток методов, базирующихся на экспертных оценках, субъективизм и возможные ошибки со стороны экспертов. Часто эксперт делает свое заключение на основе личных субъективных предпочтений. Иногда он может отклонить новые факты, которые противоречат его мировоззрению. Чтобы повысить точность прогнозирования на основе методов экспертных оценок можно использовать теорию нечетких множеств. Теория нечетких множеств дает большое многообразие инструментальных средств для лучшего понимания нечетких отношений предпочтений.
В группу экспертных методов относятся минимаксные методы. Их основная цель это отказ от учета неопределенности «весовым методом». Из всех сценариев развития объекта в будущем минимаксные методы выбирают два состояния: максимальное и минимальное значение.
В методы анализа поступившей экспертной информации относят корреляционный, регрессионный и факторный анализы, а также многомерный статистический анализ. В корреляционных и регрессионных анализах очень часто возникает ситуация проблем связей между показателями, которые характеризуют экспертную систему. Многомерный статистический анализ поступивших для обработки данных дает возможность в условиях риска и неопределенности получить функцию многомерной полезности, где максимум ее соответствует самому предпочтительному варианту. Эта функция представляет собой аддитивную или мультипликативную совокупность одномерных функций, которые строятся на опросе экспертов и дают возможность сделать ранжирование и рейтингирование возможных исходов взаимного сравнения альтернатив. Для построения функции полезности необходимо привлечение значительных объемов информации, что порой бывает невозможно. Если исходная информация неустойчива и непостоянна, то применение методов теории полезности становится малоэффективным, а порой и неэффективным.
Методы экономической статистики (корреляционный, регрессионный, факторный анализы и т.д.) имеют один общий недостаток – в их основе лежит анализ стационарного процесса, т.е. используя эти методы мы заранее предполагаем, что изучаемый процесс имеет логнормальное или нормальное (Гауссовское) распределение. Эти методы не предназначены и не могут быть использованы для анализа и моделирования непредсказуемых скачков и сложных взаимодействий составляющих мирового рыночного процесса. Эти методы не в полной мере пригодны и есть необходимость создания новых методов анализа нестационарных процессов, таких как мировой рынок капитала.
Методы анализа и обработки экономических временных рядов, вторая группа методов прогнозирования. Если в предыдущей группе мы анализировали данные, которые были представлены в виде ответов и альтернатив экспертов, то здесь мы анализируем данные самого временного ряда экономического процесса. Один из простейших примеров построения прогноза – это построение регрессионной зависимости (это может быть линейная, квадратичная или полиномиальная зависимость) прогнозируемого параметра от времени. При использовании методов регрессии мы предполагаем, что прогнозируемый случайный процесс является стационарным, т.е. в каждый промежуток времени случайная величина, характеризующая процесс, имеет вероятностное распределение и содержит неизменные по времени параметры.
Методы авторегрессии, когда прогнозируемое значение параметра зависит от определенной совокупности предыдущих значений параметров временного ряда, также строится на предположении о стационарности процесса. Авторегрессия говорит о так называемом «эффекте памяти» для временного ряда, об инертности и стационарности прогнозируемого процесса и о сохранении сложившейся парадигмы на интервале прогнозирования. Методы авторегрессии применимы для коротких зависимостей, а на рынках капитала было замечено долговременное влияние прошлого на настоящее, поэтому использование методов авторегрессии нецелесообразно.
Для того, чтобы убрать предпосылку о стационарности изучаемого процесса Энгл и Боллерслев разработали методы ARCH и GARCH. Они предположили, что изучаемый процесс, не стационарен, но будущее значение волатильности процесса может быть спрогнозировано по ряду предыдущих значений волатильности, т.е. прогнозируется распределение ошибки прогнозирования. Дальнейшим развитием методов ARCH и GARCH выступают методы нейронных сетей, когда система прогнозирования в автоматическом режиме производит оценку параметров регрессии, уменьшая функцию ошибки. Но методы ARCH и GARCH перестают работать, когда изучаемый процесс резко изменяет свою тенденцию, т.е. происходит, так называемый, парадигмальный разрыв. Такая ситуация произошла в США в 2001 году. Таким образом, для осуществления прогнозирования необходимо использовать данные и тенденции надсистемы, которая не изменилась под действием парадигмального разрыва.
Автор: Жданов Василий Юрьевич
(с) BE in trend
