Реферат: Методы прогнозирования финансовых показателей
1.Модель с аддитивнойкомпонентой
Аддитивную модель прогнозирования можно представитьв виде формулы:
F =T + S + E
где: F – прогнозируемое значение; Т –тренд; S – сезонная компонента;
Е –ошибка прогноза.
Алгоритм построения прогнозной модели
Для прогнозирования объема продаж, имеющего сезонныйхарактер, предлагается следующий алгоритм построения прогнозной модели:
1.Определяется тренд, наилучшим образомаппроксимирующий фактические данные. Существенным моментом при этом являетсяпредложение использовать полиномиальный тренд, что позволяет сократить ошибкупрогнозной модели.
2.Вычитая из фактических значений объёмов продажзначения тренда, определяют величины сезонной компоненты икорректируют таким образом, чтобы их сумма была равна нулю.
3.Рассчитываются ошибки модели как разности междуфактическими значениями и значениями модели.
Применение алгоритма рассмотрим на следующемпримере.
Исходные данные: Объемы фактических расходов бюджета _________района, взяты из месячной и годовой отчетности финансового управленияадминистрации ________ района. Даннаястатистика характеризуется тем, что значения объёма продаж имеют выраженныйсезонный характер с возрастающим трендом. Исходная информация представлена в табл. 1.
табл.1
Объем фактических расходов
1 кв. 1999 г.
24518
2 кв. 1999 г.
23778
3 кв. 1999 г.
25143
4 кв. 1999 г.
27622
1 кв. 2000 г.
26149
2 кв. 2000 г.
24123
3 кв. 2000 г.
27580
4 кв. 2000 г.
30854
1 кв. 2001 г.
29147
2 кв. 2001 г.
26478
3 кв. 2001 г.
30159
4 кв. 2001 г.
33149
1 кв. 2002 г.
32451
Реализуем алгоритм построенияпрогнозной модели, описанный выше. Решение данной задачи рекомендуетсяосуществлять в среде MS Excel, что позволит существенно сократить количестворасчётов и время построения модели.
<img src="/cache/referats/11484/image002.gif" v:shapes="_x0000_s1027">1.Определяем тренд, наилучшим образом аппроксимирующий фактические данные.Для этого рекомендуется использовать полиномиальный тренд, что позволяетсократить ошибку прогнозной модели)
Таблица 2.
Расчётзначений сезонной компоненты
Значение тренда
Сезонная компонента
1 кв. 1999 г.
24518
24518
2 кв. 1999 г.
23778
24962
-1184
3 кв. 1999 г.
25143
25012
131
4 кв. 1999 г.
27622
25217
2405
1 кв. 2000 г.
26149
26098
51
2 кв. 2000 г.
24123
26958
-2835
3 кв. 2000 г.
27580
27495
85
4 кв. 2000 г.
30854
28017
2837
1 кв. 2001 г.
29147
28964
183
2 кв. 2001 г.
26478
29617
-3139
3 кв. 2001 г.
30159
30498
-339
4 кв. 2001 г.
33149
31485
1664
1 кв. 2002 г.
32451
32451
Скорректируемзначения сезонной компоненты таким образом, чтобы их сумма была равна нулю.
Таблица 3.Расчет средних значений сезонной компоненты
1999 г.
2000 г.
2001 г.
Итого
Среднее
Сезонная компонента
1 кв.
51
183
234
78
89,75
2 кв.
-1184
-2835
-3139
-7158
-2386
-2374,25
3 кв.
131
85
-339
-123
-41
-29,25
4 кв.
2405
2837
1664
6906
2302
2313,75
Сумма
-47
-11,75
3. Рассчитываемошибки моделикак разности между фактическими значениями и значениями модели.
Таблица 4.
Расчёт ошибок
расходы
Значение модели
Отклонение
1 кв. 1999 г.
24518
24607,75
-89,75
2 кв. 1999 г.
23778
22587,75
1190,25
3 кв. 1999 г.
25143
24982,75
160,25
4 кв. 1999 г.
27622
27530,75
91,25
1 кв. 2000 г.
26149
26187,75
-38,75
2 кв. 2000 г.
24123
24583,75
-460,75
3 кв. 2000 г.
27580
27465,75
114,25
4 кв. 2000 г.
30854
30330,75
523,25
1 кв. 2001 г.
29147
29053,75
93,25
2 кв. 2001 г.
26478
27242,75
-764,75
3 кв. 2001 г.
30159
30468,75
-309,75
4 кв. 2001 г.
33149
33798,75
-649,75
1 кв. 2002 г.
32451
32540,75
-89,75
Находимсреднеквадратическую ошибку модели (Е) по формуле:
Е= Σ О2: Σ (T+S)2
где:
Т- трендовое значение объёмарасходов;
S – сезонная компонента;
О- отклонения модели от фактических значений
Е=(3079106/(361151*361151))*100%= 0,002361%
Величина полученной ошибки позволяет говорить, чтопостроенная модель хорошо аппроксимирует фактические данные, т.е. она вполнеотражает экономические тенденции, определяющие объём расходов, и являетсяпредпосылкой для построения прогнозов высокого качества.
2. Модель смультипликативной компонентой.
В некоторых временных рядах значение сезонной компонентыне является константой, а представляет собой определенную долю -фондовогозначения, т.e. значениесезонной компоненты увеличивается с возрастанием значений тренда. Например,рассмотрим график следующих данных об объемах расходов. Объем продаж этогопродукта так же, как и в предыдущем примере, подвержен сезонным колебаниям, изначения его в разные кварталы разные. Однако размах вариации фактическихзначении относительно линии тренда постоянно возрастает. Такую ситуацию можнопредставить с помощью модели с мультипликативной компонентой
A=T*S*Е
1.3.1. Расчет сезонной компоненты
Отличиерасчета сезонной компоненты для мультипликативной модели от аддитивной моделизаключается лишь в том, что в колонку 6 вписываются коэффициенты сезонности(аналог оценок сезонной компоненты в аддитивной модели)
Сезонныекоэффициенты представляют собой доли тренда, поэтому принимают, что ихсумма должна равняться количеству сезонов в году, т.е. 4, а не нулю, как ваддитивной модели.
Итого за 4 квартала
Скользящая средняя за 4 квартала
Центрированная скользящая средняя
Оценка сезонной компоненты
Y
S
T
Y/T=S*E
1 кв. 1999 г.
24518
2 кв. 1999 г.
23778
3 кв. 1999 г.
25143
101061
25265,25
4 кв. 1999 г.
27622
102692
25673
25469,125
1,084528817
1 кв. 2000 г.
26149
103037
25759,25
25716,125
1,016832824
2 кв. 2000 г.
24123
105474
26368,5
26063,875
0,925533905
3 кв. 2000 г.
27580
108706
27176,5
26772,5
1,030161546
4 кв. 2000 г.
30854
111704
27926
27551,25
1,119876594
1 кв. 2001 г.
29147
114059
28514,75
28220,375
1,032835318
2 кв. 2001 г.
26478
116638
29159,5
28837,125
0,918191394
3 кв. 2001 г.
30159
118933
29733,25
29446,375
1,024200772
4 кв. 2001 г.
33149
122237
30559,25
30146,25
1,099606087
1 кв. 2002 г.
32451
<img src="/cache/referats/11484/image004.gif" v:shapes="_x0000_s1029">
Десезонализация данных при расчете трендаДесезонализация данных производится поформуле:
<img src="/cache/referats/11484/image006.gif" v:shapes="_x0000_i1025"> <img src="/cache/referats/11484/image008.gif" v:shapes="_x0000_i1026">
<img src="/cache/referats/11484/image006.gif" v:shapes="_x0000_i1027"> Точки, образующиепредставленный на графике тренд, достаточно сильно разбросаны, что более близкок реальной действительности, чем в предыдущем примере.
1999 г.
2000 г.
2001 г.
Итого
Среднее
Сезонная компонента
1 кв.
1,0168
1,0328
2,0496
0,6832
0,912225
2 кв.
0,9255
0,9182
1,8437
0,6146
0,843592
3 кв.
1,0302
1,0242
2,0544
0,6848
0,913825
4 кв.
1,0845
1,1199
1,0996
3,304
1,1013
1,330358
Сумма
3,0839
4
0,9161
0,229
Фактический объем расходов
Сезонная компонента
Десезонолизированный объем продаж
Y
S
Y/S
1 кв. 1999 г.
24518
0,912225
26877,14106
2 кв. 1999 г.
23778
0,843591667
28186,62267
3 кв. 1999 г.
25143
0,913825
27514,02074
4 кв. 1999 г.
27622
1,330358333
20762,82706
1 кв. 2000 г.
26149
0,912225
28665,07715
2 кв. 2000 г.
24123
0,843591667
28595,58831
3 кв. 2000 г.
27580
0,913825
30180,83331
4 кв. 2000 г.
30854
1,330358333
23192,2477
1 кв. 2001 г.
29147
0,912225
31951,54704
2 кв. 2001 г.
26478
0,843591667
31387,22328
3 кв. 2001 г.
30159
0,913825
33003,03669
4 кв. 2001 г.
33149
1,330358333
24917,34683
1 кв. 2002 г.
32451
0,912225
35573,46049
<img src="/cache/referats/11484/image010.gif" v:shapes="_x0000_s1031">
Расчет ошибок
Ошибки прогнозируемых объемов расходоврасчитывают по формуле:
E=A/(T*S)
Объем расходов
Сезонная компонента
Тренд
Ошибка
1 кв. 1999 г.
24518
0,912225
26877,1411
1
2 кв. 1999 г.
23778
0,84359167
28186,6227
1
3 кв. 1999 г.
25143
0,913825
27514,0207
1
4 кв. 1999 г.
27622
1,33035833
20762,8271
1
1 кв. 2000 г.
26149
0,912225
28665,0771
1
2 кв. 2000 г.
24123
0,84359167
28595,5883
1
3 кв. 2000 г.
27580
0,913825
30180,8333
1
4 кв. 2000 г.
30854
1,33035833
23192,2477
1
1 кв. 2001 г.
29147
0,912225
31951,547
1
2 кв. 2001 г.
26478
0,84359167
31387,2233
1
3 кв. 2001 г.
30159
0,913825
33003,0367
1
4 кв. 2001 г.
33149
1,33035833
24917,3468
1
1 кв. 2002 г.
32451
0,912225
35573,4605
1
Можно предположить, что величина ошибки второгопрогноза будет несколько ниже чем первого.
3. Прогноз методом скользящей средней и экспоненциальногосглаживания.
Для предсказаний значений временногоряда можно использовать более простую методику.
При расчете скользящей средней Ytnp c(m) все m значений параметра Y за m моментов времениучитываются с одинаковым весовым коэффициентом 1/m что не всегда обосновано. Для прогнозирования технико – экономическихтрендов момент времени, в котором наблюдалось значение параметра Y, играет решающее значение. Естественно предположить,что зависимость во временных рядах постепенно ослабевает с увеличением периодамежду двумя соседними точками. Так, если зависимость прогнозируемою параметра Yt представляется болеесильной от значения Yt-1, чем от Yt-s то
наблюдениямвременного ряда следует придавать веса, которые должны уменьшаться но мереудаления oт фиксированного моментавремени t. Это обстоятельствоучитывается в методе экспоненциального сглаживания. Таким образом, привычислении.ко экспоненциальной средней используются лишь предшествующаяэкспоненциальная средняя и последнее наблюдение, а все предыдущие наблюдения игнорируются.
Например, пусть необходимо дать прогноз для t-=8 но данным следующего временного ряда: 1) методомскользящей средней для m=3, m =4$ 2) методом экспоненциального о сглаживаниядля <img src="/cache/referats/11484/image012.gif" v:shapes="_x0000_i1028">
1 кв. 1999 г.
24518
2 кв. 1999 г.
23778
3 кв. 1999 г.
25143
4 кв. 1999 г.
27622
1 кв. 2000 г.
26149
2 кв. 2000 г.
24123
3 кв. 2000 г.
27580
4 кв. 2000 г.
30854
1 кв. 2001 г.
29147
2 кв. 2001 г.
26478
3 кв. 2001 г.
30159
4 кв. 2001 г.
33149
1 кв. 2002 г.
32451
Метод скользящей среднейY14пр с(3) =(30159+33149+32451)/3=31919,67
Y14пр с (13) = (24518+23778+25143+27622+26149+24123+27580+30854+29147+26478+30159+33149+32451)/13 = 27780,846
Метод экспоненциального сглаживания
0,2
погрешность
1 кв. 1999 г.
24518
#Н/Д
#Н/Д
2 кв. 1999 г.
23778
23778
#Н/Д
3 кв. 1999 г.
25143
24870
#Н/Д
4 кв. 1999 г.
27622
27071,6
#Н/Д
1 кв. 2000 г.
26149
26333,52
1851,838704
2 кв. 2000 г.
24123
24565,1
2106,426154
3 кв. 2000 г.
27580
26977,02
2223,149967
4 кв. 2000 г.
30854
30078,6
3109,499653
1 кв. 2001 г.
29147
29333,32
2886,08454
2 кв. 2001 г.
26478
27049,06
2831,47259
3 кв. 2001 г.
30159
29537,01
2496,160001
4 кв. 2001 г.
33149
32426,6
3207,855423
1 кв. 2002 г.
32451
<img src="/cache/referats/11484/image014.gif" v:shapes="_x0000_i1029">
0,6
погрешность
1 кв. 1999 г.
24518
#Н/Д
#Н/Д
2 кв. 1999 г.
23778
23778
#Н/Д
3 кв. 1999 г.
25143
24324
#Н/Д
4 кв. 1999 г.
27622
25643,2
#Н/Д
1 кв. 2000 г.
26149
25845,52
2081,334719
2 кв. 2000 г.
24123
25156,51
2167,926259
3 кв. 2000 г.
27580
26125,91
1741,283327
4 кв. 2000 г.
30854
28017,14
3224,65661
1 кв. 2001 г.
29147
28469,09
3136,065979
2 кв. 2001 г.
26478
27672,65
3032,922749
3 кв. 2001 г.
30159
28667,19
1951,31804
4 кв. 2001 г.
33149
30459,91
3174,532132
1 кв. 2002 г.
32451
<img src="/cache/referats/11484/image016.gif" v:shapes="_x0000_i1030">
рис. 8.
Число членовскользящей средней m и параметр -экспоненциального сглаживания (<img src="/cache/referats/11484/image012.gif" v:shapes="_x0000_i1031"> определяетсястатистикой исследуемою процесса. Чем мень-ше m и чем больше <img src="/cache/referats/11484/image012.gif" v:shapes="_x0000_i1032">peaгирует пpoгноз на колебания временного ряда, инаоборот, чем больше m и чем меньше <img src="/cache/referats/11484/image012.gif" v:shapes="_x0000_i1033">m или <img src="/cache/referats/11484/image012.gif" v:shapes="_x0000_i1034"> затем определитьсреднюю ошибку прогнозов и выбрать параметр, соответствующий минимальной ошибке.