Vývoj stochastických předpovědních modelů založených na kvantitativní interpretaci metod technické analýzy Natalya Aleksandrovna Aleynikova.
480 rublů. | 150 UAH | $7,5", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Disertační práce - 480 RUR, doručení 10 minut 24 hodin denně, sedm dní v týdnu a svátky
240 rublů. | 75 UAH | 3,75 $, MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Abstrakt - 240 rublů, doručení 1-3 hodiny, od 10-19 (moskevského času), kromě neděle
Aleynikova Natalya Alexandrovna. Vývoj stochastických předpovědních modelů založených na kvantitativní interpretaci metod technické analýzy: disertační práce... kandidát fyzikálních a matematických věd: 18. 5. 13.- Voroněž, 2003.- 123 s.: ill. RSL OD, 61 03-1/869-7
Úvod
Kapitola 1. Analýza existujících přístupů k budování prognostických modelů
1.1. Definice, klasifikace a požadavky na prognózy
1.2. Analýza metod pro konstrukci předpovědních modelů
1.2.1. Základní přístupy
1.2.2. Ekonometrická (fundamentální) analýza
1.2.3. Technická analýza
1.2.4. Stochastická simulace
1.2.5. Hlavní výhody a nevýhody prognostických přístupů
1.3. Závěry, stanovení cíle a cílů studie
Kapitola 2. Tvorba předpovědních modelů pomocí indikátorů technické analýzy
2.1. Teoretické zdůvodnění použití indikátorů technické analýzy v modelu stochastického modelování
2.1.1. Model klouzavého průměru a fáze zavádění indikátoru TA do modelu
2.1.2. Model klouzavého průměru a indikátor klouzavého průměru
2.1.3. Model klouzavého průměru a indikátor exponenciálního klouzavého průměru
2.1.4. Model klouzavého průměru a indikátor hybnosti
2.2. Konstrukce podmíněného pravděpodobnostního indikátorového modelu
2.2.1. Aproximace podmíněného rozdělení pravděpodobnosti náhodné veličiny A,
2.2.2. Konstrukce empirických rozdělení pravděpodobnosti hodnoty hn+l
2.2.3. Aproximace empirického podmíněného rozdělení pomocí teoretických zákonů 54
2.2.4. Použití normálního rozdělení při odhadu rozdělení podmíněné pravděpodobnosti
2.2.5. Použití normálního a Paretova rozdělení při odhadu podmíněné funkce hustoty pravděpodobnosti 57
2.2.6. Použití Paretova a rovnoměrného rozdělení při odhadu podmíněné funkce hustoty pravděpodobnosti 63
2.2.7. Formulace požadavků na rozsah aplikace prediktivního modelu UVIM
2.3. Závěry 66
Kapitola 3. Implementace modelů prognóz 68
3.1. Popis metodiky testování výkonnosti prognostických modelů
3.1.1. Etapy testování výkonnosti modelů IMS
3.1.2. Etapy testování funkčnosti modelu UVIM
3.1.3. Praktické testování výkonnosti modelu IMS
3.1.4. Stručná charakteristika globálního komoditního futures trhu
3.1.5. Praktické testování funkčnosti modelu UVIM
3.1.6. Aproximace empirického podmíněného rozdělení pomocí teoretických zákonů
3.2. Informační a analytický subsystém "IS-Trader"
3.2.1. Obecný popis "IS-Trader" 100
3.2.2. Sekce „Analýza světového trhu s cukrem a prognóza jeho vývoje“
3.3. závěry
Závěr
Literatura
Aplikace
Hlavní výhody a nevýhody prognostických přístupů
Obecně je prognóza obvykle chápána jako vědecky podložený úsudek, pravděpodobnostní povahy, o možných stavech studovaného objektu (jevu) v budoucnosti nebo o způsobech a načasování dosažení určitých cílů a výsledků. Forecasting je proces vývoje předpovědí s cílem předpovídat dynamiku změn objektů (jevů) v blízké nebo vzdálené budoucnosti.
Uveďme si následující klasifikaci předpovědí, na základě které v budoucnu přesněji určíme místo, které naše předpověď zabírá. Prognózy se dělí podle těchto parametrů: Podle použité metodiky a) U normativní prognózy se formuluje požadovaný stav, cíl, výsledek, kterého má být v budoucnu dosaženo. Předmětem prognózování jsou cesty a směry možného vývoje vedoucí k realizaci vytyčeného cíle; b) Výzkumné prognózy jsou založeny na studiu trendů změn objektu v čase a rozšíření nalezeného vztahu do budoucnosti. Při použití výzkumného přístupu se předpokládá, že prvky budoucího vývoje jevů jsou zasazeny do faktů reality a vzorců minulosti; c) Integrovaná prognóza kombinuje prvky předchozích dvou přístupů; Charakterem vztahu prognózy ke stavu objektu prognózy: a) Podmíněná (aktivní) prognóza umožňuje posoudit možné směry vývoje a jejich důsledky s přihlédnutím k vlivu exogenních (vnějších) a endogenních (vnitřních). , působící v rámci prognózovaného systému) faktory; b) nepodmíněná (pasivní) předpověď charakterizuje budoucí vývoj v důsledku setrvačného pohybu, jehož vzorce se utvářely v minulosti i současnosti; Podle míry rozptylu prognostických odhadů: a) Bodová předpověď popisuje možný stav objektu pomocí jednoznačně stanovené číselné hodnoty; b) Intervalová předpověď charakterizuje stav objektu ve formě sady číselných hodnot obsažených v určitém intervalu. Úloha konstrukce předpovědních modelů je poměrně složitá, protože při jejím řešení je nutné vzít v úvahu vlastnosti modelovaného objektu a podmínky, ve kterých objekt funguje. Práce zkoumá objekty, jejichž chování nelze předem předvídat, protože závisí na mnoha náhodných faktorech a hlavní problém spočívá v nemožnosti změřit všechny tyto faktory a také předpovědět, který faktor bude mít v té či oné době největší dopad. Pokusy ponořit se do vztahů příčiny a následku mezi vnějšími faktory a chováním objektu mohou výzkumníka dovést co nejdále od konkrétní změny stavu objektu. Úkol je komplikován skutečností, že i když „dnes“ pochopíme důvody, které vedly k určitému stavu objektu, „zítra“ existuje riziko získání zcela nové reality, kde mohou hrát hlavní roli jiné síly a faktory. role, která vytvoří sérii událostí, která není podobná té předchozí. Nejvýraznějším příkladem takových předmětů jsou ceny na finančních a komoditních burzách po celém světě. Pojďme formulovat počáteční požadavky na předpovědní modely. Za prvé je nutné z modelu vyloučit vliv vnějších faktorů, kterých může být velmi mnoho a které nelze vždy měřit; za druhé využít informace o chování objektu v předchozích obdobích v matematických prognostických modelech; za třetí je nutné, aby model zohledňoval nejistotu v chování objektu; za čtvrté, v souladu s výše uvedenou klasifikací musí být předpověď průzkumná, pasivní, model musí umožňovat intervalové a bodové odhady predikovaných hodnot. Pojďme si rozebrat hlavní rysy stávajících a nejběžnějších přístupů k prognózování, poukázat na výhody a nevýhody jednotlivých přístupů z pohledu formulovaných požadavků. Existuje mnoho přístupů k předpovídání dynamiky objektů. Odborníci se snaží předpovídat další vývoj událostí pomocí matematických a statistických metod a modelů, které navrhují, studují vzorce, snaží se vzít v úvahu vliv mnoha různých faktorů, které mohou ovlivnit chování objektu, a nakonec se dokonce uchylují k intuici. . Tento článek pojednává pouze o metodách kvantitativního předpovídání. Hlavní kvantitativní metody pro konstrukci předpovědních modelů lze rozdělit do tří skupin: a) Ekonometrická (fundamentální) analýza Termín „ekonometrie“ zavedl již v roce 1926 norský ekonom a statistik Ragnar Fischer. V doslovném překladu tento termín znamená „měření v ekonomii“. Hlavním účelem ekonometrie je modelový popis konkrétních kvantitativních vztahů, které mezi analyzovanými ukazateli existují. Popisu ekonometrických metod se věnuje např. celá řada literatury. b) Technická analýza (TA) TA se používá na různých finančních a komoditních trzích (burzách) a je založena na hypotéze, že tržní ceny jsou odrazem přání a jednání všech účastníků trhu a všech faktorů (zásadních, politických, psychologických) ovlivňování trhu cena se ve skutečnosti odráží v něm samotném. Metody TA lze využít jako zdroj dalších informací pro prognózování nejen cen, ale i dalších objektů (jejichž charakteristiky v čase kolísají a mají stavy otevřeno, zavřeno, maximum a minimum). TA je nejméně matematický, ale spoléhá na obrovský praktický materiál nashromážděný srovnávači (účastníky trhu) za téměř 100 let. Historicky se klasická TA vyvíjela následovně. Zpočátku, když počítačová technologie v přírodě ještě neexistovala a nikdo se kvůli složitosti výpočtů nepokusil používat matematické metody k analýze dynamiky cen, kreslili účastníci trhu, zejména obchodníci, grafy, na kterých byly vykresleny přímky. Později byly nalezeny vzory ve vztahu mezi těmito čarami a cenovými grafy. Tak vznikly trendové linie, vzory a postavy. Pak vyvstala potřeba ustoupit od přímosti trendových čar a modelů a obchodníci, rovněž ručně, začali počítat průměrné ceny, které byly úspěšně použity pro analýzu. A již s příchodem výpočetní techniky bylo možné vypočítat a aplikovat metody oscilační analýzy trhu.
Model klouzavého průměru a indikátor exponenciálního klouzavého průměru
Je zřejmé, že k sestavení prediktivního modelu, který splňuje požadavky formulované v 1.1, je nutné kombinovat vlastnosti každého z přístupů. K vytvoření vhodného prognostického modelu, který bere v úvahu nejistotu, můžete použít existující techniky pro vytváření takových modelů v ekonometrii a stochastickém modelování. Zároveň je ale důležité, aby byl dodržen požadavek nezávislosti výstupních dat prognózy na měření hodnot externích náhodných faktorů. Pro splnění této podmínky se navrhuje jako nejvhodnější použít stochastický přístup. Podle následujícího požadavku - extrahování dalších informací nezbytných pro prognózu z chování samotné predikované hodnoty - použijeme indikátorové metody technické analýzy.
Proto je navrženo sestavit prognostický model v rámci stochastického přístupu s využitím indikátorů TA. Tato kombinace dvou přístupů se zdá být realizovatelná dvěma způsoby. Prvním způsobem je zavést indikátory TA do existujících stochastických modelů modelování (například model klouzavého průměru) a poté studovat dopad, který mají indikátory na prediktivní výkon modelu. Druhým způsobem je vytvoření nového modelu v rámci pravděpodobnostního prostoru (1.4), nesouvisejícího s existujícími modely, s využitím indikátorů TA jako zdrojů dalších informací.
Je třeba poznamenat, že vzhledem k tomu, že model je pouze idealizací reálného světa, v níž jsou vztahy mezi reálnými prvky, které výzkumníka zajímají, nahrazeny vhodnými vztahy mezi matematickými kategoriemi, je nutné vyvinout speciální techniku, která bude slouží ke kontrole výkonu modelu na konkrétních reálných a testovacích datech, což zahrnuje řadu kritérií pro hodnocení kvality prognózy.
Pro automatizaci konstrukce prognózy pomocí kombinace metod stochastického modelování a technické analýzy je nutné vyvinout softwarový balík. Zároveň bude vzhledem ke specifikům používaných metod vyžadováno velké množství statistických informací. Tento požadavek lze splnit díky existujícím informačním a analytickým centrům, která plní funkce shromažďování, ukládání, zpracování a vydávání informací o aktuálním stavu objektu. Je také důležité vzít v úvahu, že obdržené informace o prognóze musí být zpřístupněny, tedy někde zveřejněny. Proto je nutné v rámci stávajícího informačního a analytického systému vyvinout softwarový balík, který plní výše uvedené funkce.
Z výše uvedeného rozboru existujících přístupů a formulovaných požadavků na prognózování lze vyvodit tyto hlavní závěry: a) Při konstrukci prognostických modelů je nutné vzít v úvahu vlastnosti modelovaného objektu a podmínky, ve kterých objekt funguje. . b) Na předpovědní model je předkládána řada požadavků, spočívající v jeho nezávislosti na přímém měření hodnot mnoha vnějších náhodných faktorů, výpočtu předpovědních hodnot na základě informací o chování objektu v předchozím období s přihlédnutím k nejistotě a konečně, že předpověď získaná pomocí modelu by měla být průzkumná, pasivní, umožňovat intervalové a bodové odhady predikovaných hodnot. c) Analýza existujících metod pro konstrukci modelů cenové prognózy ukázala, že žádný z přístupů ve své čisté podobě nevede ke konstrukci prognostického modelu, který splňuje formulované požadavky. K dosažení požadavků je nutné použít kombinaci několika přístupů, z nichž nejvhodnější jsou stochastické modelování a indikátorová technická analýza. d) Kombinaci dvou prognostických přístupů lze provést dvěma způsoby. První metodou je zavedení indikátorů TA do existujících modelů stochastického modelování a následné studium vlivu indikátorů na prediktivní účinnost modelu. Druhým způsobem je vytvoření nového modelu v rámci Kolmogorovova pravděpodobnostního prostoru s využitím indikátorů TA jako zdrojů dalších informací. e) K sestavení prognózy pomocí kombinace metod stochastického modelování a technické analýzy je zapotřebí velké množství statistických informací. Pro splnění tohoto požadavku je nezbytná existence informačních a analytických center, která plní funkce shromažďování, uchovávání, zpracovávání a vydávání informací o aktuálním stavu objektu. Tato centra musí také zajistit zveřejnění prognózy. f) V rámci stávajícího informačního a analytického centra je nutné vyvinout softwarový balík pro implementaci předpovědních modelů. Na základě zjištěných skutečností je formulován účel disertační práce. Cílem práce je vytvořit stochastické prognostické modely založené na kvantitativní interpretaci metod technické analýzy a vyvinout sadu programů jako nástroje pro podporu rozhodování řídících subjektů. K dosažení tohoto cíle je nutné vyřešit následující úkoly: 1. Teoreticky zdůvodněte použití některých indikátorů technické analýzy v existujících stochastických modelovacích modelech. Sestavte model pro predikci chování studovaného objektu na základě modelu stochastického modelování s využitím indikátorů technické analýzy jako zdroje dalších informací. 2. Sestavit podmíněný pravděpodobnostní indikátorový model pro predikci chování studovaného objektu, který splňuje požadavky univerzálnosti v použití typů a počtu indikátorů technické analýzy, a také vyvinout algoritmus pro získávání prediktivních odhadů pomocí tohoto modelu.
Použití normálního a Paretova rozdělení při odhadu podmíněné funkce hustoty pravděpodobnosti
Práce navrhuje použít metodiku pro testování výkonnosti prognostických modelů IMSS (kap. 2, odstavec 1) a UVIM (kap. 2, odstavec 2) na testovacích a reálných datech, které budou obecně popsány níže. Pro prezentaci této metodiky je vhodné obecné logické schéma studie rozdělit do několika etap.
V první fázi probíhá sběr nebo generování počátečních statistických informací a také prezentace (seskupení) počátečních dat ve formě vhodné pro další modelování.
V další fázi je nutné se ujistit, že statistická data splňují podmínky modelu (viz kapitola 2, odstavec 1.6). Každý z navrhovaných prognostických modelů má skutečně svou vlastní oblast použití. Připomeňme, že ve druhé kapitole byly předloženy dva předpoklady o chování objektu. První ukládal omezení na chování objektu, předpokládalo se, že podléhá modelu klouzavého průměru. V tomto ohledu vyvstaly požadavky na zákon o rozdělení cen. V praxi se budeme zabývat pouze náhodnými vzorky z nějaké obecné populace, jejichž empirické charakteristiky se mohou lišit od teoretických charakteristik celé populace. V důsledku toho se může stát, že predikční model je použit na datech, na která se jednoduše nevztahuje.
Druhý předpoklad nespojoval chování objektu s žádným známým modelem (i když to nevylučoval), ale vyžadoval, aby existovaly dostatečně velké statistiky o čtyřech typech stavů objektu – otevření, zavření, minimum a maximum. Proto je ve druhé fázi metodiky nutné zkontrolovat, do jaké míry vzorek splňuje všechny výchozí požadavky modelu.
Každý model dále obsahoval řadu teoretických ustanovení (kapitola 2, důsledky vět 1 a 2, věta 3, návrhy na „slepení“ několika distribučních zákonů k aproximaci empirických podmíněných rozdělení získaných pomocí modelu UVIM), jejichž testování v praxi bude třetí etapou techniky.
Ve čtvrté fázi je nutné uvést, které hodnoty budeme považovat za prognózu. Jako prediktivní hodnotu můžete zvolit matematické očekávání, nebo, pokud je neznámé, odhad matematického očekávání – výběrový průměr. Předpovězené hodnoty mohou být také přírůstky s maximálními frekvencemi ve vzorku (režim vzorkování). V případě modelu IMSS, kdy jsou přírůstky rozloženy podle zákona normálního rozdělení, jsou v důsledku symetrie zákona matematické očekávání a modus navzájem rovny. O kolik lepší byla prognóza získaná pomocí určitých dat, lze posoudit procházením další fáze metodiky.
Poslední (pátá) etapa je spojena s nutností posouzení kvality prognózy získané pomocí modelu. Je třeba poznamenat, že často se pro studium kvality prognózy omezují na zobrazení grafů reálných a prognózovaných dat a závěr o kvalitě prognózy vyplývá z jednoduchého srovnání těchto grafů. Taková studie je značně subjektivní. Práce navrhuje použít kvantitativní atribut (kritérium) míry podobnosti předpovědních a skutečných hodnot. Zároveň musí vzít v úvahu několik faktorů najednou, kterými se posuzuje přesnost prognózy (při pohledu na graf skutečných a prognózovaných hodnot si výzkumníci a analytici tyto faktory intuitivně všímají). Za prvé je žádoucí, aby prognóza a skutečná data vzájemně korelovaly. To znamená, že pokud se například skutečná hodnota posune nahoru, pak by se měla nahoru posunout i nalezená predikovaná hodnota. Ale v tomto případě je situace znázorněná na obr. 3.1, kdy se skutečné a prognózované hodnoty i přes podobnost směrů jejich změn hodnotově výrazně liší. Proto je také nutné vzít v úvahu míru nesouladu mezi nimi.
Další faktor, kterým se posuzuje kvalita prognózy, souvisí s konceptem intervalu spolehlivosti. Faktem je, že v kvalitě asi Grafy pohybu předpovědí a reálných hodnot. prediktivní hodnotu, můžete vzít bodový odhad matematického očekávání a náhodnou veličinu - výběrový průměr x. Ale protože je tento odhad získán ze vzorku, je to také náhodná veličina a může se výrazně lišit od matematického očekávání obecné populace. Pro představu o přesnosti a spolehlivosti odhadu x je pro matematické očekávání zkonstruován interval spolehlivosti: kde y je pravděpodobnost spolehlivosti - pravděpodobnost, že / pokryje neznámou hodnotu matematického očekávání, /?! (x),...,xn), / 32(x],...,xn) - hranice intervalu (konstruované ze vzorku, jsou náhodné veličiny, D (xj,..., xn) / ?2 (xi xn)) se zjistí za podmínky, že pravděpodobnost shody neznámého matematického očekávání av 1y je poměrně velká: Je zřejmé, že čím menší je délka intervalu spolehlivosti, tím lepší je odhad intervalu. A protože hranice intervalu spolehlivosti přímo závisí na rozptylu, pokud se ukáže, že se rozptyl predikované hodnoty po aplikaci modelu snížil, pak můžeme předpokládat, že použití modelu zlepšuje kvalitu prognózy. Na základě výše uvedeného se navrhuje zavést vektorové kritérium pro hodnocení kvality prognózy, které zahrnuje tři složky:
První složka q]f, pomocí které se studuje přesnost prognózy, představuje míru těsnosti souvislosti (korelace) mezi změnami prognózy a skutečnými hodnotami. K formalizaci tohoto kritéria můžete použít indikátor regresní analýzy, jako je korelační koeficient. Před použitím tohoto indikátoru je však nutné zavést některé další předpoklady o regresním vztahu mezi predikovanými a skutečnými hodnotami. Vzhledem k tomu, že skutečné hodnoty při testování modelu jsou nám známy předem, můžeme s použitím ekonometrické terminologie zacházet se skutečnými údaji jako s vysvětlujícími proměnnými a s predikovanými hodnotami jako s vysvětlenými proměnnými za předpokladu, že tyto proměnné spolu souvisí nějaký vztah y = f(y)+ є , například lineární, který lze popsat pomocí vzorce
Aproximace empirického podmíněného rozdělení pomocí teoretických zákonů
Nejběžnějším a nejpohodlnějším způsobem dovozu zboží, včetně cukru, je nákup zboží na světových futures burzách v rámci futures kontraktů. Futures kontrakt je právně závazný závazek dodat nebo přijmout určité množství určité komodity za dohodnutou cenu v určený den (nebo dny) v budoucnosti. Futures kontrakt stanoví „nyní“ cenu a podmínky transakce, která se uskuteční v budoucnu. Předměty futures kontraktů mohou být zemědělské produkty (cukr, živý skot atd.), ropa, hliník, zlato atd., ale i různé finanční nástroje (směnky, dluhopisy, měna atd.). Největší futures burzy jsou Chicago Mercantile Exchange (CME - Chicago Mercantile Exchange), London International Financial Futures Exchange (LIFFE - London International Financial Futures Exchange), New York Mercantile Exchange (CSCE nebo NYMEX - New-York Mercantile Exchange). Popularita futures burz je způsobena řadou důvodů, z nichž nejdůležitější jsou uvedeny níže: futures burza je tradiční komoditní trh se stoletou historií; futures kontrakty pomáhají vyhnout se riziku změn ceny komodity; informace o cenách futures jsou distribuovány přes internet (například síť Reuters Monitor); obchodování na futures burze lze nyní provádět přes internet (například pomocí systémů Reuters Dealing 2000 a Quotron FX Trader). Nutno podotknout, že termínový trh má díky své oblibě mezi dovozci významný dopad na ruský komoditní trh. To se mimo jiné projevuje v závislosti ruských cen cukru na světových futures cenách surového cukru. Cena na domácím ruském trhu s cukrem je zpravidla tvořena domácí produkcí a nákupy na mezinárodních termínových burzách.
Chování cen na futures trhu včetně cukru nelze předem předvídat. Ceny na světovém trhu s cukrem jsou nestabilní, neustále kolísají v závislosti na rovnováze nabídky a poptávky, která se na trhu s cukrem ustavuje nikoli podle striktně platných zákonů, ale v důsledku konkurence mezi účastníky trhu. Navíc, i když je mezi stranami dosaženo „kompromisní dohody“, kde někteří účastníci trhu vždy „požadují příliš mnoho“, zatímco jiní „nabízejí příliš málo“, bude to velmi nestabilní a nepředvídatelné.
Ale účastníci futures trhu, jako je stát, obchodní společnosti, obchodníci, pro úspěšnou a efektivní práci, plánování, pro správnou a kompetentní regulaci dovozu zboží, pro získání co největšího zisku, alespoň částečné snížení nejistoty a rizika, je nutné předem předvídat, jaká bude situace na trhu futures, aby bylo možné kvalitativně nebo kvantitativně určit míru pravděpodobnosti konkrétního výsledku situace. K tomu potřebujeme speciální nástroje a metody, které nám umožní získat rozumné a co nejpřesnější předpovědi chování tržních cen, potřebujeme včas shromážděné spolehlivé informace o stavu trhu. Kompetentní a informovaná prognóza snižuje rizika chybných rozhodnutí ze strany účastníků trhu.
V zemích s vyspělou tržní ekonomikou a v poslední době i u nás (s čímž souvisí nárůst objemu dovozu zboží) vznikají speciální informační a analytická centra, která plní funkce shromažďování, uchovávání, zpracovávání a vydávání informací o aktuální stav trhů zboží nezbytný pro další posuzování a prognózování podmínek tržních subjektů. Příkladem takovýchto informačních a analytických center na trhu s cukrem je informační systém „Russion Sugar“ společnosti Stele, informační a analytický systém „Informsahar“. Údaje shromážděné, zpracovávané a analyzované těmito centry jsou zveřejňovány v médiích a také na speciálních stránkách na internetu. Takováto analytická centra věnují s rozvojem za účelem podpory rozhodování stále větší pozornost rozvoji informačních technologií v podobě ekonomických a matematických modelů a metod. Zvláštní pozornost je věnována úlohám prognózování tržního chování a tržních cen. Provedená analýza ukázala, že prognostické metody v cukrovarnickém průmyslu nejsou dostatečně rozvinuté. Uveďme si podmínky, za kterých je model prognózy postaven: a) Obchodování na futures burzách probíhá každý den kromě soboty a neděle. b) Cenové informace jsou pravidelně zveřejňovány v časopisech a na internetu a jsou přístupné všem účastníkům trhu. c) V analytických střediscích na internetu jsou k dispozici speciální archivy obsahující velké objemy údajů o cenách za předchozí období, což umožňuje využití statistických metod zpracování informací. d) Zveřejněné cenové údaje zahrnují informace o maximálních, minimálních cenách, dále otevírací a zavírací ceny, ceny v rámci jednoho dne, denní ceny, týdenní, měsíční průměry atd. Ceny futures tedy splňují všechny podmínky modelu UVIM uvedené v kapitole 2, odstavec 2.7.
Koževnikov, Alexandr Sergejevič
Ve světové praxi se používá více než dvě stě prognostických metod, v domácí vědě - ne více než dvacet. V úvodu bylo uvedeno, že budou zváženy metody finančního prognózování, které se rozšířily ve vyspělých zahraničích.
V závislosti na typu použitého modelu lze tedy všechny metody prognózování rozdělit do tří velkých skupin (viz obrázek 1):
Metody odborného posouzení, které zahrnují vícestupňové šetření odborníků podle speciálních schémat a zpracování získaných výsledků pomocí nástrojů ekonomické statistiky. Jedná se o nejjednodušší a nejoblíbenější metody, jejichž historie sahá více než tisíc let. Aplikace těchto metod v praxi obvykle zahrnuje využití zkušeností a znalostí obchodních, finančních a výrobních manažerů podniku nebo vládní agentury. To obvykle zajišťuje, že rozhodnutí je učiněno nejjednodušším a nejrychlejším způsobem. Nevýhodou je snížení nebo úplná absence osobní odpovědnosti za provedenou předpověď. Expertní posouzení se používají nejen k predikci hodnot ukazatelů, ale také v analytické práci, například k vývoji váhových koeficientů, prahových hodnot kontrolovaných ukazatelů atd.
Stochastické metody, což naznačuje pravděpodobnostní charakter prognózy a vztah mezi studovanými indikátory. Pravděpodobnost získání přesné prognózy se zvyšuje s počtem empirických dat. Tyto metody zaujímají vedoucí postavení z hlediska formalizovaného předpovídání a výrazně se liší ve složitosti použitých algoritmů. Nejjednodušším příkladem je studium trendů v objemech prodeje analýzou temp růstu ukazatelů prodeje. Výsledky prognóz získané statistickými metodami podléhají vlivu náhodných výkyvů v datech, což může někdy vést k vážným chybným výpočtům.
Stochastické metody lze rozdělit do tří typických skupin, které budou vyjmenovány níže. Volba metody pro předpovídání konkrétní skupiny závisí na mnoha faktorech, včetně dostupných výchozích dat.
První situace- přítomnost časové řady - v praxi se vyskytuje nejčastěji: finanční manažer nebo analytik má k dispozici data o dynamice ukazatele, na základě kterých je nutné sestavit přijatelnou prognózu. Jinými slovy, mluvíme o identifikaci trendu. To lze provést různými způsoby, mezi hlavní patří jednoduchá dynamická analýza a analýza pomocí autoregresních závislostí.
Druhá situace- přítomnost prostorového agregátu - nastává, pokud z nějakého důvodu neexistují žádné statistické údaje o indikátoru nebo existuje důvod se domnívat, že jeho hodnota je určena vlivem určitých faktorů. V tomto případě lze použít vícerozměrnou regresní analýzu, která je rozšířením jednoduché dynamické analýzy na případ s více proměnnými.
Rýže. 1 . Klasifikace metod prognózování finanční situace podniku
Třetí situace- přítomnost časoprostorového agregátu - nastává v případě, kdy: a) dynamické řady nemají dostatečnou délku pro sestavení statisticky významných předpovědí; b) analytik hodlá v prognóze zohlednit vliv faktorů, které se liší ekonomickým charakterem a jejich dynamikou. Počáteční data jsou matice ukazatelů, z nichž každá představuje hodnoty stejných ukazatelů pro různá období nebo pro různá po sobě jdoucí data.
Deterministické metody, které předpokládají přítomnost funkčních nebo striktně určených souvislostí, kdy každá hodnota faktorové charakteristiky odpovídá dobře definované nenáhodné hodnotě výsledné charakteristiky. Jako příklad můžeme uvést závislosti implementované v rámci známého modelu faktorové analýzy společnosti DuPont. Pomocí tohoto modelu a nahrazením prognózovaných hodnot různých faktorů, jako jsou tržby z prodeje, obrat aktiv, stupeň finanční závislosti a další, můžete vypočítat prognózovanou hodnotu jednoho z hlavních ukazatelů výkonnosti - ukazatel rentability vlastního kapitálu. .
Dalším velmi názorným příkladem je forma výkazu zisku a ztráty, což je tabulková implementace striktně stanoveného faktorového modelu, který propojuje výsledný atribut (zisk) s faktory (výnosy z prodeje, výše nákladů, výše daňových sazeb atd.). ). A na úrovni státní finanční prognózy je faktorovým modelem vztah mezi objemem vládních příjmů a daňovým základem nebo úrokovými sazbami.
Zde nelze nezmínit další skupinu metod finančního prognózování na mikroúrovni, založené na konstrukci dynamických podnikových simulačních modelů. Mezi takové modely patří údaje o plánovaných nákupech materiálů a komponentů, objemech výroby a prodeje, struktuře nákladů, investiční aktivitě podniku, daňovém prostředí atd. Zpracování těchto informací v rámci jednotného finančního modelu nám umožňuje velmi přesně posoudit předpokládanou finanční situaci společnosti. Ve skutečnosti lze tento druh modelu sestavit pouze pomocí osobních počítačů, které umožňují rychle provést obrovské množství nezbytných výpočtů.
V procesu finančního prognózování se k výpočtu finančních ukazatelů používají specifické metody jako matematické modelování, ekonometrické prognózování, expertní hodnocení, tvorba trendů a vývoj scénářů a stochastické metody.
Matematické modelování umožňuje vzít v úvahu mnoho vzájemně souvisejících faktorů, které ovlivňují ukazatele finanční prognózy, a vybrat si z několika možností pro projekt prognózy, který je nejvíce v souladu s přijatou koncepcí průmyslového, sociálně-ekonomického rozvoje a cílů finanční politiky.
Ekonometrické prognózování na principech ekonomické teorie a statistiky: výpočet předpovědních ukazatelů se provádí na základě koeficientů statistického odhadu s jednou nebo více ekonomickými proměnnými působícími jako předpovědní faktory; umožňuje zohlednit současnou změnu několika proměnných, které ovlivňují ukazatele finanční prognózy. Ekonometrické modely popisují s určitou mírou pravděpodobnosti dynamiku ukazatelů v závislosti na změnách faktorů ovlivňujících finanční procesy. Při konstrukci ekonometrických modelů se využívá matematický aparát regresní analýzy, který dává kvantitativní odhady průměrných vztahů a proporcí, které se v ekonomice během základního období vyvinuly. Pro získání co nejspolehlivějších výsledků jsou ekonomické a matematické metody doplněny odbornými posudky.
Metoda odborného posouzení zahrnuje zobecnění a matematické zpracování odborných posudků na konkrétní problematiku. Účinnost této metody závisí na profesionalitě a způsobilosti odborníků. Takové předpovědi mohou být docela přesné, ale expertní hodnocení jsou subjektivní, závisí na expertových „pocitech“ a ne vždy je možné je racionálně vysvětlit.
Trendová metoda, který předpokládá závislost některých skupin příjmů a výdajů pouze na časovém faktoru, vychází z konstantních temp změn (konstantní trend tempa růstu) nebo konstantních absolutních změn (lineární časový trend). Nevýhodou této metody je, že ignoruje ekonomické, demografické a další faktory.
Vývoj scénáře nevychází vždy z vědeckosti a objektivity, vždy jsou ovlivněny politickými preferencemi, preferencemi jednotlivých úředníků, investorů, vlastníků, ale to nám umožňuje posoudit důsledky realizace určitých politických slibů.
Stochastické metody předpokládat pravděpodobnostní povahu prognózy a vztah mezi použitými údaji a prognózovanými finančními ukazateli. Pravděpodobnost výpočtu přesné finanční prognózy je dána množstvím empirických dat použitých v prognóze.
Metody finančního prognózování se tedy liší v nákladech a objemech poskytovaných finálních informací: čím je metoda prognózování složitější, tím větší jsou náklady s ní spojené a objemy informací získaných s její pomocí.
Přesnost předpovědi
Hlavními kritérii pro hodnocení účinnosti modelu použitého v prognózování jsou přesnost prognózy a úplnost zobrazení budoucího finančního stavu prognózovaného objektu. Otázka přesnosti předpovědi je poněkud složitější a vyžaduje si větší pozornost. Přesnost nebo chyba předpovědi je rozdíl mezi předpokládanými a skutečnými hodnotami. V každém konkrétním modelu tato hodnota závisí na řadě faktorů.
Historická data použitá při vývoji prognostického modelu jsou nesmírně důležitá. V ideálním případě je žádoucí mít velké množství dat za významné časové období. Kromě toho musí být použité údaje „typické“ z hlediska situace. Stochastické předpovědní metody využívající aparát matematické statistiky kladou velmi specifické požadavky na historická data, pokud tyto požadavky nejsou splněny, nelze zaručit přesnost předpovědi. Údaje musí být spolehlivé, srovnatelné, dostatečně reprezentativní, aby prokázaly vzorce, homogenní a stabilní.
Přesnost předpovědi jednoznačně závisí na správné volbě předpovědní metody v konkrétním případě. To však neznamená, že v každém případě je použitelný pouze jeden model. Je možné, že v některých případech několik různých modelů poskytne relativně spolehlivé odhady. Hlavním prvkem každého prognostického modelu je trend nebo linie hlavní tendence řady. Většina modelů předpokládá, že trend je lineární, ale tento předpoklad není vždy konzistentní a může negativně ovlivnit přesnost prognózy. Na přesnost předpovědi má vliv i použitá metoda k oddělení sezónních výkyvů od trendu – sčítání nebo násobení. Při použití regresních metod je nesmírně důležité správně identifikovat vztahy příčin a následků mezi různými faktory a tyto vztahy začlenit do modelu.
Než lze model použít k vytvoření skutečných předpovědí, musí být otestován na objektivitu, aby byla zajištěna přesnost předpovědí. Toho lze dosáhnout dvěma různými způsoby:
Výsledky získané z modelu jsou porovnávány se skutečnými hodnotami po určitou dobu, kdy se objevují. Nevýhodou tohoto přístupu je, že testování „nestrannosti“ modelu může trvat dlouho, protože model lze skutečně testovat pouze po dlouhou dobu.
Model je vytvořen na základě zkrácené sady dostupných historických dat. Zbývající data lze použít pro srovnání s prognózami získanými pomocí tohoto modelu. Tento druh testu je realističtější, protože ve skutečnosti simuluje předpovědní situaci. Nevýhodou této metody je, že z procesu tvorby výchozího modelu jsou vyloučeny nejnovější, a tedy nejvýznamnější ukazatele.
Ve světle výše uvedeného ohledně ověřování modelu je jasné, že za účelem snížení očekávaných chyb bude nutné provést změny ve stávajícím modelu. Takové změny se provádějí po celou dobu aplikace modelu v reálném životě. Průběžná modifikace je možná s ohledem na trend, sezónní a cyklické výkyvy a jakýkoli použitý vztah příčina-následek. Tyto změny jsou následně ověřeny pomocí již popsaných metod. Proces vývoje modelu tedy zahrnuje několik fází: sběr dat, vývoj výchozího modelu, verifikace, zpřesňování – a znovu vše na základě průběžného sběru dalších dat, aby byla zajištěna spolehlivost modelu.
Typy předpovědí
Existují tři hlavní typy prognóz: technologická, ekonomická a prognóza prodeje (poptávky).
1. Technologické prognózy pokrývat úroveň rozvoje vědeckotechnického pokroku nebo technologického rozvoje v oblastech, které přímo ovlivňují výrobu, ve které se prognóza provádí. Například společnost, která vyrábí počítače, se zajímá o vyhlídky na rozšíření kapacity paměti na disketách, protože jde o doplňkové produkty pro využití počítačů a podnik, který při výrobě používá škodlivé toxické látky, má zájem vyvíjet technologie pro čištění a recyklaci odpadů.
Rozvoj vědeckého a technického pokroku vede ke vzniku nového zboží a služeb, které zase představují vážnou konkurenci stávajícím podnikům. Dobře provedená prognóza ušetří finanční prostředky a předpovídá vývoj nových technologií, i když vědecké a technické změny neovlivnily výrobu.
2. Ekonomická prognóza umožňuje předvídat budoucí stav ekonomiky, úrokové sazby a další faktory ovlivňující rozvoj jakéhokoli podniku. Rozhodnutí jako: rozšíření nebo snížení výrobní kapacity závisí na výsledcích ekonomické prognózy; uzavírání nových smluv; propouštění nebo přijímání pracovníků atd.
3. Pochopení skutečné úrovně poptávky pro produkty společnosti na konkrétní období v budoucnosti poskytuje předpověď objemu prodeje. Taková předpověď je základem pro plánování a provádění ekonomických kalkulací. Poptávku ovlivňuje mnoho faktorů, jejichž zohlednění lze identifikovat sestavením prognózy objemu prodeje (poptávky). Jako podklad pro budoucí prognózu se používají ukazatele jako úroveň poptávky v předchozím období, demografické změny, změny tržních podílů oborových organizací, dynamika politické situace, intenzita reklamy, konkurence atd. .
Stochastické modelování je forma finančního modelování, která zahrnuje jednu nebo více náhodných proměnných. Účelem takového modelování je vyhodnotit, jak pravděpodobné výsledky spadají do rozsahu předpovědí pro předpovědi podmínek pro různé situace. Jedním příkladem stochastického modelu je simulace Monte Carlo; Při použití pro oceňování portfolia se vyvíjejí různé simulace toho, jak by portfolio mohlo fungovat, na základě pravděpodobnostního rozdělení výnosů jednotlivých akcií.
VYPNĚTE „Stochastickou simulaci“
Stochastické modelování představuje data nebo předpovídá výsledky, z nichž všechny umožňují určitý stupeň nepředvídatelnosti nebo náhodnosti. Stochastické modelování se používá v mnoha průmyslových odvětvích po celém světě, z nichž mnohá závisí na takových modelech pro zlepšení obchodních praktik nebo zvýšení ziskovosti. Například pojišťovnictví se při předpovídání budoucích rozvah společností silně spoléhá na stochastické modelování. Mezi další průmyslová odvětví a oblasti výzkumu, které závisí na stochastickém modelování, patří investování do akcií, statistika, lingvistika, biologie a dokonce i kvantová fyzika.
Pochopení konceptu stochastického modelování
Pro pochopení někdy matoucího konceptu stochastického modelování je užitečné jej porovnat s deterministickým modelováním. Zatímco první poskytuje různé odpovědi, odhady nebo výsledky, deterministické modelování je opakem. V deterministickém modelování obvykle existuje pouze jedno řešení nebo odpověď na problém ve většině elementární matematiky. Deterministické modelování také obvykle diktuje, že existuje pouze jedna sada specifických hodnot. Alternativně lze stochastické modelování přirovnat k přidávání variací ke složitému matematickému problému, abychom viděli jeho účinek na řešení. Tento proces se pak opakuje několika různými způsoby, aby se vytvořila řada řešení.
[Stochastické modelování je výkonná prognostická technika, kterou lze významně ovlivnit investice a implementaci obchodních strategií. Pokud se chcete naučit tento a další typy finančního modelování, podívejte se na Kurz finančního modelování Akademie Investopedia a osvojte si dovednosti pro hodnocení jakéhokoli finančního projektu.]
Stochastické modelování ve světě investic
Stochastické investiční modely se pokoušejí předpovídat změny cen a výnosů aktiv a tříd aktiv, jako jsou dluhopisy a akcie, v průběhu času. V investičním světě lze stochastické modely klasifikovat různými způsoby, mají různé modely pro jednotlivá aktiva a pro více aktiv. Takové modelování se většinou používá pro finanční plánování a pojistně-matematickou práci, což umožňuje investorům a obchodníkům optimalizovat alokaci aktiv a správu aktiv a pasiv.
Důsledky stochastického modelování jsou široké a dalekosáhlé. Důležitost možnosti podívat se na různé výsledky a zohlednit různé proměnné nemá obdoby a v některých odvětvích to může znamenat rozdíl mezi úspěchem nebo neúspěchem společnosti. Protože nové proměnné mohou vstoupit do hry kdykoli a protože počet proměnných, které mohou mít vliv, může být vysoký, jsou stochastické modely někdy spuštěny stovky nebo dokonce tisíckrát, což nabízí potenciální výsledky pro prakticky každou situaci v podnikání, odvětví, může dojít ke kolizi portfolia nebo agentury.
