Adoptive model of forecasting

Самонастраивающаяся рекуррентная модель, способная отражать изменяющиеся во времени динамические свойства временного ряда и учитывать информационную ценность его членов.

Данное направление в прогнозировании особенно актуально в условиях возрастания динамики экономических и бизнес-систем, структурной перестройки экономики и неравномерности развития научно-технического прогресса в различных отраслях, высокой изменчивости фондовых и товарно-сырьевых рынков на текущую конъюнктуру.

Преимущество адаптивных моделей в том, что они отражают изменяющиеся во времени динамические свойства временного ряда и учитывают информационную ценность его ретроспективных членов, и поэтому способны давать достаточно точные оценки будущих значений. Такие модели предназначаются, прежде всего, для краткосрочного прогнозирования. Они позволяют достичь компромисса между требованием статистических подходов к увеличению объемов выборки для получения более точных оценок и требованием гомогенности (однородности) данных, ибо, чем больше период наблюдений, тем выше вероятность того, что исследуемый процесс или объект претерпел коренные изменения.

Реальные бизнес-процессы протекают в постоянно изменяющихся условиях внешней среды. На временной ряд, описывающий некоторый исследуемый процесс, воздействуют в разное время различные факторы: одни из них по тем или иным причинам ослабляют свое влияние, другие — увеличивают. Поэтому модель должна адаптироваться к ряду. Поскольку большинство реальных рядов являются нестационарными, то их характеристики (уровень, скорость роста, дисперсия колебаний и т.д.) также не остаются постоянными во времени, модель всегда будет находиться в движении. Образно говоря, процесс адаптации модели к ряду можно рассматривать как «гонку за лидером».

Адаптация в таких моделях обеспечивается небольшими дискретными сдвигами. Изначально модель находится в некотором исходном состоянии, то есть определены текущие значения ее параметров, и по ним делается прогноз на один шаг вперед. Затем определяется отклонение прогнозного значения от фактического и полученная ошибка используется для корректировки параметров модели с целью ее лучшего согласования с динамикой ряда. Затем делается прогноз на следующий момент времени, и процедура повторяется.

Таким образом, адаптация представляет собой рекуррентную процедуру с получением каждой новой точки ряда. Целью такого «обучения» модели является выбор наилучшего параметров на основе пробных прогнозов на ретроспективном статистическом материале.

Адаптивные модели обладают высокой гибкостью, но при этом достаточно низкой универсальностью, поскольку адаптируются к конкретному ряду. Поэтому при построении и обосновании моделей необходимо учитывать наиболее вероятные закономерности развития исследуемого процесса и соотносить динамические свойства ряда со структурой и возможностями модели.

К числу наиболее популярных адаптивных прогностических моделей можно отнести модели Хольта, Брауна, Бокса-Дженкинса и др.