Реферат Курсовая Конспект
Метод экстраполяции на финансовом рынке - раздел Образование, Федеральное Агентство По Образованию Государственное Образовательное...
|
ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ
Государственное образовательное учреждение высшего профессионального образования
«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ»
КАФЕДРА КОМПЬЮТЕРНОЙ МАТЕМАТИКИ И ПРОГРАММИРОВАНИЯ
КУРСОВАЯ РАБОТА (ПРОЕКТ)
ЗАЩИЩЕНА С ОЦЕНКОЙ
РУКОВОДИТЕЛЬ:
Ильинская Е.М. | ||||
должность, уч. степень, звание | подпись, дата | инициалы, фамилия |
КУРСОВАЯ РАБОТА |
«Метод экстраполяции на финансовом рынке» |
по дисциплине: Математические методы финансового анализа |
РАБОТУ ВЫПОЛНИЛ(А)
СТУДЕНТ(КА) ГР. | Иванина Е.В. | ||||
подпись, дата | инициалы, фамилия |
Санкт-Петербург
2009
Содержание
Введение...........................................................................................................................3
I.Теоретические сведения
1.Экстраполяционное прогнозирование………………………………………..….…4
2.Экстраполяционные методы прогнозирования………………………….……..….5
3.Методы экстраполяции трендов…………………………………………………….7
3.1Интерпритация…………………………………………………..………………..9
3.1.1Методы расчета скользящих средних..…………………………………...…12
3.1.1.1.Простое скользящее среднее……………………………………………………….…12
3.1.1.2.Экспоненциальное скользящее среднее ……………………………….…….12
3.1.1.3.Треульное скользящее среднее …………………………………………….……..13
3.1.1.4.Переменноескользящее среднее ……………………………………….……..…13
3.1.1.5.Взвешанное скользящее среднее …………………………………….…………..14
3.1.2Метод экспоненциального сглаживания………………………….…….…16
4.Адаптивная модель прогнозирования………………………………………………………..………18
II. Решения задачи
1.Алгоритм прогнозирования объёма продаж в MS Excel ………………………..20
Введение.
Очень часто в экономике возникает необходимость в прогнозировании на некоторый промежуток времени вперед дискретных значений того или иного показателя без привязки его к каким-либо другим показателям или данным. То есть исходным материалом для прогнозирования является временной ряд или ряд динамики, в котором значения показателя привязываются к конкретным моментам времени их возникновения. Примером таких временных рядов могут служить валютные курсы, прогнозирование которых и получение от этого прибыли используется международным рынком FOREX, в котором есть даже целая наука - технический анализ, которая изучает методы прогнозирования таких рядов. Естественно, что для более надежного прогнозирования необходимо, чтобы данный временной ряд был достаточно представительным, т.е. более или менее верно отражал закономерности изменения показателя в генеральной совокупности.
При использовании временных рядов в качестве исходного материала их моделирование и последующее прогнозирование с помощью регрессионных моделей невозможно, поэтому в данном случае целесообразно использование экстраполяционных методов, в основе которых лежит предположение в том, что основные факторы и тенденции, имевшие место в прошлом, сохраняются и в будущем. Сохранение этих тенденций - непременное условие успешного прогнозирования. При этом необходимо, чтобы учитывались лишь те тенденции, которые еще не устарели и до сих пор оказывают влияние на изучаемый процесс.
I.Теоретические сведения
ПРИМЕР
На следующем рисунке представлены графики курса акций Lincoln National и 39недельного экспоненциального скользящего среднего. Хотя скользящее среднее не улавливает непосредственно моменты разворота, оно очень хорошо показывает общее направление ценовой тенденции.
Рис. 1. Аддитивная и мультипликативные модели прогнозирования.
Применение алгоритма рассмотрим на следующем примере.
Исходные данные:объёмы реализации продукции за два сезона. В качестве исходной информации для прогнозирования была использована информация об объёмах сбыта мороженого “Пломбир” одной из фирм в Нижнем Новгороде. Данная статистика характеризуется тем, что значения объёма продаж имеют выраженный сезонный характер с возрастающим трендом. Исходная информация представлена в табл. 1.
Таблица 1.
Фактические объёмы реализации продукции
№п.п. | Месяц | Объем продаж (руб.) | №п.п. | Месяц | Объем продаж (руб.) |
июль | 8174,40 | июль | 8991,84 | ||
август | 5078,33 | август | 5586,16 | ||
сентябрь | 4507,20 | сентябрь | 4957,92 | ||
октябрь | 2257,19 | октябрь | 2482,91 | ||
ноябрь | 3400,69 | ноябрь | 3740,76 | ||
декабрь | 2968,71 | декабрь | 3265,58 | ||
январь | 2147,14 | январь | 2361,85 | ||
февраль | 1325,56 | февраль | 1458,12 | ||
март | 2290,95 | март | 2520,05 | ||
апрель | 2953,34 | апрель | 3248,67 | ||
май | 4216,28 | май | 4637,91 | ||
июнь | 8227,569 | июнь | 9050,3264 |
Задача: составить прогноз продаж продукции на следующий год по месяцам.
Реализуем алгоритм построения прогнозной модели, описанный выше. Решение данной задачи рекомендуется осуществлять в среде MS Excel, что позволит существенно сократить количество расчётов и время построения модели.
1. Определяем тренд, наилучшим образом аппроксимирующий фактические данные. Для этого рекомендуется использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели).
Рис. 2. Сравнительный анализ полиномиального и линейного тренда
На рисунке показано, что полиномиальный тренд аппроксимирует фактические данные гораздо лучше, чем предлагаемый обычно в литературе линейный. Коэффициент детерминации полиномиального тренда (0,7435) гораздо выше, чем линейного (4E-05). Для расчёта тренда рекомендуется использовать опцию “Линия тренда” ППП Excel.
Рис. 3. Опция “Линии тренда”
Применение других типов тренда (логарифмический, степенной, экспоненциальный, скользящее среднее) также не даёт такого эффективного результата. Они неудовлетворительно аппроксимируют фактические значения, коэффициенты их детерминации ничтожно малы:
· логарифмический R2 = 0,0166;
· степенной R2 =0,0197;
· экспоненциальный R2 =8Е-05.
2. Вычитая из фактических значений объёмов продаж значения тренда, определим величины сезонной компоненты, используя при этом пакет прикладных программ MS Excel (рис. 4).
Рис. 4. Расчёт значений сезонной компоненты в ППП MS Excel.
Таблица 2.
Расчёт значений сезонной компоненты
Месяцы | Объём продаж | Значение тренда | Сезонная компонента |
8174,4 | 7617,2674 | 557,1326 | |
5078,3296 | 6104,0156 | -1025,686 | |
4507,2061 | 4420,3206 | 86,885473 | |
2257,1992 | 3004,1224 | -746,92323 | |
3400,6974 | 2086,745 | 1313,95235 | |
2968,7178 | 1741,0644 | 1227,65338 | |
2147,1426 | 1924,9246 | 222,217979 | |
1325,5674 | 2519,8016 | -1194,2342 | |
2290,9561 | 3364,7154 | -1073,7593 | |
2953,3411 | 4285,39 | -1332,0489 | |
4216,2848 | 5118,6614 | -902,37664 | |
8227,5695 | 5732,1336 | 2495,43589 | |
8991,84 | 7617,2674 | 1374,5726 | |
5586,1626 | 6104,0156 | -517,85304 | |
4957,9267 | 4420,3206 | 537,60608 | |
2482,9191 | 3004,1224 | -521,20332 | |
3740,7671 | 2086,745 | 1654,02209 | |
3265,5896 | 1741,0644 | 1524,52515 | |
2361,8568 | 1924,9246 | 436,932237 | |
1458,1241 | 2519,8016 | -1061,6775 | |
2520,0517 | 3364,7154 | -844,6637 | |
3248,6752 | 4285,39 | -1036,7148 | |
4637,9132 | 5118,6614 | -480,74817 | |
9050,3264 | 5732,1336 | 3318,19284 |
Скорректируем значения сезонной компоненты таким образом, чтобы их сумма была равна нулю.
Таблица 3.
Расчёт средних значений сезонной компоненты
Месяцы | 1-й сезон | 2-й сезон | Итого | Среднее | Сезонная компонента |
557,1326 | 1374,5726 | 1931,7052 | 965,8526 | 798,7176058 | |
-1025,686 | -517,853035 | -1543,539 | -771,7695155 | -938,90451 | |
86,885473 | 537,60608 | 624,491553 | 312,2457765 | 145,1107823 | |
-746,92323 | -521,203316 | -1268,1265 | -634,0632745 | -801,198269 | |
1313,9524 | 1654,022089 | 2967,97444 | 1483,987221 | 1316,852227 | |
1227,6534 | 1524,525154 | 2752,17853 | 1376,089265 | 1208,954271 | |
222,21798 | 436,932237 | 659,150216 | 329,575108 | 162,4401138 | |
-1194,2342 | -1061,677479 | -2255,9117 | -1127,955849 | -1295,09084 | |
-1073,7593 | -844,663701 | -1918,423 | -959,2115055 | -1126,3465 | |
-1332,0489 | -1036,714798 | -2368,7637 | -1184,381853 | -1351,51685 | |
-902,37664 | -480,748169 | -1383,1248 | -691,5624065 | -858,697401 | |
2495,4359 | 3318,192838 | 5813,62873 | 2906,814363 | 2739,679369 | |
Сумма | 2005,61993 |
3. Рассчитываем ошибки модели как разности между фактическими значениями и значениями модели.
Таблица 4.
Расчёт ошибок
Месяц | Объём продаж | Значение модели | Отклонения |
8174,4 | 8415,985006 | -241,585006 | |
5078,3296 | 5165,11109 | -86,7814863 | |
4507,2061 | 4565,431382 | -58,2253093 | |
2257,1992 | 2202,924131 | 54,27503571 | |
3400,6974 | 3403,597227 | -2,89987379 | |
2968,7178 | 2950,018671 | 18,69910521 | |
2147,1426 | 2087,364714 | 59,77786521 | |
1325,5674 | 1224,710757 | 100,8566247 | |
2290,9561 | 2238,3689 | 52,58718971 | |
2953,3411 | 2933,873153 | 19,46793921 | |
4216,2848 | 4259,963999 | -43,6792433 | |
8227,5695 | 8471,812969 | -244,24348 | |
8991,84 | 8415,985006 | 575,8549942 | |
5586,1626 | 5165,11109 | 421,0514747 | |
4957,9267 | 4565,431382 | 392,4952977 | |
2482,9191 | 2202,924131 | 279,9949527 | |
3740,7671 | 3403,597227 | 337,1698622 | |
3265,5896 | 2950,018671 | 315,5708832 | |
2361,8568 | 2087,364714 | 274,4921232 | |
1458,1241 | 1224,710757 | 233,4133637 | |
2520,0517 | 2238,3689 | 281,6827987 | |
3248,6752 | 2933,873153 | 314,8020492 | |
4637,9132 | 4259,963999 | 377,9492317 | |
9050,3264 | 8471,812969 | 578,5134687 |
Находим среднеквадратическую ошибку модели (Е) по формуле:
Е= Σ О2 : Σ (T+S)2
где:
Т- трендовое значение объёма продаж;
S – сезонная компонента;
О- отклонения модели от фактических значений
Е= 0,003739 или 0.37 %
Величина полученной ошибки позволяет говорить, что построенная модель хорошо аппроксимирует фактические данные, т.е. она вполне отражает экономические тенденции, определяющие объём продаж, и является предпосылкой для построения прогнозов высокого качества.
Построим модель прогнозирования:
F = T + S ± E
Построенная модель представлена графически на рис. 5.
5. На основе модели строим окончательный прогноз объёма продаж. Для смягчения влияния прошлых тенденций на достоверность прогнозной модели, предлагается сочетать трендовый анализ с экспоненциальным сглаживанием. Это позволит нивелировать недостаток адаптивных моделей, т.е. учесть наметившиеся новые экономические тенденции:
Fпр t = a Fф t-1 + (1-а) Fм t
где:
Fпр t - прогнозное значение объёма продаж;
Fф t-1– фактическое значение объёма продаж в предыдущем году;
Fм t - значение модели;
а – константа сглаживания.
Константу сглаживания рекомендуется определять методом экспертных оценок, как вероятность сохранения существующей рыночной конъюнктуры, т.е. если основные характеристики изменяются / колеблются с той же скоростью / амплитудой что и прежде, значит предпосылок к изменению рыночной конъюнктуры нет, и следовательно а ®1, если наоборот, то а ® 0.
Рис. 5. Модель прогноза объёма продаж
Таким образом, прогноз на январь третьего сезона определяется следующим образом.
Определяем прогнозное значение модели:
Fм t = 1 924,92 + 162,44 =2087 ± 7,8 (руб.)
Фактическое значение объёма продаж в предыдущем году(Fф t-1)составило 2 361руб. Принимаем коэффициент сглаживания 0.8. Получим прогнозное значение объёма продаж:
Fпр t = 0,8*2 361 + (1-0.8) *2087 = 2306,2 (руб.)
Для учёта новых экономических тенденций рекомендуется регулярно уточнять модель на основе мониторинга фактически полученных объёмов продаж, добавляя их или заменяя ими данные статистической базы, на основе которой строится модель.
Кроме того, для повышения надёжности прогноза рекомендуется строить все возможные сценарии прогноза и рассчитывать доверительный интервал прогноза.
– Конец работы –
Используемые теги: метод, экстраполяции, финансовом, рынке0.074
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Метод экстраполяции на финансовом рынке
Если этот материал оказался полезным для Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов