Адаптивная модель прогнозирования (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.

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.