Модели и методы авторегрессии (курсовая: программа (на Visual Basic) и пояснительная записка)


Оглавление

Введение    3
1. Постановка задачи    5
2. Сценарий работы программы    17
3. Проверка работы программы    22
Заключение    24
Библиография    26
Приложения    28

 

Введение

 

Прогнозирование нацелено на поиск оптимальных тенденций развития фирмы в условиях постоянного изменения факторов внешней и внутренней среды, поиска рациональных маркетинговых мероприятий по поддержке устойчивости ее экономического поведения. Сфера применения методов прогнозирования достаточно широка. Они используются, например, в системе прогнозирования цен, новых продуктов и технологий, поведения покупателей на рынке.

В качестве инструментария при прогнозировании используется система методов, с помощью которых анализируются причинно-следственные параметры прошлых тенденций в деятельности предприятия и по результатам анализа формируются изменения в перспективе социально-экономического развития фирмы. Применение формализованных методов для прогнозирования сбыта продукции и рынков позволяет дать количественную характеристику связям между отдельными элементами и факторами окружающей среды и оценить их на состояние и динамику рынка; осуществлять альтернативный анализ полученных результатов прогнозирования [17, c.56].

Некоторое время существовало достаточно устойчивое мнение о том, что можно выделить прогностику в отдельную научную дисциплину о закономерностях разработки прогнозов любых систем и явлений, так как этапы разработки прогнозов любых явлений действительно одинаковы. Однако своеобразие каждого явления окружающей нас действительности столь велико, что зачастую даже косвенные параллели неуместны, не говоря уже о том чтобы использовать одну и ту же методологию прогнозирования на все случаи жизни.

Отголоски этого подхода на практике встречаются достаточно часто, когда, например, физики или математики берутся за прогнозирование экономики, используя чрезвычайно сложные математические модели, прекрасно зарекомендовавшие себя при использовании в физических задачах или задачах технической кибернетики [11, c.228]. Однако, реальный экономический эффект от этих попыток крайне незначителен. Для того чтобы суметь правильно спрогнозировать какое-либо явление, необходимо, в первую очередь, знать присущие этому явлению глубинные свойства, и выявить закономерности его развития. Естественно, что это может сделать только специалист, разбирающийся в вопросах прогнозируемого явления опыт и интуиция помогают ему чаще обойти «подводные камни», которые не видит человек, не знакомый с сутью явления.

При этом, однако, возникает опасность другого рода – экономисты, как правило, не очень хорошо вооружены знаниями в области того математического аппарата, который используется в прогнозировании. Поэтому ими часто применяются методологически несовместимые для прогнозирования экономики математические методы и поэтому они получают прогнозы с существенными ошибками инструментария.

Целью работы является изучение моделей и методов авторегрессии в аспекте их применения для прогнозирования.

Соответственно задачами работы стали:

- изучить метод авторегрессии в системе других методов прогнозирования с использованием временных рядов;

- разработать приложение, реализующее модель авторегрессии, в Visual Basic;

- провести проверку работы приложения.

 

1. Постановка задачи

 

Рассмотрим элементарное понятие временного ряда. Временным рядом называют серию числовых величин, полученных через регулярные промежутки времени. Например, временными рядами будут:

- серия ежедневных наблюдений в течение некоторого периода за ценами товара при закрытии торгов на бирже;

- дневные объемы выпуска товара;

- месячные показатели инфляции или индекса потребительских цен;

- ежеквартальные оценки валового национального продукта (принятые в США) или средних зарплат (принятые в России для ежеквартального индексирования пенсий);

- ежегодные данные об объеме, выручке и прибыли компании.

Временные ряды не ограничиваются исключительно экономическими величинами; известно их применение при анализе процессов в энергосистемах, атомной промышленности, химических и нефтехимических производствах, причем в этом случае часто используются более мелкие дискретности времени, чем в экономике, — минуты и даже секунды при обработке данных о быстропротекающих процессах в атомной энергетике или при исследовании переходных процессов в химической кинетике.

Известно даже успешное применение анализа временных рядов при слежении за подводными лодками «вероятного противника» в 1970-1980-х годах, и при обработке данных наблюдений в системах ПВО, и при прогнозах проходимости радиосигналов в атмосфере и ионосфере, и при моделировании транспортных потоков на автотрассах.

Основным положением, на котором базируется использование временных рядов для прогнозирования, является то, что факторы, влияющие на отклик изучаемой системы, действовали некоторым образом в прошлом и настоящем, и ожидается, что они будут действовать сходным образом и в не слишком далеком будущем. Поэтому основной целью анализа временных рядов будет оценка и вычленение этих влияющих факторов с целью прогноза дальнейшего поведения системы и выработки рациональных управленческих решений.

В свое время были разработаны многие методы вычленения влияющих факторов и оценки их взаимодействия и влияния на отклик системы, но, пожалуй, наиболее фундаментальной является классическая мультипликативная модель временного ряда, широко используемая при анализе ежемесячных, ежеквартальных и ежегодных данных и, следовательно, в экономических исследованиях.

В классической мультипликативной модели временных рядов постулируется, что наблюдаемое значение отклика в любой точке временного ряда является произведением трех факторов — тренда, циклической и нерегулярной компоненты (в случае короткошаговых наблюдений — четырех, добавляется еще сезонная компонента), и любое значение ряда может быть представлено в виде:

 

2. Сценарий работы программы

 

В качестве модели была выбрана модель авторегрессии второго порядка.  Главное окно приложения имеет следующий вид (рис. 4).

 

Рис. 4. Главное окно приложения

 

Исходные данные для прогнозирования могут быть введены двумя способами:

1)     загружены из файла;

2)     введены вручную (в ячейки матрицы).

Чтобы загрузить исходные данный из файла, нужно выбрать соответствующий пункт меню «Загрузить данные из файла». Исходными данными могут быть результаты каких-либо периодических наблюдений. Например, в таблице 3 представлены объемы выпуска товара в 1986-2008 гг. Как в случае загрузки данных из файла, так и в случае их ручного введения, разделителем между целой и дробной частью числа типа Double должен служить знак «.», то есть, например, 12.45 и т.д.

 

Таблица 3.- Объемы выпуска продукции

 

Итак, проведем прогноз выпуска изделий на ближайшие 5 лет. Сначала надо выбрать способ ввода исходных данных для прогнозирования. Исходные данные можно загрузить из файла InputData. Структура файла InputData представлена на рис. 5.

 

Рис. 5. Структура файла InputData

 

Файл InputData является текстовым, то есть его можно редактировать. Однако в программе будут учитываться только 100 первых значений. Поэтому вносить в файл более 100 записей нецелесообразно. Также следует учесть, что разделителем целой и дробной частей числа должна быть точка. Чтобы загрузить исходные данные из файла, следует выбрать пункт меню «Загрузить исходные данные из файла. В случае если данные загружены успешно, то они отобразятся в ячейках матрицы и будет выдано соответствующее сообщение (рис. 6).

 

Модели и методы авторегрессии

Рис. 6. Сообщение об успешной загрузке исходных данных

 

В другом случае, те же самые данные могут быть введены непосредственно с клавиатуры в ячейки матрицы (рис. 7). При вводе исходных данных в ячейки матрицы, следует соблюдать построчный ввод, т.е. сначала заполняется первая строка матрицы, потом вторая и т.д. Если данные будут вводиться по столбцам, порядок входных данных будет неверным, что приведет к некорректным прогнозным результатам.

 

Рис. 7. Ввод исходных данных вручную с клавиатуры

 

Затем, независимо от способа ввода данных (вручную либо путем загрузки из файла), нужно заполнить поля ввода значениями параметров модели авторегрессии (рис. 8).

 

Рис. 8. Заполнение полей параметров модели

 

Вводить в ячейки матрицы следует только числа соответствующего формата. При этом на уровне приложения реализована защита от неверного вводе в ячейки символьных значений. То есть ввести в ячейку можно только цифровые символы – от 0 до 9 и знак «.». В случае ввода недопустимых значений в поля параметров модели (либо в случае, если поля останутся незаполненными), будет выдано соответствующее сообщение об ошибке (рис. 9).

 

Рис. 9. Сообщение о недопустимых параметрах

 

В случае, если все исходные данные успешно загружены или введены, а затем успешно введены параметры модели, для получения прогнозных значений следует нажать кнопку «Сделать прогноз». В этом случае прогнозные значения будут выведены в ячейки той же матрицы, которая использовалась для ввода исходных данных (рис. 10). Перед этим матрица будет очищена от исходных значений. Также матрицу можно очистить принудительно путем нажатия кнопки «Очистить матрицу», что может понадобиться, например, при новом расчете.

 

Рис. 10. Получение результата (прогнозных значений)

 

Полученные данные можно сохранить в файл. Для этого следует выбрать пункт меню «Выгрузить прогнозные значения в файл». В случае успешной выгрузки, будет выдано соответствующее сообщение (рис. 11).

 

Рис. 11. Сохранение результатов в файл

 

Заказать курсовую

 

Добавить комментарий


Защитный код
Обновить