Скачать 105.63 Kb.
Дата06.02.2018
Размер105.63 Kb.

Анализ адаптивных методов моделирования и прогнозирования



АНАЛИЗ АДАПТИВНЫХ МЕТОДОВ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ
Манасян С.К., Цугленок Д.В., Манасян М.С.

Красноярский государственный аграрный университет, Красноярск, Россия
The article deals with the analysis of adaptive methods for modeling and forecasting.
Для математического моделирования и прогнозирования сложных многоаспектных технико-экономических систем в качестве входной информации могут выступать показатели технической, технологической и экономической эффективности, а также ценовая динамика и ее производные (значения индикаторов, значимые уровни и т.п.), и рыночные показатели (соотношение спроса и предложения, макро- и микроэкономические и др.).

В математических моделях прогнозирования капитальных затрат на приобретение средств технической оснащенности, в том числе инновационной направленности, как и в общем случае для прогнозирования финансовых временных рядов, в качестве входной информации используется ценовая динамика. Однако иначе происходит работа с информационными моделями временных рядов, которые являются описаниями объектов-оригиналов с помощью схем, графиков, формул, чертежей и т. п. Одним из важнейших видов информационного моделирования является математическое моделирование, когда описания формулируются на языке математики. Соответственно, и исследование таких моделей ведется с использованием математических методов.

Математически задача прогнозирования ценообразования сложных технических систем может быть сведена к задаче аппроксимации многомерных функций и, следовательно, к задаче построения многомерного отображения. В зависимости от типа выходных переменных аппроксимация функций может принимать один из следующих видов, объединяемых в следующие два типа:

- таксономии, классификации, группирования, агрегатирования;

- декомпозиции, идентификации, оценивания, регрессии.

Следовательно, в моделях прогнозирования можно выделить две крупные подзадачи:

1. Построение математической модели.

2. Обучение экспертных сетей, реализующих решение задачи.

В результате изучения предметной области должна быть разработана математическая модель прогнозирования, включающая набор входных переменных; метод формирования входных признаков и метод обучения экспертной системы.

Разработка адаптивных методов статистического моделирования– одно из современных направлений анализа и прогнозирования временных рядов.

Важность этого направления не вызывает сомнения, так как необходимость решения соответствующих задач с помощью адаптивных методов возникает сравнительно часто. Адаптивные методы могут применяться для прогнозирования показателей фондового рынка, денежных потоков, изменений ежедневных остатков на складах, в инструментальных кладовых, магазинах. С помощью этих же методов удается описать эволюцию изменения технико-экономических характеристик изделий и переменных параметров технологических процессов, изучить поведение показателя частоты отказов оборудования в зависимости от срока его эксплуатации и наработки. В ряде случаев эти методы могут с успехом применяться для прогнозирования макропоказателей. Методы адаптивного прогнозирования применяются там, где основной информацией для прогноза являются временные ряды [1].

Инструментом прогноза при адаптивном методе служит модель. Первоначальная оценка параметров этой модели основывается на данных базового (исходного) временного ряда. На основе новых данных, получаемых на каждом следующем шаге, происходит корректировка параметров модели во времени, их адаптация к новым, непрерывно изменяющимся условиям развития явления. Таким образом, модель постоянно «впитывает» новую информацию и приспосабливается к ней [1,2].

Адаптивные модели изолированных рядов при всей их простоте могут давать более надежные результаты, чем сложные эконометрические системы уравнений. Так, при существенной перестройке некоторой экономической структуры (например, под влиянием научно-технического прогресса, изменений социально-политических условий и т.п.) эконометрическая модель с постоянными параметрами будет экстраполировать существенно устаревшие зависимости. Адаптивная модель в таких же условиях перманентно приспосабливается и учитывает эти изменения.

Поэтому для реализации обозначенной цели необходимо рассмотреть особенности модели прогнозирования на базе аналитических зависимостей. Вид формулы в данном случае будет зависеть от характера и вида взаимодействующих факторов, влияющих на формирование ценовой политики на технические средства рассматриваемой области (например, сельскохозяйственного назначения). За основу модели берется гипотеза о паритете покупательной способности. Далее в процессе рассмотрения реальных экономических систем добавятся новые факторы, и обобщенная модель выберет основные факторы, влияющие на образование цены на технику.

Вопрос о возможности применения статистических методов для этой цели представляется актуальным и естественным. Проблема краткосрочного прогнозирования ценовой политики с применением статистических моделей рассматривается исходя из того, что для успешного ведения торговых операций (прямые продажи; продажи в рамках государственных федеральных, областных (краевых), муниципальных программ; лизинг техники и т. п., требуется получение прогнозов на один временной шаг вперед (в зависимости от вида техники, его производительности и степени использования, этот шаг может быть равен от одного месяца до нескольких лет).

В настоящее время наиболее эффективным аппаратом для решения данного класса задач являются адаптивные методы прогнозирования. В то же время необходимо отметить, что провести четкую грань, отделяющую адаптивные методы прогнозирования от неадаптивных методов, трудно. В самом деле, уже прогнозирование методом экстраполяции обычных регрессионных кривых содержит некоторый элемент адаптации, когда с каждым новым получением фактических данных параметры регрессионных кривых пересчитываются и уточняются. Через достаточно большой промежуток времени может быть заменен даже тип кривой. Однако здесь степень адаптации весьма незначительна; к тому же с течением времени она падает вместе с увеличением общего количества точек наблюдения и соответственно с уменьшением в выборке удельного веса каждой новой точки.

Последовательность процесса адаптации выглядит следующим образом. Пусть модель находится в некотором исходном состоянии, и по ней делается прогноз. Когда истечет одна единица времени (шаг моделирования), анализируем, насколько далек результат, полученный по модели, от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью (в соответствии с ее логикой) для перехода из одного состояния в другое с целью большего согласования своего поведения с динамикой ряда [2].

На изменения ряда модель должна отвечать компенсирующими изменениями. Затем делается прогноз на следующий момент времени, и весь процесс повторяется. Таким образом, адаптация осуществляется интерактивно с получением каждой новой фактической точки ряда. Однако каковы должны быть правила перехода системы от одного состояния к другому, какова логика механизма адаптации?

В сущности, этот вопрос решается каждым исследователем интуитивно. Логика механизма адаптации задается априорно, а затем проверяется эмпирически. При построении, модели мы неизбежно наделяем ее врожденными свойствами и, вместе с тем, для большей гибкости должны позаботиться о механизмах условных рефлексов, усваиваемых или утрачиваемых с определенной инерционностью. Их совокупность и составляет логику механизма адаптации.

В силу простоты каждой отдельно взятой модели и ограниченности исходной информации, зачастую представленной единственным рядом, нельзя ожидать, что какая-либо одна адаптивная модель годится для прогнозирования любого ряда, любых вариаций поведения [3].

Адаптивные модели достаточно гибки, однако на их универсальность рассчитывать не приходится. Поэтому при построении и объяснении конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реального процесса, динамические свойства ряда соотносить с возможностями модели. Необходимо закладывать в модель те адаптивные свойства, которых хватит для слежения модели за реальным процессом с заданной точностью.

Вместе с тем нельзя надеяться на успешную самоадаптацию модели, более общей по отношению к той, которая необходима для отражения данного процесса, ибо увеличение числа параметров придает системе излишнюю чувствительность, приводит к ее раскачке и ухудшению получаемых по ней прогнозов.

Таким образом, при построении адаптивной модели приходится выбирать между общей и частной моделью и, взвешивая их достоинства и недостатки, отдавать предпочтение той, от которой можно ожидать наименьшей ошибки прогнозирования. Поэтому необходимо иметь определенный запас специализированных моделей, разнообразных по структуре и функциональным свойствам. Для сравнения возможных альтернатив необходим критерий полезности модели.

Несмотря на то, что в общем случае такой критерий является предметом спора, в случае краткосрочного прогнозирования признанным критерием обычно является средний квадрат ошибки прогнозирования. О качестве модели судят также по наличию автокорреляции в ошибках. В более развитых системах процесс проб и ошибок осуществляется в результате анализа как последовательных во времени, так и параллельных (конкурирующих) модификаций модели [2].

Очень часто информация о динамике изменения изучаемой с точки зрения прогнозирования величины создает впечатление хаотического движения: участки возрастания и убывания сменяют друг друга в каком-то случайном порядке. Даже если за большой интервал времени отмечается тенденция, например, к увеличению значений, то на графике легко можно увидеть, что эта тенденция прокладывает себе путь через сложные движения временного ряда данной величины. Направление ряда все время меняется под воздействием нерегулярных и часто неизвестных факторов.

Учитывая, что выделить даже сами эти факторы, не говоря уже о величине и силе их влияния довольно трудно. Поэтому необходимо считать краткосрочное прогнозирование цен на сложные технические объекты по существу задачей прогнозирования последовательного движения изолированного временного ряда, причиной которого является главным образом массовое поведение на рынке мелких и крупных товаропроизводителей, эксплуатирующих подобные виды технических средств, - с одной стороны; и стратегия и тактика рыночного продвижения своих брендов крупными и мелкими производителями данного и альтернативных видов техники, - с другой стороны. При этом, например, в сельском хозяйстве существует огромный диспаритет цен между сельскохозяйственной техникой и ценами на продукцию, получаемую с ее использованием.

Конечно, отдельно взятый участник рынка (как потребитель техники, так и ее производитель) волен совершенно произвольно менять свою стратегию. И все же можно предположить, что поведение всей массы участников через соотношение спроса и предложения, влияющее на цены, обладает в текущий период времени какой-то определенной доминирующей логикой, обнаруживающейся через закон больших чисел (приводящий в предельном переходе к закону нормального распределения исследуемых прогнозируемых величин в краткосрочной перспективе). Например, при падении цены на определенный вид (марку, типоразмерный ряд) техники, ее могут скупать, ожидая в дальнейшем повышения цен. И такое увеличение спроса действительно приведет к росту цены. Заметим, что при таком упрощенном подходе саму динамику временного ряда можно прочитать как хронологическую запись о поведении участников рынка. Это дает возможность при построении модели исходить из самого ряда, не привлекая дополнительной информации, а все рассуждения о массовом поведении участников рынка использовать лишь для качественной интерпретации. Если бы удалось найти в динамике ряда хотя бы краткосрочные закономерности, реализующиеся с вероятностью более 50%, то это дало бы основания рассчитывать на успех. Тогда стало бы возможным применение статистических методов для прогнозирования показателей, улавливающих более или менее устойчивые отношения последовательных событий временного ряда [2,4].

В данном случае ставится следующая задача. Во-первых, выяснить применимость для краткосрочного прогнозирования цен на технические объекты каких-либо статистических методов, назначение которых – описывать повторяющиеся события или ситуации, характеризующиеся относительно устойчивыми связями. Во-вторых, если статистические методы применимы для решения поставленной задачи, то установить их наиболее перспективный класс, указать характерные особенности этих методов, особое внимание уделить простейшим из них. В-третьих, показать на примере практические результаты.

Новый взгляд на роль прогнозирования утвердился как обязательный элемент процесса принятия решения. Логическим следствием усиления роли прогнозирования явилось повышение требований к обоснованности и надежности прогнозных оценок. Однако уровень соответствия аппарата современной прогностики этим новым требованиям остается чрезмерно низким. Даже применение адаптивных моделей, с помощью которых удается, как правило, достичь необходимого уровня адекватности в описании прогнозируемых процессов, только частично решает проблему повышения надежности. Современная экономика порождает процессы со столь сложной динамикой, что идентификация ее закономерностей аппаратом современной прогностики часто оказывается неразрешимой задачей. Совершенствование этого аппарата, прежде всего, нуждается в новых идеях и новых подходах, на основе которых возможна реализация механизмов и способов отражения динамики, формируемой под воздействием эффектов, возможность появления которых в будущем не обнаруживается в данных исторического периода. Возникает явное противоречие, преодоление которого будет способствовать формированию нового взгляда на прогнозирование как упреждающее отражение в вероятностной среде представления об исследуемом процессе в виде траектории, построенной на основе объективных тенденций и субъективные ожидания.

В рамках экономического прогнозирования развитие адаптивного подхода происходит по трем направлениям. Первое из них ориентировано, в основном, на усложнения адаптивных прогнозных моделей. Идея второго направления состоит в совершенствовании адаптивного механизма моделей прогнозирования. В третьем направлении реализуется подход совместного использования адаптивных принципов и других методов прогнозирования, в частности, имитационного моделирования. Перспективным направлением развития методов современного прогнозирования представляется разработка адаптивно-имитационных моделей.

Развитие рынка определяется фундаментальными факторами (уровнем развития экономики, технологии, техники), но также верно и обратное – фундаментальные факторы определяются рынком, т.е. поведением участников рынка, их оценками и ожиданиями. При этом умение давать правильную оценку развитию рыночных ситуаций зависит от способности предвосхищать превалирующие ожидания участников рынка, а не от способности прогнозировать изменения в реальном мире [3,5]. Поэтому идеи развития математического аппарата прогнозирования не в достаточной степени учитывают свойства активности экономических систем, что снижает даже при высокой интерполяционной точности уровень правдоподобности прогнозных оценок. В то же время прогнозы, основанные только на субъективной информации, ориентированы на предсказание качественных характеристик, и поэтому их использование возможно только в специальных случаях. Это выводит на первый план проблему построения прогнозов на основе комбинирования экстраполяционных и субъективных оценок.

В данной области прогнозирования в настоящее время преобладает творческий характер, что свидетельствует, по сути, о начальном уровне разработанности проблемы построения комбинированных прогнозов.


Литература
1. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. – М.: Финансы и статистика, 2003.

2. Манасян С.К. Моделирование и прогнозирование сложных многоаспектных систем / Новые информационные технологии. – Тбилиси, 1990.



3. Давнис В.В., Тинякова В.И. Адаптивные модели: анализ и прогноз в экономических системах. – Воронеж: Изд-во Воронеж. гос. ун-та, 2006.

4. Цугленок Н.В. Энерготехнологическое прогнозирование. – Красноярск: КрасГАУ, 2005.