- •Анализ и прогнозирование финансовых процессов
- •Глава 1. Математические методы и модели как средства исследования экономических процессов ………………………………………………………….7
- •Глава 8. Построение доверительных интервалов прогнозов ………………….210
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей ………………………………………………………….232
- •Предисловие
- •Глава 1. Математические методы и модели как средства исследования экономических процессов
- •1.1. Экономико-математические методы и модели исследования экономических процессов
- •1.2. Разновидности экономико-математических моделей и методов
- •1.3. Программные средства анализа экономических данных
- •1.4. Методика статистического анализа и прогнозирования данных
- •Контрольные вопросы
- •Глава 2. Исследование структуры временных рядов экономических показателей
- •2.1. Понятие временного ряда
- •В таблице 2.4 представлен ряд динамики средних величин - Среднедушевые номинальные денежные доходы населения России в месяц,
- •2.2. Структура временного ряда
- •2.3. Оценивание однородности и направленности изменений финансовых процессов, представленными временными рядами
- •2.4. Статистические показатели измерения динамики финансовых процессов
- •2.5. Показатели и критерии устойчивости и колеблемости развития финансовых процессов
- •Контрольные вопросы и задания
- •Глава 3. Прогнозирование финансовых процессов с использованием кривых роста
- •3.1. Основные этапы прогнозирования с использованием кривых роста
- •3.2. Характеристика кривых роста
- •3.3. Методы выбора кривых роста для выравнивания
- •3.4. Методы оценки параметров кривых роста
- •Контрольные вопросы и задания
- •Глава 4. Сезонные колебания в финансовых процессах
- •4.1. Исследование сезонных колебаний в финансовых процессах
- •4.2. Статистические критерии выявления сезонных колебаний
- •4.3 Показатели измерения сезонности
- •4.4. Моделирование тренд-сезонных временных рядов
- •Контрольные вопросы и задания
- •Глава 5. Адаптивные методы прогнозирования
- •5.1. Сущность адаптивных методов
- •5.2. Экспоненциальное сглаживание
- •5.3. Полиномиальные адаптивные модели
- •5.4. Адаптивные модели прогнозирования сезонных процессов
- •5.5. Метод эволюции
- •5.6. Модели авторегрессии и скользящего среднего
- •Контрольные вопросы и задания
- •Глава 6. Оценка точности и адекватности модели
- •6.1. Оценка адекватности модели
- •Проверка равенства математического ожидания уровней ряда остатков нулю.
- •6.2. Оценка точности модели
- •Контрольные вопросы и задания
- •Глава 7. Применение регрессионных моделей для прогнозирования
- •7.1.Типы регрессионных моделей
- •7.2. Определение зависимости между моделируемыми показателями и определяющими их факторами
- •7.3. Оценка тесноты линейной и нелинейной связи
- •7.4. Линейная модель парной регрессии. Оценка значимости параметров линейной регрессии
- •7.5. Нелинейная регрессия
- •Полиномы разных степеней -;
- •7.6. Модель множественной регрессии
- •7.7. Отбор факторов при построении модели множественной регрессии. Мультиколлинеарность
- •7.8. Регрессионные модели с фиктивными переменными
- •7.9. Прогнозирование в регрессионных моделях
- •Контрольные вопросы и задания
- •Глава 8. Построение доверительных интервалов прогнозов
- •8.1. Методы и критерии, используемых при построении доверительных интервалов
- •8.2. Доверительные интервалы при получении оценок по моделям регрессии
- •8.3.Оценка доверительных интервалов в моделях экономического прогнозирования
- •Доверительный интервал для тренда в общем виде определяется как
- •Контрольные вопросы и задания
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей
- •9.1. Алгоритм методики оценивания доверительных интервалов прогнозов
- •9.2. Практическая реализация методов прогнозирования
- •(По индексам)
- •Контрольные вопросы и задания
- •Литература
- •Шелобаев Сергей Иванович
4.2. Статистические критерии выявления сезонных колебаний
Для определения наличия сезонности в исследуемом процессе часто бывает достаточно экономического анализа и графического отображения процесса за два-три года. Первое представление о возможном характере процесса и наличии в нем сезонных колебаний дает графическое представление временного ряда. Визуальный анализ графиков временного ряда позволяет определить наличие тренда и его характер, наличие сезонных и циклических компонент. Выявление сезонных колебаний удобно производить по графику временного ряда, построенного методом наложения. В этом случае по оси абсцисс откладывается интервал времени предполагаемого периода колебаний, например, год, с разбивкой по месяцам. А по оси ординат - значения уровней ряда за несколько лет. Если во временном ряду имеются периодические изменения, то на графике наблюдаются пики или впадины в определенный период времени.
При графическом изображении процесса сезонность часто бывает выражена настолько ярко, что нет необходимости ее доказывать численным способом. Но могут возникнуть какие ситуации, когда нет твердой уверенности, что колебания обусловлены сезонным фактором, а не каким-то иным случайным внешним воздействием. В этом случае необходимо использовать специальные статистические критерии.
Выявить наличие сезонных колебаний можно, проверив на случайность остаточный ряд после выделения тренда. Случайная компонента должна иметь математическое ожидание равное нулю, постоянную дисперсию и нулевую автокорреляцию между соседними уровнями ряда:
, . (4.1)
Если эти условия не выполняются, то можно сделать предположение о наличии в остаточном ряду сезонной компоненты. Для проверки наличия сезонности в остаточном ряду чаще всего применяют следующие критерии: дисперсионный, гармонический и критерий основанный на распределении коэффициента автокорреляции.
Все три критерия предусматривают, что из временного ряда выделена регулярная компонента (тренд). Под степенью гладкости тренда понимают минимальную степень полинома, адекватно представляющего тренд ряда. В данном случае определение степени гладкости тренда носит вспомогательный характер и не адекватно утверждению, что процесс развивается по полиномиальной кривой.
Существует несколько подходов, позволяющих адекватно выбрать порядок аппроксимирующего полинома. Сделаем предположение, что временной ряд состоит только из регулярной Ut и случайной Et компонент: . В главе 3 рассмотрены методы выбора кривых роста для выравнивания. Для выбора полинома может быть использован, например, метод Тинтнера, основанный на анализе дисперсий последовательных разностей временного ряда.
Рассмотрим дисперсионный критерий. После выделения тренда остаток запишем в виде:
.
В случае сезонной волны с постоянной амплитудой остаточную компоненту запишем в матричном виде:
, ,.
, ,, т.е. предполагается, что группы отличаются только математическими ожиданиями.
Выдвигается гипотеза Н0 об отсутствии сезонных колебаний:
.
В случае справедливости гипотезы Н0 критерий Фишера
, (4.2)
, ,
,
имеет F-распределение с (T0 –1,T-T0) степенями свободы.
Если F-расчетное значение меньше табличного значения статистики с заданным уровнем значимости α, то нет оснований отвергать нулевую гипотезу об отсутствии сезонных колебаний. В противном случае неслучайный характер случай ной компоненты подтверждается.
Пример.
Имеются данные за три года о выпуске коммерческим банком ценных бумаг. Выявить наличие сезонных колебаний с помощью дисперсионного критерия.
1 год |
Выпуск ценных бумаг, тыс. руб. |
2 год |
Выпуск ценных бумаг, тыс. руб. |
3 год |
Выпуск ценных бумаг, тыс. руб. |
Январь |
13072 |
Январь |
15235 |
Январь |
29372 |
Февраль |
13890 |
Февраль |
15020 |
Февраль |
28055 |
Март |
11706 |
Март |
15800 |
Март |
27505 |
Апрель |
12050 |
Апрель |
15591 |
Апрель |
27195 |
Май |
15170 |
Май |
16950 |
Май |
28472 |
Июнь |
21408 |
Июнь |
20180 |
Июнь |
31108 |
Июль |
24378 |
Июль |
22676 |
Июль |
33200 |
Август |
22500 |
Август |
21944 |
Август |
31670 |
Сентябрь |
18610 |
Сентябрь |
21088 |
Сентябрь |
31006 |
Октябрь |
14979 |
Октябрь |
20826 |
Октябрь |
30884 |
Ноябрь |
13687 |
Ноябрь |
18432 |
Ноябрь |
30540 |
Декабрь |
15205 |
Декабрь |
24037 |
Декабрь |
32310 |
Построим график временного ряда методом наложения (рис. 4.3). Визуальный анализ графика исходного ряда говорит о наличии в нем сезонных колебаний. Подтвердим высказанное предположение с помощью дисперсионного критерия.
Рис. 4.3 Выпущенные банком ценные бумаги
Предварительно выполним аналитическое выравнивание исходного ряда на основе кривых роста полиномиального типа и исключим из временного ряда тренд. В качестве аппроксимирующего полинома выбран полином 2-го порядка: .
В таблице 4.1 приведен исходный ряд, тренд и ряд остатков.
Таблица 4.1
Аппроксимация временного ряда «Выпущенные банком ценные бумаги»
полиномом второго порядка
-
Время
1
13072
14700.34
-1628.336
2
13890
14796.87
-906.872
3
11706
14920.82
-3214.822
4
12050
15072.18
-3022.183
5
15170
15250.96
-80.957
6
21408
15457.14
5950.857
7
24378
15690.74
8687.259
8
22500
15951.75
6548.249
9
18610
16240.17
2369.826
10
14979
16556.01
-1577.01
11
13687
16899.26
-3212.257
12
15205
17269.92
-2064.917
13
15235
17667.99
-2432.989
14
15020
18093.47
-3073.473
15
15800
18546.37
-2746.369
16
15591
19026.68
-3435.678
17
16950
19534.4
-2584.399
18
20180
20069.53
110.468
19
22676
20632.08
2043.922
20
21944
21222.04
721.964
21
21088
21839.41
-751.406
22
20826
22484.19
-1658.188
23
18432
23156.38
-4724.383
24
24037
23855.99
181.01
25
29372
24583.01
4788.991
26
28055
25337.44
2717.559
27
27505
26119.29
1385.715
28
27195
26928.54
266.459
29
28472
27765.21
706.791
30
31108
28629.29
2478.71
31
33200
29520.78
3679.217
32
31670
30439.69
1230.312
33
31006
31386.01
-380.005
34
30884
32359.74
-1475.735
35
30540
33360.88
-2820.877
36
32310
34389.43
-2079.431
Общая средняя по остаточному ряду.
Дальнейшие расчеты проведены с помощью электронных тaблиц Excel, результаты приведены в таблице 4.2.
Таблица 4.2
Расчет F-статистики
Месяц |
1 год |
2 год |
3 год |
Средняя в месяц
|
1 год |
2 год |
3 год |
1 |
-1628.34 |
-2432.99 |
4788.991 |
242.5553 |
-1870.89 |
-2675.54 |
4546.436 |
2 |
-906.872 |
-3073.47 |
2717.559 |
-420.929 |
-485.943 |
-2652.54 |
3138.488 |
3 |
-3214.82 |
-2746.37 |
1385.715 |
-1525.16 |
-1689.66 |
-1221.21 |
2910.874 |
4 |
-3022.18 |
-3435.68 |
266.459 |
-2063.8 |
-958.382 |
-1371.88 |
2330.26 |
5 |
-80.957 |
-2584.4 |
706.791 |
-652.855 |
571.898 |
-1931.54 |
1359.646 |
6 |
5950.857 |
110.468 |
2478.71 |
2846.678 |
3104.179 |
-2736.21 |
-367.968 |
7 |
8687.259 |
2043.922 |
3679.217 |
4803.466 |
3883.793 |
-2759.54 |
-1124.25 |
8 |
6548.249 |
721.964 |
1230.312 |
2833.508 |
3714.741 |
-2111.54 |
-1603.2 |
9 |
2369.826 |
-751.406 |
-380.005 |
412.805 |
1957.021 |
-1164.21 |
-792.81 |
10 |
-1577.01 |
-1658.19 |
-1475.74 |
-1570.31 |
-6.699 |
-87.877 |
94.576 |
11 |
-3212.26 |
-4724.38 |
-2820.88 |
-3585.84 |
373.582 |
-1138.54 |
764.962 |
12 |
-2064.92 |
181.01 |
-2079.43 |
-1321.11 |
-743.804 |
1502.123 |
-758.318 |
|
|
|
|
-0.99267 |
|
|
|
Месяц |
1 год |
2 год |
3 год |
За три года | ||
1 |
3500234 |
7158537 |
20670077 |
31328849 |
242.6381 |
58873.23 |
2 |
236140.9 |
7035991 |
9850105 |
17122237 |
-420.846 |
177111.3 |
3 |
2854962 |
1491355 |
8473186 |
12819502 |
-1525.08 |
2325857 |
4 |
918496.7 |
1882047 |
5430110 |
8230654 |
-2063.72 |
4258932 |
5 |
327067.3 |
3730862 |
1848637 |
5906567 |
-652.772 |
426111.6 |
6 |
9635925 |
7486847 |
135400.7 |
17258173 |
2846.761 |
8104049 |
7 |
15083848 |
7615083 |
1263936 |
23962867 |
4803.549 |
23074080 |
8 |
13799298 |
4458619 |
2570238 |
20828156 |
2833.591 |
8029238 |
9 |
3829931 |
1355387 |
628547.7 |
5813866 |
412.8877 |
170476.3 |
10 |
44.8766 |
7722.367 |
8944.62 |
16711.86 |
-1570.23 |
2465617 |
11 |
139563.5 |
1296282 |
585166.9 |
2021013 |
-3585.76 |
12857648 |
12 |
553244.9 |
2256373 |
575046.7 |
3384664 |
-1321.03 |
1745120 |
|
|
|
|
148693260,64 |
|
63693113
|
, ,
Табличное значение F-статистики с 11 и 24 степенями свободы и уровнем значимости 0,05 равно:
.
Так как , то полученные результаты подтверждают предположение о неслучайном характере остаточной компоненты, во временном ряде присутствуют колебания с годовой периодичностью.
Для выявления сезонных колебаний можно также использовать критерий сравнения распределений коэффициентов автокорреляции с распределением циклического коэффициента автокорреляции. Данный критерий, также как и дисперсионный, применяют к остатку после выделения тренда. Критерий основан на предположении, что в неслучайных рядах существует тот или иной тип зависимости между членами.
Нециклическим коэффициентом автокорреляции с запаздыванием (или лагом) называется величина:
(4.3)
или в упрощенном виде (для больших T):
. (4.4)
Предполагая, что получим следующее выражение:
,
названное циклической (круговой) сериальной корреляцией.
Т. Андерсон1, исходя из предположения нормально распределенной совокупности , предложил использовать сериальные коэффициенты первого порядка для проверки гипотезы о независимости. В работе доказана теорема дающая право вычисленияR=rкр и приведена таблица значений R, при которых функция распределения принимает значения 0,01 0,05 0,95 0,99 . Распределение циклического коэффициента автокорреляции для=0,01 и =0,05 приведено в таблице 4.3. Показано, что с увеличением Т распределение нециклического коэффициента автокорреляции асимптотически сходится к распределению циклического коэффициента автокорреляции. Поэтому, на практике вычисляется r1 по формуле (4.3) или (4.4) и по таблицам проверяется его существенность.
Таблица 4.3.
Распределение циклического коэффициента автокорреляции
Т | ||
0,95 |
0,99 | |
5 6 7 8 9 10 11 12 13 14 15 20 25 30 35 40 45 50 55 60 65 70 75 |
0,253 0,345 0,370 0.371 0,366 0,360 0,353 0,348 0,341 0,335 0,328 0.299 0,276 0,257 0,242 0,229 0,218 0,208 0,199 0,191 0,184 0,178 0,174 |
0,297 0,477 0,510 0,531 0,533 0,525 0,515 0,505 0,495 0,485 0,475 0,432 0,398 0,370 0,347 0,329 0,313 0,301 0,289 0,278 0,268 0,259 0,250 |
Пример. Выявим сезонные колебания во временном ряду «Выпущенные банком ценные бумаги» с помощью критерия сравнения распределений коэффициентов автокорреляции с распределением циклического коэффициента автокорреляции. Этот критерий, также как и дисперсионный, применяют к остатку после выделения тренда. Значение первого коэффициента автокорреляции, вычисленное по формуле (4.3) с помощью статистической функции КОРРЕЛ равно r1==0,707 (рис. 4.2). Критическое значение циклического коэффициента для остаточного ряда при =0,05 и Т=36 r1=0,239. То есть r1> rкрит=0,239 и факт присутствия в остаточном ряду сезонных колебаний подтверждается.
Рис. 4.4. Расчет первого коэффициента автокорреляции
Гармонический критерий основан на анализе коэффициентов Фурье. Известно, что произвольную функцию можно разложить в бесконечный ряд Фурье:
, .
Для этого достаточно, чтобы функция на интервале от - до была однозначной, непрерывной и имела конечное число точек максимума и минимума. Если функция периодическая, то ее можно представить в виде отрезка ряда Фурье:
, (4.5)
если Т нечетное и
, (4.6)
если Т четное.
Коэффициенты находятся по формулам:
, ,
, (4.7)
, .
Из свойств функций cos и sin следует, что оценки параметров в генеральной совокупности являются несмещенными и взаимно некоррелированными. Из этих предположений об ошибке Еt дисперсии оценок определяются как , а дисперсии оценок-. Несмещенной оценкой дисперсии ошибокбудет:
.
В работе2, исходя из нормальности распределения величин Еt, для выявления сезонных колебаний предлагается использовать гипотезу об отсутствии циклического слагаемого с заданным наименьшим периодом. Выдвигается нулевая гипотеза:
.
Если нулевая гипотеза верна, то независимы и нормально распределены с нулевыми средними и дисперсиями. Статистика
имеет 2 – распределение с двумя степенями свободы, а статистика
(4.8)
имеет F- распределение c (2, Т-р) степенями свободы, где р - число оцениваемых коэффициентов.
Гипотеза более общего порядка о равенстве нулю всех коэффициентов использует статистику:
, (4.9)
имеющую F-распределение с (Т0-1) и (Т-Т0) степенями свободы.
Пример. Выявим сезонные колебания во временном ряду «Выпущенные банком ценные бумаги» с помощью гармонического критерия. Гармонический анализ позволяют проводить в основном все статистические программы. Выполним расчеты с использованием программы статистического анализа и прогнозирования «ОЛИМП:СтатЭксперт». Этот критерий также как и предыдущие применяют к остатку после выделения тренда.
Таблица 4.4
Таблица анализа гармонических статистик
Ряд |
Название временного ряда |
Номер гармо-ники |
Период |
Fрасч. |
Fтабл. При =0,05 |
Факт присутствия в остаточном ряду сезонных колебаний |
1 |
Ценные бумаги |
2 3 6 |
18 12 6 |
5,924 5,985 6,387 |
3,29 |
Подтверждается |
Таким образом, проведенный анализ подтверждает наличие колебаний в рассматриваемом временным ряде, колебания являются сезонными, так как завершаются в течение года.
Из рассмотренных трех критериев выявления сезонных колебаний наиболее простым является дисперсионный критерий. На практике чаще используется гармонический критерий, который позволяет не только проверить наличие сезонных колебаний, но и оценить степень вклада в общую дисперсию каждой гармоники. Использование критерия сериальной корреляции для выявления сезонных колебаний не всегда дает однозначный результат, особенно для рядов со слабо выраженными колебаниями.