- •1.Прикладные злп
- •2.Осн.Виды записи злп,способы преобразования
- •3.Геом.Интерпретация и осн.Св-ва злп.Графич.Решение
- •4.Симплекс-метод численного реш.Злп
- •5.Признак оптим-ти опорного плана злп
- •6.Осн.Теор. Двойст-ти в лп и их экон.Сод.
- •7.Реш.Злп методом искусств.Базиса
- •8.Транспортная задача и ее св-ва
- •9.Метод потенциалов решения трансп.З-чи
- •10.Признак опт-ти опорн.Плана трансп.З-чи
- •11.Задачи нелин.И выпуклого пр-ия.Осн.Теоремы выпукл.Пр-я
- •14.Градиентные методы для ЗниВ пр-я
- •15.Матричные игры и методы их решения
- •17.Общая схема межотр. Б-са, осн.Бал.Соотн.Мат.М-ль моб.Реш.С-мы ур-й моб
- •18.Коэф.Полн.И косв.Затрат.Коэф.Полн.З-т ф-в пр-ва.Модель моб с уч.Ф-в пр-ва
- •19.Построение с-мы цен на осн.Моб
- •20.Оптимизац.Модели на основе моб
- •21.Простейшая динамич.М-ль моб
- •22.Динамическая модель моб с уч.Труд.Рес-в
- •23. Оптимиз.Дин.М-ль моб
- •24. О природе м-лей экон. Роста
- •25. Модель эк.Роста домара
- •26. Модель эк.Роста харрода
- •29. Общие понятия о равновесии
- •30.Модель общего равн.Вальраса
- •31.Модель макроэк.Равн.Модильяни
- •32.Модель макроэк.Равн.Кейнса
- •33.Мат.Модель многокрит.Оптим-ции,осн. Св-ва
- •34.Усл.Оптимальности по парето
- •35. Трехкритериальная модель оптим-и отрраслевой стр-ры бел.Эк-ки
- •36. Общая хар-ка эконометр. Подхода
- •38.Получение мат.Моделей проц-в о эксперимент. Данным
- •41. Модель автореггрессии и скользящего среднего Понятие модели временного ряда
41. Модель автореггрессии и скользящего среднего Понятие модели временного ряда
модель временного ряда имеет следующий вид: Xt = b + t, где b - константа и (эпсилон) - случайная ошибка. Константа b относительно стабильна на каждом временном интервале, но может также медленно изменяться со временем. Один из интуитивно ясных способов выделения b состоит в том, чтобы использовать сглаживание скользящим средним, в котором последним наблюдениям приписываются большие веса, чем предпоследним, предпоследним большие веса, чем пред-предпоследним и т.д. Простое экспоненциальное именно так и устроено. Здесь более старым наблюдениям приписываются экспоненциально убывающие веса, при этом, в отличие от скользящего среднего, учитываются все предшествующие наблюдения ряда, а не те, что попали в определенное окно. Точная формула простого экспоненциального сглаживания имеет следующий вид:
St = *Xt + (1-)*St-1
Когда эта формула применяется рекурсивно, то каждое новое сглаженное значение (которое является также прогнозом) вычисляется как взвешенное среднее текущего наблюдения и сглаженного ряда. Очевидно, результат сглаживания зависит от параметра (альфа). Если равно 1, то предыдущие наблюдения полностью игнорируются. Если равно 0, то игнорируются текущие наблюдения. Значения между 0, 1 дают промежуточные результаты.
прогнозирование значений временных рядов Научное название: задача авторегрессии, прогнозирование временного ряда.
Реальные примеры: прогнозирование температуры дня на завтра по температурам предыдущих дней, прогнозирование курса валют или котировок акций на завтра по результатам торгов в предыдущие дни.
Описание. Имеется упорядоченный во времени ряд измерений, и необходимо получить возможность делать прогноз значения на момент времени t по значениям за некоторое число k предыдущих моментов времени t-1, t-2, ... , t-k.При наличии нескольких одновременно протекающих процессов задача авторегрессии может быть превращена в задачу регрессии-авторегрессии, когда следующее значение показателя прогнозируется не только по предыдущим его значениям, но и по значениям других показателей в предыдущие моменты времени. Например, при наборе биржевых курсов "доллар-евро", "доллар-йена", "доллар-фунт стерлингов" для прогноза курса доллара относительно евро могут быть использованы и значения его прошлых курсов относительно других валют.