КОМПЬЮТЕРНАЯ РЕАЛИЗАЦИЯ МОДЕЛИ БРАУНА

Семененко Марина Геннадиевна
Калужский филиал Московского Государственного Технического Университета имени Н.Э. Баумана
кандидат физико-математических наук, доцент кафедры «Высшая математика»

Аннотация
Задача прогнозирования поведения экономических показателей является практически значимой и достаточно нетривиальной. К адаптивным моделям прогнозирования, способным изменять свою структуру и параметры, приспосабливаясь к изменению условий, относится модель Брауна. В данной статье рассматривается методика построения модели Брауна с применением доступного легального программного обеспечения. Рассматривается проблема подбора параметра модели. Приведен пример реализации вычислений.

Ключевые слова: адаптивные модели прогнозирования, модель Брауна


COMPUTER REALIZATION OF BRAWN MODEL

Semenenko Marina Gennadiyevna
Bauman Moscow State University, Kaluga branch

Abstract
The problem of economic indicators behavior forecasting of behavior is significant and rather sofisticated. Brown model belongs to the adaptive forecasting models capable to change the structure and parameters, adapting to change of conditions. In this article the technique of Brown model creation using the available legal software is considered. The problem of model parameter selection is considered. The example of calculation is given.

Keywords: adaptive models of forecasting, Brown model


Рубрика: 01.00.00 ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
Семененко М.Г. Компьютерная реализация модели Брауна // Современные научные исследования и инновации. 2017. № 2 [Электронный ресурс]. URL: https://web.snauka.ru/issues/2017/02/78301 (дата обращения: 29.03.2024).

Введение
К наиболее часто применяемым методам прогнозирования относятся методы эконометрики и анализа временных рядов [1, 2]. В последнее время развиваются также новые направления, основанные, например, на формализме нечеткой логики [3, 4].
Среди моделей анализа временных рядов особое место занимают адаптивные модели, к которым относятся самонастраивающиеся рекуррентные модели, отражающие динамические свойства исследуемого временного ряда. Различная информационная ценность предшествующих значений (уровней) временного ряда учитывается различными весовыми коэффициентами.
Все адаптивные модели делятся на два класса: модели скользящего среднего (СС-модели) и авторегрессии (АР-модели). Согласно схеме скользящего среднего оценкой текущего уровня является взвешенное среднее всех предшествующих уровней, при этом вес (множитель) отражает информационную ценность наблюдения: вес тем больше, чем ближе наблюдение находится к текущему уровню. Такие модели хорошо подходят для процессов с трендом, но не позволяют отражать, например, сезонные колебания. Частным случаем СС-моделей является модель экспоненциального сглаживания (модель Брауна).
В СС-моделях моделирование производится с помощью параметра сглаживания, который принимает значения в интервале от 0 до 1. Параметр сглаживания принимает значение больше 0,5 для быстроизменяющихся процессов и меньше 0,5 для относительно стабильных процессов. Подбор подходящего значения данного параметра представляет определенные трудности при практическом использовании данного класса моделей.
В настоящей работе рассмотрена методика построения модели Брауна и подбор параметра модели с использованием доступного и легального программного обеспечения. Предлагаемый алгоритм может быть использован и для других адаптивных моделей, например, модели Хольта-Уинтерса.

Математическое описание модели

При построении линейной модели Брауна можно выделить следующие этапы:

1. По нескольким первым точкам временного ряда строим линейную модель:

yth(t) = a0 + a1t .

Значения параметров линейной модели оцениваются с помощью метода наименьших квадратов.

2. С использованием найденных на предыдущем этапе параметров a0 и a1 находим прогноз на шаг вперед (т.е. для t = 1):

y1 = a0(0) + a1(0)t = a0(0) + a1(0) .

3. Находим величину e отклонения фактического значения экономического показателя от расчетного:

e = y(t) – yth(t) . (1)

4. Корректируем параметры модели по формулам:

a0(t) = a0(t-1) + a1(t-1) + (1 – b2)Чe(t) , (2)

a1(t) = a1(t-1) + (1 – b)2Чe(t) , (3)

где b = 1 – aa – параметр сглаживания.

5. С помощью скорректированных на предыдущем шаге параметров находим прогноз на следующий момент времени (t = 1):

yth(t) = a0(t) + a1(t)t . (4)

Точечный прогноз на будущее рассчитывается по формуле

yth(n + t) = a0(n) + a1(n)t , t = 1, 2, … (5)

Здесь n – число наблюдений.

Компьютерная реализация модели

Рассмотрим построение модели Брауна данным [1] из табл.1.
Табл. 1. Исходные данные для построения модели Брауна

t y t y t y
1
27,3
14
193,5
27
400,6
2
41,8
15
207,4
28
409,4
3
42,8
16
221,2
29
426
4
56,2
17
267,2
30
402
5
72,5
18
264
31
398,7
6
56
19
273,8
32
418,1
7
70
20
321
33
424,6
8
74,9
21
317,4
34
435,1
9
103,3
22
342
35
439,8
10
111,3
23
350,6
11
125,2
24
368,5
12
189,3
25
397
13
169,1
26
382,9

При проведении вычислений удобно использовать сочетание нескольких программных продуктов. На первом этапе построение модели линейной регрессии удобно выполнить в электронных таблицах Excel.
В электронных таблицах Excel введем в столбец исходные данные, добавим в таблицу нулевую строку и вычислим параметры a0 (функция ОТРЕЗОК) иa1 (функция НАКЛОН) по первым пяти точкам. Вычисление параметра a0 показано на рис. 1. Вычисление параметра a1 выполняется аналогично с помощью функции НАКЛОН. 
После построения модельных значений для всех исходных точек вычисляем прогнозные значения по формуле (5).

Рис. 1. Вычисление параметра a0

Полностью вычисления по модели Брауна в электронных таблицах удобно выполнять при известном фиксированном значении параметра a. Как правило, значение этого параметра неизвестно и в распоряжении экономиста имеется только набор значений y. Тогда для определения параметра aможно использовать следующий алгоритм. Разобьем отрезок [0; 1] на n равных частей. Обозначим точки разбиения как a0 , a1 , a2 , … , an (a0 = 0, an= 1). Для каждого значения ai , i = 1, … , n, выполним вычисления модельных значений yth . Для характеристики точности вычислений удобно использовать функционал ошибки
 .
По результатам вычислений в качестве параметра a выбираем значение, соответствующее минимуму функционала ошибки.

На рис. 2 показан график исходных и модельных значений.

Реализацию алгоритма подбора параметра удобно проводить с помощью пакетов прикладных программ, например, свободно распространяемого пакета Scilab [5]. 
Аналогичный подход можно применить для подбора параметров в более сложной модели Хольта-Уинтерса [2].

Рис. 2. Исходные и модельные значения в модели Брауна

Проверка точности модели
Для оценки точности модели вычислим среднюю относительную ошибку аппроксимации. Считается, что точность модели хорошая, если среднее значение относительной погрешности не превышает 5% , удовлетворительная, если среднее значение относительной погрешности не превышает 15%, и неудовлетворительная, если среднее значение относительной погрешности больше 15%.
Для каждого отдельного значения y относительная ошибка аппроксимации вычисляется по формуле (y- yth,i)/yi , i = 1, … , n. Здесь yth,i – значение y, соответствующее модели. Средняя относительная ошибка аппроксимации получается как среднее всех относительных ошибок. 
Для рассмотренного примера получим значение 6,75. Таким образом, точность модели является хорошей.

Выводы

В данной работе детально описан алгоритм компьютерной реализации модели Брауна и подбора параметров модели. Проведенные вычисления показали хорошее соответствие с имеющимися в литературе данными.


Библиографический список
  1. Экономико-математические методы и прикладные модели: учебник для бакалавров / В.В. Федосеев, А.Н. Гармаш, И.В. Орлова. – М.:Юрайт, 2012. – 328 с.
  2. Семененко М.Г., Унтилова Л.А. Модель Хольта-Уинтерса: математические аспекты и компьютерная реализация // Вектор науки Тольяттинского государственного университета. Серия: Экономика и управление. 2016. № 3 (26). С. 64-67.
  3. Кулакова Н.Н., Семененко М.Г., Черняев С.И., Унтилова Л.А. Анализ финансовой устойчивости предприятия // Вектор науки Тольяттинского государственного университета. 2014. № 1 (27). С. 127-129.
  4. Семененко М.Г., Кулакова Н.Н. Прогнозирование финансовой устойчивости предприятия на основе формализма нечеткой логики // Международный журнал прикладных и фундаментальных исследований. 2014. № 5-2. С. 191-192.
  5. http://www.scilab.org


Количество просмотров публикации: Please wait

Все статьи автора «Семененко Марина Геннадиевна»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться:
  • Регистрация