Нейросети
Нейросети
Нейросети
Нейросети
Нейросети





Нейросети
  Глава 1     Глава 2   

 

 

В этой главе были рассмотрены и проанализированы некоторые

методы и алгоритмы прогнозирования, имеющие четкую математи-

ческую формализацию и позволяющие нам работать с временными

рядами. Отметим, что на практике, кроме рассмотренных методов,

для прогнозирования широко используются методы экспертных

оценок, теория межотраслевого баланса, методы, основанные на тео-

рии игр, вариационного исчисления, спектрального анализа и др.

[31, 32, 35, 41, 46, 49, 56, 96]. В последнее время все большее внима-

ние уделяется исследованию и прогнозированию финансовых вре-

менных рядов с использованием теории динамических систем, тео-

рия хаоса. Это достаточно новая область, которая представляет со-

бой популярный и активно развивающийся раздел математических

методов экономики [12, 33, 50, 58, 59, 78, 82, 101, 140].

Рассмотренные в данной главе методы, помимо очевидных пре-

имуществ и плюсов, имеют ряд существенных недостатков.

Недостатки метода наименьших квадратов (МНК). Использова-

ние процедуры оценки, основанной на методе наименьших квад-

ратов, предполагает обязательное удовлетворение целого ряда

предпосылок, невыполнение которых может привести к значи-

тельным ошибкам: 1. Случайные ошибки имеют нулевую сред-

нюю, конечные дисперсии и ковариации; 2. Каждое измерение

случайной ошибки характеризуется нулевым средним, не зави-

сящим от значений наблюдаемых переменных; 3. Дисперсии ка-

ждой случайной ошибки одинаковы, их величины независимы от

значений наблюдаемых переменных (гомоскедастичность); 4.

Отсутствие автокорреляции ошибок, т. е. значения ошибок раз-

личных наблюдений независимы друг от друга; 5. Нормаль-

ность. Случайные ошибки имеют нормальное распределение; 6.

Значения эндогенной переменной х свободны от ошибок изме-

рения и имеют конечные средние значения и дисперсии.

Проблемы выбора адекватной модели. Выбор модели в каждом

конкретном случае осуществляется по целому ряду статистиче-

ских критериев, например, по дисперсии, корреляционному от-

ношению и др.

Дисконтирование. Классический метод наименьших квадратов

предполагает равноценность исходной информации в модели. В

реальной же практике будущее поведение процесса значительно

в большей степениопределяется поздними наблюдениями, чем ранними.








Подпись: Начало
Подпись: Дальше

Выводы к теоретической главе