1.2.1. Стационарные нестационарные стохастические модели для прогнозирования и регулированияВажный класс стохастических моделей для описания временных рядов, который привлек большое внимание, - так называемые стационарные модели. Они основаны на предположении, что процесс остается в равновесии относительно постоянного среднего уровня. Однако в индустрии, коммерции и экономике, где прогнозирование имеет особо важное значение, многие временные ряды часто лучше описываются как нестационарные и, в частности, как не имеющие естественного среднего значения. Поэтому не удивительно, что методы экономического прогнозирования, предложенные Холтом [1, 22], Винтерсом [23], Брауном [2] и в монографии ICI [3], пользуются экспоненциально взвешенными скользящими средними; можно показать, что такой подход соответствует одному частному виду нестационарного процесса. Хотя такие методы слишком частные, чтобы эффективно применяться ко всем временным рядам, тот факт что они обеспечивают правильную прогнозирующую функцию, указывает на характер нестационарной модели, пригодной для этого класса проблем. Стохастическая модель, для которой прогнозирование экспоненциально взвешенным скользящим средним является оптимальным, относится к классу нестационарных процессов, называемых процессами авторегрессии – проинтегрированного скользящего среднего (АРПСС), которые обсуждаются в главе 4. Этот широкий класс процессов обеспечивает множество как стационарных, так и нестационарных моделей, которые адекватно описывают многие встречающиеся на практике временные ряды. Наш подход к прогнозированию заключается в отыскании вначале адекватной стохастической модели для исследуемого временного ряда. Как показано в гл. 5, когда подходящая модель ряда найдена, с её помощью немедленно находится оптимальная прогнозирующая методика. Частным случаем таких методик является прогнозирование экспоненциально взвешенным скользящим средним. Некоторые простые операторы. Мы будем широко пользоваться оператором сдвига назад
В свою очередь оператор, обратный
Модель линейного фильтра. Применяемые нами стохастические модели используют тот факт [24], что временные ряды, в которых последовательные значения сильно зависимы, целесообразно рассматривать как генерируемые последовательностью независимых импульсов Предполагается, что белый шум
В общем - линейный оператор, преобразующий Рис. 1.4а. Представление временного ряда как выхода линейного фильтра. Последовательность Модели авторегрессии. Так называемая модель авторегрессии является исключительно полезной стохастической моделью для описания некоторых встречающихся на практике рядов. В этой модели текущее значение процесса выражается как конечная линейная совокупность предыдущих значений процесса и импульса
Называется процессом авторегрессии (АР) порядка Связывающая «зависимое» переменное
то модель авторегрессии можно сжато описать как
Эта модель содержит Нетрудно заметить, что модель авторегрессии является частном видом модели линейного фильтра (1.2.1). Например, Аналогичным образом можно исключить Символически это можно записать как
что эквивалентно
где
Процессы авторегрессии могут быть стационарным или нестационарными. Чтобы процесс был стационарным, нужно выбрать Модели скользящего среднего. Модель авторегрессии (1.2.2) выражает отклонение Другой тип моделей, имеющий большое значении в описании наблюдаемых временных рядов, - это так называемый процесс скользящего среднего. Пусть
называется процессом скользящего среднего (СС) порядка Если мы определим оператор скользящего среднего порядка
то модель скользящего среднего можно сжато записать как
Она содержит Смешанные модели автрорегрессии - скользящего среднего. Для достижения большей гибкости в подгонке моделей к наблюдаемым временным рядам иногда целесообразно объединить в одной модели и авторегрессию, и скользящее среднее. Это приводит к комбинированной модели авторегрессии - скользящего среднего
или в которой имеется На практике часто оказывается, что адекватное описание наблюдаемых временных рядов достигается при помощи моделей авторегрессии, скользящего среднего или комбинированной модели, в которых Нестационарные модели. Многие ряды, практически встречающиеся в промышленности или торговле (например, биржевые цены), обнаруживают нестационарный характер и, в частности, не колеблются относительно фиксированного среднего. Тем не менее их свойства могут быть в некотором смысле однородными. Например, хотя уровень, относительно которого происходят флуктуации, может быть разным в разные времена, поведение рядов с учетом различий в уровне оказывается во многом сходным. Мы покажем в гл. 4, что такой ряд может быть представлен обобщенным оператором авторегрессии
где
т. е.
Таким образом, однородный нестационарный процесс может быть описан моделью, которая требует, чтобы Рис. 1.4б. Диаграмма модели авторегрессии- проинтегрированного скользящего среднего. 1-фильтр скользящего среднего, 2-стационарный фильтр авторегрессии, 3-нестационарный фильтр суммирования. Процесс определенный (1.2.5) или (1.2.6), представляет собой эффективную модель для описания стационарных и нестационарных временных рядов и называется процессом авторегрессии – проинтегрированного скользящего среднего (АРПСС) порядка (
с Причина для включения в название АРПСС слова «проинтегрированный» (более точно, вероятно, было бы говорить «суммированный») заключается в следующем. Соотношение обратное (1.2.4), имеет вид
Напомним, что
Следовательно, обобщение процесс авторегрессии – проинтегрированного скользящего среднего можно получить из белого шума
Второй фильтр имеет вход
Наконец, третий фильтр, согласно (1.2.8), имеет вход Как указано в главе 9, для описания сезонных временных рядов можно использовать специальную форму модели (1.2.7).
|