Тихонов Э.Е. Методы прогнозирования в условиях рынка

Опубликовал: pvi777 в категорию Материалы по Dell StatSoft Statistica - Дата добавления: 23.05.2019, 13:57


В учебном пособии рассмотрены вопросы практического применения методов прогнозирования. Особенность данного издания – рассмотрение концепций применения методов прогнозирования одновременно с вопросами их практической реализации в современных программных средствах MS Excel, Statistica, Statistica Neural Networks.

Пособие состоит из четырех частей. В первой части сделан аналитический обзор методов и моделей прогнозирования. Во второй части на примерах разобраны адаптивные методы прогнозирования, модель Уинтерса (экспоненциального сглаживания с мультипликативной сезонностью и линейным ростом) и модель Тейла-Вейджа. В третьей части подробно разобраны вопросы практической реализации линейных и нелинейных многофакторных моделей в пакете Statistica. В четвертой части описаны практические аспекты нейросетевого прогнозирования с использованием пакета Statistica Neural Networks. Каждый раздел заканчивается контрольными вопросами и заданиями для самостоятельной работы.

Пособие предназначено для студентов, изучающих дисциплины: рынок ценных бумаг, менеджмент и компьютерная поддержка принятия решений, прогнозирование и планирование в задачах производственного менеджмента.

ОГЛАВЛЕНИЕ

Введение

Глава 1. Аналитический обзор моделей и методов прогнозирования
1.1. Прогнозная экстраполяция
1.1.1. Метод наименьших квадратов
1.1.2. Метод экспоненциального сглаживания
1.1.3. Метод вероятностного моделирования
1.2. Интуитивные (экспертные) методы прогнозирования
1.3. Корреляционный и регрессионный анализы
1.4. Модели стационарных временных рядов и их идентификация
1.4.1. Модели авторегрессии порядка p (AR(р)-модели)
1.4.2. Модели скользящего среднего порядка q (МА(q)-модели)
1.4.3. Авторегрессионные модели со скользящими средними в остатках (ARMA(p, q)-модели)
1.5. Модели нестационарных временных рядов и их идентификация
1.5.1. Модель авторегрессии-проинтегрированного скользящего среднего (ARIMA(p, k, q)-модель)
1.5.2. Модели рядов, содержащих сезонную компоненту
1.5.3. Прогнозирование на базе ARIMA-моделей
1.6. Адаптивные методы прогнозирования
1.7. Метод группового учета аргументов
1.8. Теория распознавания образов
1.9. Прогнозирование с использованием нейронных сетей, искусственного интеллекта и генетических алгоритмов

Глава 2. Практическая реализация адаптивных методов прогнозирования
2.1. Общие положения
2.2. Полиномиальные модели временных рядов. Метод экспоненциальной средней
2.2.1. Адаптивная полиномиальная модель нулевого порядка (р=0)
2.2.2. Адаптивная полиномиальная модель первого порядка (р=1)
2.2.3. Адаптивная полиномиальная модель второго порядка (р=2)
2.3. Прогнозирование с использованием модели Уинтерса (экспоненциального сглаживания с мультипликативной сезонностью и линейным ростом)
2.4. Прогнозирование объема производства по модели Тейла-Вейджа

Глава 3. Практическая реализация многофакторных моделей прогнозирования
3.1. Линейные многофакторные модели
3.2. Нелинейные многофакторные модели

Глава 4. Нейросетевое прогнозирование экономических показателей в пакете Statistica Neural Networks
4.1. Основные возможности пакета Statistica Neural Networks
4.1.1. Создание набора данных
4.1.2. Добавление наблюдений
4.1.3. Удаление лишних наблюдений
4.1.4. Изменение переменных и наблюдений
4.1.5. Другие возможности редактирования данных
4.1.6. Создание новой сети
4.1.7. Создание сети
4.1.8. Сохранение набора данных и сети
4.1.9. Обучение сети
4.1.10. Оптимизация обучения
4.1.11. Выполнение повторных прогонов
4.1.12. Ошибки для отдельных наблюдений
4.2. Запуск нейронной сети
4.2.1. Обработка наблюдений по одному
4.2.2. Прогон всего набора данных
4.2.3. Тестирование на отдельном наблюдении
4.3. Создание сети типа Многослойный персептрон
4.3.1. Создание сети типа многослойный персептрон с помощью мастера
4.4. Построение нейронной сети без мастера
4.5. Обучение сети
4.5.1. Обучение методом обратного распространения ошибки
4.5.2. Обучение с помощью метода Левенберга-Маркара
4.5.3. Алгоритм выполнения обучения сети с помощью метода Левенберга-Маркара         
4.6. Генетические алгоритмы отбора входных данных
4.7. Применение нейронных сетей в задачах прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях
4.7.1. Сравнительный анализ нейронных сетей
4.7.2. Исследование нейросетевых структур для курсов акций ОАО «Ростелеком», ОАО «Лукойл», «Сбербанк»
4.8. Сравнительная оценка классических и нейросетевых методов прогнозирования

Литература
Приложения


Скачать:


  • Теги:

Комментарии:


Оставить комментарий

Вход на сайт

Информация о проекте

Настоящий сайт представляет собой информационный портал, содержащий материалы по проблеме бизнес-аналитики, раскрывающие особенности использования современных подходов и методов анализа и обработки данных, что в условиях современной информатизации общества представляется весьма актуальным при исследовании различных проблем социально-экономического характера.
Настоящий портал содержит материалы познавательного, учебно-методического и научно-исследовательского характера, демонстрирующие современное состояние развития проблемы бизнес-аналитики, проблемы анализа и обработки данных. Особое внимание на страницах сайта уделено методическому и аналитическому инструментарию рассматриваемых проблем. Наряду с теоретическими и аналитическими материалами сайт содержит пакеты программных продуктов, представляющих собой прикладной инструментарий, способный автоматизировать научно-практические исследования в области бизнес-аналитики и бизнес-статистики.

Контакты