д-р экон. наук, профессор, главный научный сотрудник,
г. Москва
Moscow
канд. экон. наук, генеральный директор,
г. Москва
Moscow
эксперт,
г. Москва
Moscow
научный сотрудник,
г. Москва
Moscow
Данная статья посвящена актуальной проблеме повышения точности прогнозирования временных рядов посредством объединение частных прогнозов. При прогнозировании обычно используется только один метод, а вся информация, которая содержится в других методах прогнозирования, обычно отбрасывается. Объединение прогнозов позволяет использовать почти всю информацию, содержащуюся в частных прогнозах. В статье приводится описание некоторых наиболее распространенных методов объединения прогнозов: двух модификаций метода Грэнджера-Раманатхана (без ограничений и с ограничениями на сумму коэффициентов при частных прогнозах), метод матрицы парных предпочтений, а также метод линейной комбинации частных показателей с различными весами.
Для получения частных прогнозов в статье использовались следующие часто применяемые методы прогнозирования временных рядов: метод гармонических весов, метод адаптивного экспоненциального сглаживания с использованием трэкинг-сигнала, метод обычного экспоненциального сглаживания и модель Бокса-Дженкинса.
На основе годовых данных за период с 1950 по 2015 г. о производстве в РФ некоторых продуктов в натуральном выражении: производство электроэнергии; добыча каменного угля; добыча сырой нефти; добыча природного газа; производство металлорежущих станков; производство мяса; производство растительного масла, был проведен сравнительный анализ статистических характеристик объединенных прогнозов, полученных рассмотренными методами. Также авторы рассчитали прогноз по каждому из показателей за 2016 г. и сравнили его с фактическими данными.
В результате исследования были получены следующие выводы. Объединенный прогноз имеет белее высокую точность прогнозирования временного ряда. Прогнозы, построенные с использованием подходов Грэнджера-Раманатхана, имеют наибольшую точность объединенного прогноза.
This article is devoted to the highly relevant problem of increasing the accuracy of forecasting time series by combining particular forecasts. Forecasting usually uses only one method, while all the information that is contained in other forecasting methods is discarded. Combining forecasts makes it possible to use almost all information contained in particular forecasts. The article describes some most common methods of combining forecasts: two modifications of the Granger-Ramanathan method (without restrictions and with restrictions on the sum of the coefficients for particular forecasts), the method of the pair preference matrix, and the method of linear combination of particular forecasts with different weights.
Authors use the following frequently used time series prediction methods to obtain particular forecasts: the harmonic weights method, the method of adaptive exponential smoothing using the tracking signal, the conventional exponential smoothing method and the Box-Jenkins model.
This analysis is based on production history of several products manufactured in Russia in 1950–2015: the production of electricity; extraction of hard coal; crude oil production; extraction of natural gas; manufacture of metal-cutting machine tools; meat production; production of vegetable oil. The authors carried out comparative analysis of the statistical characteristics of different combined forecasts. Also, the authors calculated the forecast for each of the indicators for 2016 and compared it with the actual data.
The following conclusions were obtained. The combined forecast has a higher accuracy of forecasting time series. Forecasts constructed using the Granger-Ramanathan approaches have the greatest accuracy of the combined forecast.
The authors declare that there are no conflicts of interest present.