Реферат на тему Моделювання інфляційних процесів - Фінанси - Реферати - Каталог статей

Реферат на тему Моделювання інфляційних процесів. Моделювання макроекономічних процесів необхідно для їх більш глибокого вивчення й асимптотичного аналізу, прогнозування і керування. Ця проблема є особливо актуаль-ною для економіки перехідного періоду, що характеризується високою динамікою, наяв-ністю невизначеностей різного типу, а також істотними відмінностями від сталої економі-ки. Одним з визначальних макроекономічних процесів є процес інфляції. Для моделюван-ня процесу інфляції виберемо такі макроекономічні показники: індекс споживчих цін і обсяг грошової маси. Статистичні дані цих макроекономічних показників України за 1996–2002 рр. подані у вигляді темпів приросту до попереднього місяця (рис. 1). Формальна постановка задачі. Дано послідовність вимірів випадкової вхідної змінної , що являє собою приріст грошової маси, і перемінної (індекс споживчих цін) на тимчасовому інтервалі . Необхідно побудувати дискретну математичну модель авторегресії з ковзним середнім АРСС (): ‘ (1) де передбачається некорельованою нормально розподіленою послідовністю з постійною дисперсією і нульовим середньої, тобто . (2) Рис. 1. Темпи приросту грошової маси й інфляції в Україні (1996–2002 р.) Таким чином, необхідно визначити структуру і вектор параметрів: , моделі (1) за умови (2). Задача оцінювання й аналізу регресійних моделей вирішена за до-по-мо-гою пакета прикладних програм (ППП) Eviews. Деякі результати ви-конаного регресійного аналізу подані в таблицях 1–2: Таблиця 1 Результати оцінювання регресійної моделі З таблиці 1 випливає, що є некорельованою послідовніс-тю, тому що DW=1,985 [1]. Таблиця 2 Другий варіант оцінювання моделі У результаті проведення аналізу регресійних моделей для керування виберемо як найбільш адекватну процесу, що випливає з табл. 2, стохастичну авторегрессійну модель 2-го порядку: , де індекс споживчих цін у момент ; обсяг грошової маси в момент ; випадковий компонент із нульовим середнім, обумовлений неврахованими регре-со-рами і збурюваннями. Збурюваннями в даному випадку є випадкові впливи на ціни у вигляді нерегулярних потоків імпорту, витоку капіталу, нестабільності законодавства; , , , , коефіцієнти, що визначені на підставі статистичних даних для індексу споживчих цін . Припустимо, що обсяг грошової маси, визначається виразом , де середнє значення обсягу грошової маси, а збільшення грошової маси, що використовується як керуючий вплив. Тоді одержуємо таке рівняння: , (3) яке можна також подати так: , (4) де . Щоб дослідити асимптотику поведінки процесу, знайдемо розв’язок отриманого рівняння методом, наведеним у роботах [1, 3]. Однорідне рішення знаходиться з рішення відповідного однорідного рівняння (4) і має вигляд: , де константи , , . Для знаходження часткового розв’язку рівняння (4) скористаємося методом варіації параметрів [3], відомого в літературі як метод Лагранжа варіації постійних. Частковий розв’язок шукаємо у вигляді: . (5) Для знаходження і вимагаються дві умови. Одна з них полягає в тому, що рівняння (5) повинне задовольняти рівняння (4). Друга умова вибирається так: , (6) де . Підставляючи праву частину виразу (5) у (4), одержимо: . З огляду на співвідношення (6) і те, що є розв’язками відповідного однорідного рівняння, маємо: . (7) Розв’язуючи рівняння (6) і (7), одержимо: , , А звідси: , . Таким чином, частковий розв’язок рівняння (4) має вигляд: . Отже, загальний розв’язок приймає такий вигляд: , де константи, що визначаються з початкових умов. Використовуючи початкові умови, одержуємо значення невідомих констант: , . Отже, загальний розв’язок рівняння (4) має такий вигляд: . Отриманий розв’язок зручно використовувати для прогнозування процесу інфляції. Прогнозоване значення на – періодів дискретизації змін можна записати при , як : , Де , початкові умови щодо -го моменту часу. Функція прогнозування на кроків має вигляд: . Використовуючи отримане рівняння, можна записати функції прогнозування на декілька кроків. Наприклад, : , : , : . Оцінювання якості прогнозу. Для оцінки якості моделі необхідно визначити, наскільки добре модель описує реальний часовий ряд. Завжди рекомендується робити ретроспектив-ний прогноз після моделювання. Для оцінки якості прогнозу застосовують такі формальні критерії:– формальні статистики (див. нижче);– поворотні точки (точки перегину);– чутливість до зміни початкових умов;– чутливість до зміни коефіцієнтів. Формальними статистиками перевірки якості прогнозу є наступні: Середньоквадратична помилка RSME: RSME =. Середня помилка ME: ME =. Середня процентна помилка MPE: MPE =. Середня процентна абсолютна помилка MAPE: MAPE =. Коефіцієнт нерівності Тейла U: . Відношення упередженості: . Відношення варіацій: . Відношення коваріацій: . RSME, як міра точності, є стандартним відхиленням залишків. ME вимірює уперед-женість в оцінюванні. За припущенням, середня помилка повинна дорівнювати нулю, інакше в оцінці присутній зсув (іноді його називають упередженістю). Середня процентна помилка MPE забезпечує відносну оцінку зсуву прогнозу. МАРЕ подібна RSME, але вона є відносною мірою точності моделі. Коефіцієнт нерівності Тейла є дуже важливим індикатором точності моделі і її відпо-від-ностей ряду. При побудові його величина знаходиться між 0 і 1, якщо U = 1, модель не може бути використана для прогнозування. Прогнозований і реальний ряди є некоре-льованими. У протилежному випадку, якщо U = 0, прогнозовані ряди збігаються з реаль-ними, і модель є адекватною. Цей коефіцієнт може бути розкладений на суму таких складових: складова, що харак-теризує систематичне відхилення , відношення варіацій і відношення коваріацій . використовується для перевірки наявності систематичних відхилень, середніх для реальних і прогно-зованих рядів. Інакше кажучи, відбувається визначення факту – чи модель постійно перевищує, чи зменшує прогноз. Чим меншою є величина , тим краще. Якщо = 0, то в прогнозованих значеннях відсутній зсув і модель є якісною. Відношення варіацій використовується для перевірки того, що модель має достатньо динамічних властивостей для поглинання варіації реальних рядів. Наприклад, модель може забезпечити менші систематичні коливання, ніж коливання реальних рядів. Анало-гічно , менші значення є індикатором меншого зсуву. Нарешті, відношення коваріацій вимірює, наскільки корельованими між собою є прогнозований і реальний ряди. Рівність нулю є свідченням того, що прогнозований і реальний ряди ідеально корелюють. Необхідно зазначити, що: + + = 1. Точки перегину є важливими, оскільки деякі моделі можуть мати велику точність, але можуть погано спрацьовувати при прогнозуванні зміни трендів (і, наприклад, циклів). Інші моделі можуть бути менш точними, але можуть мати більш багатий динамічний ха-рак-тер. Резюмуючи, можна сказати про компроміс між точністю і динамічними власти-востями. Однак не існує формального тесту цих властивостей. Разом з тим візуальна пере-вірка прогнозованих і реальних рядів дозволяє швидко визначити – включає модель точки перегину, чи ні. Іншим важливим тестом якості моделі є аналіз чутливості до початкових умов. Якщо модель дає результати в цілому грубо незалежні від початкових умов, то така модель є якісною. У противолежному випадку залежність результатів прогнозування від початко-вих умов вимагає додаткового дослідження моделі і забезпечення її робастності. Розроблену модель використовують у складі системи підтримки прийняття рішень при прогнозуванні фінансово-економічних показників, що впроваджена в деяких банках України. Даний підхід буде також корисним при побудові систем підтримки прийняття рішень при прогнозуванні податкових надходжень. Застосування даної функції до прогнозування інфляції на 1–3 кроки показало, що помилка прогнозу не перевищує 10–15%. Отже, зроблено математичну модель інфляції у вигляді авторегресії з ковзним середнім АРСС (2, 1), побудовану на основі статистичних даних і яка відрізняється високим ступе-нем адекватності. Знайдено рішення отриманого різницевого рівняння, що використано для побудови функції короткострокового прогнозування. Простота моделі і високий сту-пінь адекватності дозволяють використовувати її для прогнозування інфляції з прий-нят-ною точністю на один і більше кроків. Перспективними дослідженнями в напрямі удосконалення побудованої математичної моделі процесу інфляції є наступні: введення додаткових регресорів, що істотно впли-ва-ють на інфляцію; застосування інших типів моделей процесу – на основі методу групового врахування аргументів, нейронних мереж, нейромережі + нечітка логіка та ін. Комплекс-ний підхід до прогнозування дозволить істотно збільшити ймовірність правильного прогнозу в умовах високої динаміки всіх макроекономічних процесів. Література: 1. Enders W. Applied Econometric Time Series. – New York: Wiley and Sons, 1995. – 450 p. 2. Korbicz J., Bidyuk P. State and Parameter Estimation. – Zielona Gora: TUZG, 1993. – 303 p. 3. Бідюк П.І., Половців О.В. Аналіз і моделювання економічних процесів перехідного періоду. – К.: НТУ “КПІ”, 1999. – 230 с.
1 2 3 4 5 Категория: Фінанси \| Добавил: Aspirant (29.04.2013)
Просмотров: 416 \| Рейтинг: 0.0/0

Всего комментариев: 0


Имя *:
Email *:

Код *: