Зміст
Введення
1. Класифікація методів прогнозування
2. "М'які" обчислення. Нейронні мережі та нечітка логіка
3. Вибір методу прогнозування
4. Використовувані методи
5. Наукове прогнозування і бізнес
Висновок
Список літератури
Введення
Сьогодні розробляються методи прогнозування, що використовують положення теорії хаосу і фракталів. На відміну від "м'яких" алгоритмів, вони поки мало опрацьовані як з теоретичної точки зору, так і в плані практичної реалізації. Окремі моменти іноді застосовуються при аналізі фінансових ринків - Трейдери, як правило, першими відчувають все нові методи прогнозування. Потенційна практична значимість цих досліджень не викликає сумнівів. У результаті можуть бути отримані методи досить точного прогнозування різких і раптових змін - наприклад, економічних криз, стрибкоподібної динаміки попиту, банкрутств ...
Історична логіка розвитку методів прогнозування відображає зростання інформаційної насиченості, зростаючу взаємозалежність різних об'єктів і складність їх поведінки. Нові методи з'являються в області складних комбінованих підходів, використовують елементи штучного інтелекту, навчання і розвитку. Враховуючи той факт, що останнім часом в рамках окремих концепцій розроблено безліч алгоритмів для специфічних завдань і приватних випадків, можна припустити, що будуть розвиватися не стільки методи прогнозування, скільки методологія в цілому.
1. Класифікація методів прогнозування
Щоб отримати загальне уявлення про методи прогнозування, необхідно для початку класифікувати ці методи. Їх прийнято розділяти на кількісні та якісні.
Методи розрізняються:
по горизонту прогнозу: короткострокові (як правило, в межах року або декількох місяців), середньострокові (кілька років) і довгострокові (більше п'яти років);
по типом прогнозування: евристичні (що використовують суб'єктивні дані, оцінки і думки), пошукові (у свою чергу діляться на екстраполятивно, що проектують минулі тенденції в майбутнє, і альтернативні, що враховують можливості стрибкоподібної динаміки явищ і різні варіанти їх розвитку) і нормативні (Оцінка тенденцій проводиться виходячи із заздалегідь встановлених цілей і завдань);
по ступеня ймовірності подій: варіантні (розуміють імовірнісний характер майбутнього і пропонують кілька сценаріїв розвитку подій) і інваріантні (Передбачається єдиний сценарій);
по способу представлення результатів: точкові (прогнозується точне значення показника) та інтервальні (прогнозується діапазон найбільш вірогідних значень);
по ступеня однорідності: прості та комплексні (поєднують в собі кілька взаємопов'язаних простих методів);
по характером базової інформації: фактографічні (грунтуються на наявній інформації про динаміку розвитку явища або об'єкта, бувають статистичними та випереджаючими), експертні (індивідуальні та колективні, залежно від числа експертів) і комбіновані (що використовують різнорідну інформацію).
2. "М'які" обчислення. Нейронні мережі та нечітка логіка
Розглянемо деякі методи "м'яких" обчислень, які не отримали поки широкого поширення в бізнесі. Алгоритми та параметри цих методів значно менше детерміновані в порівнянні з традиційними. Поява концепцій "М'яких" обчислень було викликано спробами спрощеного моделювання інтелектуальних та природних процесів, які багато в чому носять випадковий характер.
Нейронні мережі використовують сучасне уявлення про будову і функціонування мозку. Вважається, що мозок складається з простих елементів - нейронів, з'єднаних між собою синапсами, через які вони обмінюються сигналами.
Основне перевагу нейронних мереж полягає в здатності навчатися на прикладах. У більшості випадків навчання являє собою процес зміни вагових коефіцієнтів синапсів за певним алгоритмом. При цьому, як правило, потрібно багато прикладів і багато циклів навчання. Тут можна провести аналогію з рефлексами собаки Павлова, у якої слиновиділення по дзвінку теж початок з'являтися не відразу. Відзначимо лише, що найскладніші моделі нейронних мереж на багато порядків простіше мозку собаки; і циклів навчання потрібно значно більше.
Застосування нейронних мереж виправдано тоді, коли неможливо побудувати точну математичну модель досліджуваного об'єкта чи явища. Наприклад, продажі в грудні, як правило, більше, ніж у листопаді, але немає формули, за якою можна порахувати, наскільки вони будуть більше в цьому році; для прогнозування обсягу продажів можна навчити нейронну мережу на прикладах попередніх років.
Серед недоліків нейронних мереж можна назвати: тривалий час навчання, схильність до підстроювання під навчальні дані і зниження узагальнюючих здібностей із зростанням часу навчання. Крім того, неможливо пояснити, яким чином мережа приходить...