В.В.Соболев, Южно-Российский государственный технический университет
Трудно провести четкую грань, отделяющую адаптивные методы прогнозирования от неадаптивных. Уже прогнозирование методом экстраполяции обычных регрессионных кривых содержит некоторый элемент адаптации, когда с каждым новым получением фактических данных параметры регрессионных кривых пересчитываются и уточняются. Через достаточно большой промежуток времени может быть заменен даже тип кривой. Однако здесь степень адаптации весьма незначительна; к тому же с течением времени она падает вместе с увеличением общего количества точек наблюдения и соответственно с уменьшением в выборке удельного веса каждой новой точки[1].
Последовательность процесса адаптации выглядит следующим образом. Пусть модель находится в некотором исходном состоянии, и по ней делается прогноз. Когда истечет одна единица времени (шаг моделирования), анализируем, насколько далек результат, полученный по модели, от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью в соответствии с ее логикой для перехода из одного состояния в другое с целью большего согласования своего поведения с динамикой ряда. На изменения ряда модель должна отвечать компенсирующими изменениями. Затем делается прогноз на следующий момент времени, и весь процесс повторяется. Таким образом, адаптация осуществляется интерактивно с получением каждой новой фактической точки ряда. Однако каковы должны быть правила перехода системы от одного состояния к другому, какова логика механизма адаптации?
В сущности, этот вопрос решается каждым исследователем интуитивно. Логика механизма адаптации задается априорно, а затем проверяется эмпирически. При построении модели мы неизбежно наделяем ее врожденными свойствами и, вместе с тем, для большей гибкости, должны позаботиться о механизмах условных рефлексов, усваиваемых или утрачиваемых с определенной инерционностью. Их совокупность и составляет логику механизма адаптации. В силу простоты каждой отдельно взятой модели и ограниченности исходной информации, зачастую представленной единственным рядом, нельзя ожидать, что какая-либо одна адаптивная модель годится для прогнозирования любого ряда, любых вариаций поведения.Адаптивные моделидостаточно гибки, однако на их универсальность рассчитывать не приходится. Поэтому при построении и объяснении конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реального процесса, динамические свойства ряда соотносить с возможностями модели. Необходимо закладывать в модель те адаптивные свойства, которых хватит для слежения модели за реальным процессом с заданной точностью.
Вместе с тем нельзя надеяться на успешную самоадаптацию модели, более общей по отношению к той, которая необходима для отражения данного процесса, ибо увеличение числа параметров придает системе излишнюю чувствительность, приводит к ее раскачке и ухудшению получаемых по ней прогнозов. Таким образом, при построении адаптивной модели приходится выбирать между общей и частной моделью и, взвешивая их достоинства и недостатки, отдавать предпочтение той, от которой можно ожидать наименьшей ошибки прогнозирования. Поэтому необходимо иметь определенный запас специализированных моделей, разнообразных по структуре и функциональным свойствам. Для сравнения возможных альтернатив необходим критерий полезности модели. Несмотря на то, что в общем случае такой критерий является предметом спора, в случае краткосрочного прогнозирования признанным критерием обычно является средний квадрат ошибки прогнозирования. О качестве модели судят также по наличию автокорреляции в ошибках. В более развитых системах процесс проб и ошибок осуществляется в результате анализа как последовательных во времени, так и параллельных (конкурирующих) модификаций модели [2].
Литература
1. Соболев В.В. Валютный дилинг на финансовых рынках/ Юж.-Рос. гос. техн. ун-т (НПИ). – Новочеркасск, 2009. – 442 с.
2. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособие. – М.: Финансы и статистика, 2003. – 416 с.
