Prognozowanie (finanse 2011)

Prezentacja na temat: "Prognozowanie (finanse 2011)"— Zapis prezentacji:

1 Prognozowanie (finanse 2011)
dr Grzegorz Szafrański pokój B106 Termin konsultacji piątki: parzysty , nieparzysty

2 Zasada oceny prognoz out of sample
Dzielimy okres ex post na: okres estymacji/próby (typu ex post w węższym sensie), okres weryfikacji/testowania prognozy (typu ex ante). Testujemy metodę prognozowania wg schematu: Na podstawie okresu estymacji szacujemy parametry modelu i prognozujemy na kilka okresów naprzód (poza próbę out-of-sample). W okresie weryfikacji wyliczamy błędy prognozy (out of sample). Estymujemy model na podstawie całej próby (okres próby i weryfikacji), wykonujemy właściwą prognozę ex ante.

3 Kwestie porównywania błędów
Obciążenie prognozy? Prognozy OBCIĄŻONE W GÓRĘ I W DÓŁ Jak mierzyć siłę obciążenia? ME/MPE Prognozy SYSTEMATYCZNIE obciążone |ME|=MAE lub |MPE|=MAPE Pojedyncze duże błędy (obserwacje nietypowe) Miary absolutne i kwadratowe MAE<<RMSE Wyjątek – proc. miary błędów dla zmiennych (-1,1) Liczymy oddzielnie sumy liczników i mianowników

4 Współczynnik Janusowy
Porównanie prognozy w 2 podokresach (estymacji i prognozy) współczynnik Janusowy

5 Przyczyny błędów prognoz
Współczynnik Theila (Zeliaś): i jego dekompozycja na składniki: obciążenia: zmienności: i zgodności kierunku zmian prognozy ze zmianami yt

6 Metoda Holta Trend (S) Ft = a yt-1 +(1-a)(Ft-1 +St-1) poziom
St = b(Ft -Ft-1)+(1-b) St-1 trend Prognoza ex ante na h okresów: y*t+h = Ft + h St Trend multiplikatywny (wykładniczy) St = b(Ft/Ft-1)+(1-b) St-1

7 Metoda Holta-Wintersa
Trend (S) i sezonowość (I) o okresie r Ft =a (yt-1-It-r)+(1-a)(Ft-1+St-1) St = b(Ft-Ft-1)+(1-b)St-1 It = g(yt-Ft)+(1-g) It-r Prognoza ex ante: y*t+h = y*t+1 + h Ft +It+h-r Sezonowość multiplikatywna: St = b(Ft/Ft-1)+(1-b) St-1

8 Modele trendów Funkcja prognozy trendu (deterministycznego) x*t = f(t)
Np. funkcja liniowa x*t = a0+a1t lub funkcje nieliniowe: x*t = a0+ a1t +a2 t2 x*t = exp(a0+ a1t) log(x*t) = a0 + a1t Zalety: zawsze znamy t (ex ante) Wady: trendy ulegają zmianom

9 Modele autoregresyjne
Model autoregresyjny AR(1): t=1,...,T yt=a0+ a1yt-1 + et Prognoza statyczna (h=1): y*t+1=a0+ a1yt-1 Prognoza dynamiczna (h>1): y*t+h=a0+ a1y*t+h-1

10 Prognozy łączone Prognoza ważona z kilku prognoz dokładniejsza niż pojedyncza prognoza ze względu na możliwość dywersyfikacji ryzyka popełnienia błędu Ważne jest, żeby łączyć jak najlepsze prognozy Zwykle dobre wyniki można uzyskać przy równych wagach (zwykła średnia)