Введение

Прогнозирование – это процесс составления предсказаний на основе имеющихся данных. Эти предсказания впоследствии можно сопоставить (верифицировать) с тем, что фактически произошло. Например, компания может оценить свою выручку на следующий год, а затем сравнить ее с фактическими результатами, выполняя анализ отклонений. Предсказание – это схожий, но более общий термин. Прогнозирование может подразумевать применение конкретных формальных статистических методов, использующих временные ряды, поперечные или лонгитюдные данные, или же менее формальные экспертные оценки, либо сам процесс предсказания и верификации. Использование терминов может различаться в зависимости от области применения: например, в гидрологии термины "прогноз" и "прогнозирование" иногда резервируются для оценок значений в определенные моменты в будущем, в то время как термин "предсказание" используется для более общих оценок, таких как количество наводнений за длительный период. Риск и неопределенность являются ключевыми аспектами прогнозирования и предсказания; общепринятой практикой считается указание степени неопределенности, связанной с прогнозом. В любом случае, для обеспечения максимальной точности прогноза данные должны быть актуальными. В некоторых случаях данные, используемые для предсказания интересующей переменной, сами по себе являются результатом прогнозирования. Прогноз не следует путать с бюджетом; бюджеты – это более конкретные, привязанные ко времени финансовые планы, используемые для распределения и контроля ресурсов, в то время как прогнозы предоставляют оценки будущих финансовых показателей, обеспечивая гибкость и адаптивность к меняющимся обстоятельствам. Оба инструмента полезны в финансовом планировании и принятии решений, но выполняют разные функции.

Прогнозирование как обучение, ставки и будущее

В ряде случаев прогноз выходит за рамки простого предсказания будущего. В книге Филиппа Э. Тетлока «Суперпрогнозирование: искусство и наука предвидения» он рассматривает прогнозирование как метод повышения качества принимаемых решений. Человек может улучшить свою калибровку, то есть добиться того, чтобы событиям, которым он приписывает вероятность 10%, действительно сбывалось в 10% случаев. Или он может научиться прогнозировать более уверенно, приходя к тому же выводу, но раньше. Некоторые считают, что прогнозирование – это универсальный навык, полезный в других сферах обсуждения и принятия решений. Ставки на спорт или политику – еще одна форма прогнозирования. В отличие от советов, участники ставок получают выплаты за точное предсказание. Хотя решения могут приниматься на основе этих ставок (прогнозов), основной мотив обычно финансовый. Наконец, футархия – это форма правления, в которой прогнозы последствий государственных действий используются для определения того, какие действия следует предпринять. В наиболее строгой форме футархии действия с наилучшим прогнозируемым результатом реализуются автоматически, а не на основе рекомендаций.

Прогнозные улучшения

Проекты по совершенствованию прогнозов были реализованы в различных областях: примеры включают Проект по улучшению прогнозов ураганов Национального центра ураганов (HFIP) и Проект по улучшению прогнозов ветра, финансируемый Министерством энергетики США. В контексте управления цепочками поставок модель Du Pont продемонстрировала, что повышение точности прогнозирования может способствовать увеличению объемов продаж и снижению запасов, операционных расходов и потребности в оборотном капитале.

Качественные и количественные методы

Качественные методы прогнозирования субъективны и основаны на мнениях и суждениях потребителей и экспертов; они целесообразны, когда данные о прошлом отсутствуют. Обычно они применяются при принятии среднесрочных или долгосрочных решений. Примеры качественных методов прогнозирования включают экспертные оценки, метод Дельфи, маркетинговые исследования и аналогию жизненного цикла. Количественные модели прогнозирования используются для прогнозирования будущих данных на основе исторических данных. Они уместны, когда доступны прошлые численные данные и когда можно обоснованно предположить, что некоторые закономерности в данных сохранятся в будущем. Эти методы обычно применяются при принятии краткосрочных или среднесрочных решений. Примеры количественных методов прогнозирования включают спрос за предыдущий период, простые и взвешенные скользящие средние за N периодов, простое экспоненциальное сглаживание, прогнозирование на основе модели Пуассона и мультипликативные сезонные индексы. Предыдущие исследования показывают, что различные методы могут приводить к разной точности прогнозирования. Например, было установлено, что нейронная сеть GMDH демонстрирует более высокую эффективность прогнозирования, чем классические алгоритмы прогнозирования, такие как простое экспоненциальное сглаживание, двойное экспоненциальное сглаживание, ARIMA и нейронная сеть с обратным распространением ошибки.

Средний подход

При этом подходе прогнозы всех будущих значений равны среднему значению прошлых данных. Этот подход может быть использован с любыми данными, для которых доступны исторические значения. В обозначениях временных рядов:

где – прошлые данные. Хотя здесь использованы обозначения временных рядов, метод среднего значения также может применяться к данным, полученным в один момент времени (когда мы прогнозируем ненаблюдаемые значения; значения, отсутствующие в наборе данных). В этом случае прогноз для ненаблюдаемых значений является средним из наблюдаемых значений.

Геометрическая экстраполяция с ошибкой прогнозирования

Может быть создан на основе трех точек последовательности и "момента" или "индекса". Этот тип экстраполяции демонстрирует 100% точность прогнозов для значительной части известных серий, представленных в базе данных OEIS.

Комплекты для обучения и испытаний

При оценке качества прогнозов некорректно оценивать, насколько хорошо модель соответствует историческим данным. Точность прогнозов можно определить только по результатам работы модели на новых данных, которые не использовались при её обучении. При выборе моделей обычно часть доступных данных используется для обучения, а оставшаяся часть – для тестирования модели, как это и было сделано в вышеприведенных примерах.

Циклическое поведение

Циклическое поведение данных наблюдается при наличии регулярных колебаний в данных, которые обычно длятся не менее двух лет, и когда продолжительность текущего цикла невозможно определить заранее. Циклическое поведение не следует путать с сезонным поведением. Сезонные колебания следуют устойчивому образцу каждый год, поэтому период всегда известен. Например, в период Рождества запасы товаров в магазинах, как правило, увеличиваются для подготовки к рождественским покупателям. В качестве примера циклического поведения можно привести популяцию конкретной естественной экосистемы: она демонстрирует циклическое поведение, когда численность уменьшается по мере сокращения ее естественной кормовой базы, а когда численность становится низкой, кормовая база восстанавливается и численность начинает расти снова. Циклические данные нельзя учесть с помощью обычной сезонной корректировки, поскольку они не имеют фиксированного периода.

Ограничения

Ограничения создают барьеры, за пределами которых методы прогнозирования не могут надежно предсказывать. Существует множество событий и величин, которые невозможно достоверно спрогнозировать. События, такие как бросок игральной кости или результаты лотереи, не поддаются прогнозированию, поскольку являются случайными и в данных отсутствует существенная взаимосвязь. Когда факторы, определяющие прогнозируемое явление, неизвестны или недостаточно изучены – как, например, на фондовых и валютных рынках – прогнозы часто оказываются неточными или ошибочными, так как недостаточно данных обо всех факторах, влияющих на эти рынки, для обеспечения надежности прогнозов. Более того, сами результаты прогнозов на этих рынках меняют поведение участников, что еще больше снижает точность прогнозов. Это происходит потому, что "прогнозисты являются частью социальной среды, которую они пытаются предсказать, и сами могут оказывать влияние на эту среду в процессе прогнозирования".