суббота, 27 февраля 2010 г.
Мысли о прогнозировании
Среди альтернатив прогнозированию можно назвать следующие инструменты (многие из них хорошо известны, здесь я не ставлю целью открыть что-то новое, просто систематизирую подходы к анализу и управлению будущим):
- страхование
- диверсификация
- хеджирование
- создание реальных опционов (например, право на выход из проекта, его приостановку или возобновление в зависимости от благоприятного или неблагоприятного развития дальнейших событий и т.д.)
- сценарный анализ (и как следствие, разработка нескольких альтернативных планов на случай реализации того или иного сценария, если при этом генеральный план перестает быть эффективным)
- contingency planning (план действий на случай чрезвычайной ситуации)
- стратегия (под стратегией я понимаю не долгосрочное планирование, как ее иногда формулируют в литературе, а общий управленческий замысел, в котором устанавливаются принципы и правила будущих действий, но при этом оставляет достаточно гибкости, для осуществления ситуационного управления и выбора конкретных действий в зависимости от того, как будут развиваться события; другими словами, долгосрочное планирование – это когда будущее хорошо просматривается и устанавливается единственная траектория движения в виде контрольных цифр на десятилетия вперед, а набор стратегических установок применяется в тех случаях, когда будущее крайне неопределенно и установление прогнозных цифр не представляет большого смысла)
- вероятностный анализ (имитационное моделирование, решение неопределенных ситуаций в закрытой форме)
Использование этих инструментов позволяет значительно уменьшить риски. Эти инструменты также могут использоваться наряду с прогнозированием и планированием.
Возможно, я что-то упустил. Читатели блога могут изложить собственные мысли в отношении изложенного.
Как не запутаться в статистическом анализе
Но если построить регрессию между уровнями временных рядов (рисунок ниже), то коэффициент корреляции «удивительным образом» возрастает до 0,8968. А это очень сильная зависимость.
Конечно, никаких чудес нет. Вся проблема в том, что зависимость между доходностями определяется строгим соответствием между изменениями цен двух активов (в данном случае индекса ММВБ и цены на нефть) в течение короткого промежутка времени. Такой статистический анализ может иметь значение для целей краткосрочной (внутридневной или дневной) торговли на биржи, но оказывается совершенно бесполезным для других целей, в частности для определения премии за риск по модели CAPM, для составления долгосрочного портфеля или прогнозирования движения фондового рынка. В этом случае требуется либо перейти к соответствующему периоду времени – использовать годовую, а не ежедневную зависимость, либо проводить анализ на основе уровней временного ряда.
Преобразования временных рядов – рутинная практика в статистическом анализе и прогнозировании. Как видим, она не так безобидна, как может показаться. Например, зависимость некоторой переменной от времени в рамках метода ARIMA (метод Бокса-Дженкинса) принято выражать после преобразования нестационарного ряда в стационарный путем взятия разностей. По моим наблюдениям, метод ARIMA часто выдает противоположные статистически значимые результаты в зависимости от количества взятых разностей. Хотя обычно подчеркивают, что данный метод требует профессионализма в использовании, он все же весьма подвержен ошибкам и искажениям и не гарантирует получения правильных прогнозов. Весьма любопытно, что порой статистически значимыми оказываются прогнозы, в которых вопреки растущему тренду ARIMA выдает нисходящий прогноз или наоборот.
Чтобы не быть голословным приведу пример. В известном учебнике StatSoft к программе Statistica приводится пример выполнения прогноза по модели ARIMA с интервенцией для временного ряда, описывающего количество звонков после повышения тарифа на 20%.
http://www.statsoft.ru/home/portal/applications/ForecastingAdvisor/Methods/VremRyad/vremryad.htm
Прогноз оказывается статистически значимым и вроде бы даже придраться не к чему, но...
Приглядитесь к Рисунку 6. График ряда и прогноза на один цикл (год) вперед.
Если продлить прогноз по этой модели не на один, а на пять лет, то будет заметно, что тренд идет вниз, тогда как одного взгляда на график исходных данных достаточно, чтобы сделать заключение о том, что тренд в прогнозном периоде должен быть восходящим. Несмотря на статистическую значимость, прогноз придется признать несостоятельным. Значит, нужно заново перейти к этапу преобразования ряда к стационарному виду путем взятия разностей, чтобы получить более адекватную модель. Но можно ли быть уверенным, что прогноз верный, если нельзя положиться на статистические тесты?
Все это объясняется эффектами преобразований ряда к стационарному виду. Проблема усугубляется, когда от ARIMA переходят к ARIMAX или VAR, т.е. проводят прогноз переменной не только на основе автокорреляции преобразованного ряда или его ошибок, но и добавляют одну или несколько преобразованных предикторных переменных. Если при этом хотят установить зависимость между показателями, то такие статистические методы либо скрывают имеющуюся в действительности зависимость, либо наоборот создают ложную зависимость, которой нет на самом деле.
В таких случаях лучше обратиться к анализу коинтеграции временных рядов.