М. Д. АСЕЕВ, С. А. НЕМЕШАЕВ, А. П. НЕСТЕРОВ
Научный руководитель — Б. А. ЩУКИН, д. т.н., профессор
Национальный исследовательский ядерный университет «МИФИ»
ПРИМЕНЕНИЕ КОМБИНИРОВАННЫХ МЕТОДОВ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ ДЛЯ ЗАДАЧ ФИНАНСОВОГО СЕКТОРА
В докладе рассматриваются различные математические модели прогнозирования временных рядов с целью создания собственной комплексной модели для высокоточного прогноза изменения различных финансовых показателей. Создаваемая модель позволит сократить затраты финансовых организаций и увеличить эффективность использования денежных средств.
Анализ временных рядов — один из наиболее востребованных разделов прикладной статистики. Под временным рядом понимается последовательность значений некоторого протекающего во времени процесса [1]. Примерами таких рядов являются биржевые индикаторы, цены на опционы, цены на недвижимость, объёмы продаж, снятия/внесения наличности банковскими клиентами и т. п.
Основной целью анализа временных рядов является прогнозирование, т. е. предсказание будущих значений на основе настоящих и предыдущих статистических данных [2]. Особенно остро данный вопрос стоит в финансовом секторе. Неэффективно составленный прогноз приводит к большим убыткам финансовых организаций. В связи с этим создание универсальной модели прогнозирования является как никогда актуальным.
Для построения качественного прогноза необходим большой объём статистических данных. Обладая широким диапазоном статистической информации, можно качественно проанализировать основные явления временного ряда: тренд, сезонность, цикличность, случайный шум [3]. Выделение и исследование данных характеристик лежат в основе различных методов статистического анализа.
В процессе финансового прогнозирования для расчёта финансовых показателей используются специфические методы, например, построение регрессионных и авторегрессионных моделей, использование стохастических методов и моделей скользящего среднего.
В ходе исследования данных о снятиях денежных средств с пластиковых карт крупного коммерческого банка в Екатеринбурге в период с 1 января по 2 сентября 2014 года были использованы следующие математические модели:
- Линейные и полиномиальные регрессионные модели; Модели экспоненциального сглаживания (Брауна, Хольта, Хольта-Уинтерса, Тейла-Вейджа); ARIMA (англ. Autoregressive Integrated Moving Average) — интегрированная модель авторегрессии — скользящего среднего.
Можно сделать вывод, что использование одной конкретной модели прогнозирования не позволяет эффективно предсказывать будущие значения исследуемого временного ряда.
Результаты проведённых расчётов показывают, что можно существенно увеличить эффективность управления денежными потоками данного банка до 35%, а именно повысить качество прогнозирования доставки и вывоза наличности из дополнительных офисов банка, торговых точек.
В соответствии с проведёнными анализом и исследованиями было принято решение о разработке инновационной модели прогнозирования, учитывающей достоинства и недостатки вышеуказанных методов. Модель строится на основе аддитивного весового критерия, позволяющего провести комбинирование атомарных моделей. Для предсказания динамики спроса в данном случае используются методы работы с большими массивами данных (Big Data) с предобработкой по реконструкции аттрактора, что позволяет определить влияние неявных факторов. Создание комбинированной модели в данном ключе является новым решением и может стать эффективным способом минимизации затрат финансовых организаций.
В качестве инструментов анализа данных использовались следующие пакеты:
- STATISTICA 13; Anaconda (дистрибутив языка Python); RStudio (IDE языка программирования R).
Для реализации комплексной модели была выбрана платформа Java 7 EE, позволяющая создавать надёжные кроссплатформенные приложения.
Список литературы
Бабешко, эконометрического моделирования: учебное пособие — 5-е изд. — Москва: Ленанд, 2015. — 428 с. Профессиональный информационно-аналитический ресурс, посвящённый машинному обучению, распознаванию образов и интеллектуальному анализу данных [электронный ресурс] // URL: http://www. machinelearning. ru. (дата обращения: 28.11.2015). Мишулина, анализ и обработка временных рядов: учеб. пособие для вузов. — М.: МИФИ, 2004. — 180 с.