Метод трендов для прогнозирования показателей рынка
Методы экстраполяции трендов основаны на статистическом наблюдении динамики определенного показателя, определении тенденции (трения) его развития и продолжении этой тенденции для будущего периода. Другими словами, при помощи методов экстраполяции трендов закономерности прошлого развития объекта переносятся в будущее.
Обычно методы экстраполяции трендов применяются в краткосрочном (не более одного года) прогнозировании, когда число изменений в среде минимально. Прогноз создается для каждого конкретного объекта отдельно и последовательно на каждый следующий момент времени. Если прогноз составляется для товара (продукта/ услуги), в задачи прогнозирования, основанного на экстраполяции трендов, входят анализ спроса и анализ продаж этого продукта Результаты прогнозирования используются во всех сферах внутрифирменного планирования, включая общее стратегическое планирование, финансовое планирование, планирование производства и управления запасами, маркетинговое планирование и управление торговыми потоками и торговыми операциями.
Наиболее распространенными методами экстраполяции трендов являются:·метод скользящего среднего;· метод экспоненциального сглаживания.
Метод скользящего среднего исходит из простого предположения, что следующий во времени показатель по своей величине равен средней, рассчитанной за последние три месяца.
Например, если объем продаж составил.
1. в марте – 270 единиц
2. в апреле – 260 единиц
3. в мае – 290 единиц, то
Прогноз продаж на июль = скользящая средняя, т.е.(270+260+290)/3=273.
Метод экспоненциального сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов.
Представим, что составляется прогноз продаж на следующий месяц тогда:
Р1+1=аХm+[1-a]*P1,
Где Р1+1 – прогноз продаж на месяц 1+1
Хm – продажи в месяце (фактические данные)
P1 – прогноз продаж на месяц I
А – специальный коэффициент, определяемый статистическим путем.
Затем строится график.
Особенности прогнозирования на основе трендовых моделей
Трендовое прогнозирование обладает свойств:
- для крупных сложных объектов и систем, обладающих большой инерционностью развития, прогноз по тренду, выявленному на базе изучения предыдущего развития, как правило, вполне реален и надежен;
- выясненные параметры тренда (то есть константы аппроксимирующих тренд выражений) должны быть статистически надежны, что достаточно легко проверить. Если они не надежны, то ненадежен и прогноз;
- срок упреждения прогноза должен быть не более половины периода основания прогноза (лучше – не более трети). То есть, если период основания прогноза, в рамках которого изучалась тенденция явления, составляет, скажем, 30 лет, то возможных период упреждения – 10 – 15 лет максимум.
У прогнозирования на базе временных рядов с помощью выясненной тенденции развития есть некоторые преимущества перед другими методами прогнозирования, есть и недостатки.
Уравнение тренда имеет преимущества перед «обычной» статистической регрессией по потенциальной ширинеохвата факторов, влияющих на динамику изучаемого явления. Коэффициент при номере периода в уравнении тренда – это комплексный коэффициент регрессии при всех реальных факторах, влияющих на уровень изменяющегося показателя, которые сами изменяются во времени. «Обычная» регрессия (которая, кстати, составляет основу эконометрических моделей) позволяет учесть только часть факторов, влияние остальных «списывается» на ошибку регрессии.
Второе преимущество состоит в том, что уравнение тренда есть модель динамики процесса, и на ее основании мы прогнозируем динамику, т.е. логическая основа тренда соответствует задаче. Напротив, уравнение многофакторной регрессии – это модель вариации уровня показателя в статической совокупности. Логическая база прогноза по многофакторной регрессии в статике не совсем адекватна задаче прогнозирования.
Последнее, хотя и не очень существенное преимущество прогноза по тренду заключается в том, что для него не требуется большого объема исходной информации о факторах, как для множественной регрессии. Достаточно однородного по характеру тенденции периода, допустим, за 20 – 25 лет.
Но прогноз на основе временного тренда может не давать корректных результатов в случае высокой нестабильности объекта предсказания. Нет возможности проигрывать разные варианты прогноза при разных сочетаниях значений факторов, что обычно делается при прогнозе по регрессионной модели с управляемыми факторами (то есть сделать прогноз действительно вариативным). Кроме того, наилучшие результаты трендовое прогнозирование дает на относительно коротких периодах упреждения (краткосрочный, если по годам – среднесрочный прогноз).
Прогноз производится по такому общему алгоритму:- упорядочение прошлых данных;
- сглаживание временного ряда;- выделение тренда;- определение уравнения тренда;расчет прогнозного значения;- оценка доверительного интервала с заданной вероятностью.
В процессе выяснения тренда показателя может потребоваться учет повторяющихся колебаний в рамках самой основной тенденции, своего рода тренда внутри тренда. В данном случае речь идет о периодической колеблемости неслучайного характера, например, о сезонности. В этом случае трендовую модель имеет смысл дополнить до модели тренда и сезонности.