Международный экономический форум 2015

К.э.н. Снитюк О.И., к.э.н. Бережная Л.В.

Черкасский государственный технологический университет, Украина

Технология препроцессинга ретроспективной информации как необходимое условие эффективного прогнозирования экономических процессов

Динамика современных экономических процессов указывает на необходимость привлечения новых технологий для их исследования, анализа и прогнозирования.

Успешное решение экономических задач идентификации, прогнозирования и диагностики невозможно без предварительной формализации и подготовки данных. Чаще всего в распоряжении экономиста-аналитика имеется информация не та, которая необходима для решения поставленной задачи, а та, которая доступна в данный момент времени. Препроцессингу априорной информации посвящены многие монографии и статьи, но в них рассматриваются отдельные проблемы, а пошаговой технологии препроцессинга данных не существует.

Таким образом, возникает необходимость в построении технологии подготовки ретроспективной информации для прогнозирования экономических процессов, которая улучшает качество прогноза, особенно в условиях кризисных явлений. Остановимся на основных моментах, которые необходимо учитывать при таком построении:

Приведем основные причины препроцессинга исходных данных для построения гибридных функций:

Рассмотрим основные этапы подготовки данных для прогнозирования экономических процессов.

Для прогнозирования экономических процессов используют различные компьютерные программы. Это позволяет уменьшить сложность и трудоемкость вычислительных операций, автоматизировать большую часть операций при построении прогноза, а также уменьшает вероятность  ошибок, связанных с вводом данных и построением моделей. Такие приложения могут быть как локальными (для использования на одном компьютере), так и интернет-приложениями (доступными в виде веб-сайта, например). В качестве локальных приложений следует выделить такие программы, как: R, SPSS, SAS, Statistica, Forecast Pro, Forecast Expert и другие. Следует отметить, что технология box-counting и метод «выбеливания входов» требуют написания соответствующих модулей, поскольку в указанных программах отсутствуют.

Предложенные выше шаги составляют технологию, реализация которой с использованием соответствующего программного обеспечения позволит  значительно улучшить качество прогнозирования и получить более точные результаты. Заметим, что такой подход не является единственным. Заслуживает внимания и технология, базирующаяся на нейронных сетях [4], однако и в ее основе лежат вышеизложенные подходы.

Литература

1. Лбов Г.С. Методы обработки разнотипных экспериментальных данных. – Новосибирск: Наука, 1981. – 160 с.

2. Лукьяненко И.Г., Красникова Л.И. – Эконометрия. – Киев: Знание, 1998. – 494 с.

3. Снитюк В.Є. Прогнозування. Моделі. Методи. Алгоритми: Навчальний посібник. – К.: «Маклаут», 2008. – 364 с.

4. Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002. – 344.


'