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:

существует потребность в разработке технологий прогнозирования в быстро меняющихся, часто критичных условиях;
поскольку прогнозирование осуществляется на основании идентифицированных зависимостей результирующих характеристик от входных факторов, то необходимо в качестве таких зависимостей использовать гибридные функции, позволяющие выполнять прогноз для экономической системы, функционирующей в изменяющихся условиях;
необходимым условием построения гибридных функций является кластеризация экономических процессов, поскольку задача идентификации может быть адекватно решенной только для однородных процессов;
необходимо рационально стремиться к уменьшению количества учитываемых факторов и к увеличению их информативности.

Приведем основные причины препроцессинга исходных данных для построения гибридных функций:

разные шкалы измерения экономических показателей;
наличие линейной и нелинейной зависимости между входными факторами;
низкая энтропия значений входных факторов, то есть их малая информативность;
большое количество незначимых факторов.

Рассмотрим основные этапы подготовки данных для прогнозирования экономических процессов.

1-й шаг. Нормализация и стандартизация исходных данных [1], с помощью которой данные становятся безразмерными величинами и могут быть замкнуты в единичный гиперкуб. Если входящие значения будут неравномерно распределены и сосредоточены в небольших гиперсферах, то такие данные будут малоинформативными и прогнозирование на их основе будет не точным (рис. 1). Наибольшую информативность (в смысле получения более точного прогноза) имеют данные с равномерным распределением, так как они имеют наибольшую энтропию (рис. 2).
2-й шаг. Тестирование мультиколлинеарности по критерию Фаррара-Глобера [2]. С его помощью выявляем линейно зависимые факторы и некоторые из них в дальнейшем не рассматриваем. Наличие линейной зависимости между входящими факторами ухудшает качество экономико-математической модели, а это влечет снижение качества прогноза.
3-й шаг. Определение значимых факторов. Теоретический метод обоснования их выбора на сегодняшний день не известен, поэтому применяются эвристические процедуры. По нашему мнению, одной из таких процедур является технология box-counting [3]. В ее основе лежит понятие кросс-энтропии. Вычисляя кросс-энтропии входящих факторов с результирующей характеристикой по соответствующим формулам и сравнивая их, оставляем те факторы, у которых кросс-энтропия имеет большее значение. Таким образом, в результате выполнения технологии box-counting определяются факторы, значения которых вносят больше определенности в прогнозирование значений результирующей характеристики.
4-й шаг. Перед применением методов идентификации необходимо выполнить еще один шаг, позволяющий существенно повысить точность получаемой зависимости и дальнейшего прогнозирования с ее помощью. Для этого выполняется выравнивание исходных данных, применяя метод «выбеливания входов»[3]. В результате его реализации исходные факторы становятся декоррелируемыми, имеющими нулевое математическое ожидание и единичное среднеквадратическое отклонение.

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.