|
|
|
|
|
Рисунок 4.51. Зависимость качества прогнозов от изменения параметра сглаживания α на примере курса акций ОАО «РАО ЕЭС» для последних 20 значений ряда В зависимости от величины параметра прогнозные оценки по разному учитывают влияние исходного ряда наблюдений: чем больше α, тем больше вклад последних наблюдений в формирование тренда, а влияние начальных условий быстро убывает. При малом α прогнозные оценки учитывают все наблюдения, при этом уменьшение влияния более «старой» информации происходит медленно. На рисунке 4.52 показана зависимость изменения ошибки прогноза в зависимости от изменения α для модели первого порядка. В результате численных экспериментов удалось найти оптимальные значения параметра α для моделей первого и второго порядка, которые составили 0,38 и 0,2 соответственно. Однако полученные оптимальные модели не показали лучших прогнозов, чем нейронные сети. Так, на рисунках 4.53 – 4.56 показаны результаты прогнозов исследованных моделей и полученных нейронных сетей для исследуемых временных рядов. Так, для акций ОАО «РАО ЕЭС» средняя относительная ошибка прогноза для модели р = 1 составила Е = 3,81%, для модели р = 2, Е = 4,02%, для НС (структуры 1:10:1) Е = 3,90%; для НС (структуры 1:13:13:1) Е = 3,88%. |
Сравнительная оценка классических и нейросетевых методов прогнозирования 3 |
