Как предсказать курс доллара. Эффективные методы прогнозирования с использованием Excel и EViews
Шрифт:
В общем виде доля ковариации в предсказаниях находится следующим образом:
где r — коэффициент корреляции между фактическими и предсказанными значениями курса доллара.
При этом по формуле (3.31) доля ковариаций в предсказаниях равна:
Следует также иметь в виду, что доля систематической ошибки прогноза, доля вариации и доля ковариации в сумме
Bias Proportion + Variance Proportion + Variance Proportion = 1. (3.32)
Следовательно, когда доля ковариации равна единице, это означает, что доля вариации и доля систематической ошибки в прогнозах равны нулю. В этом случае можно было бы сделать вывод об идеальном качестве полученных прогнозов, чего на практике, как правило, не бывает. Используя преобразованную формулу (3.32), можно быстрее найти долю ковариации, чем по формуле (3.31). В результате долю ковариации в наших прогнозах можно также вычислить более простым способом:
Covariance Proportion = 1 — (Bias Proportion + Variance Proportion) = 1 -0-0,001166 = 0,998834.
В заключение остановимся на содержательной интерпретации индикаторов, представленных в табл. 3.6. Из этой таблицы можно сделать вывод, что квадратный корень средней ошибки предсказания по курсу доллара после округления оказался равным 0,8056 руб., или 80,56 коп., в то время как средняя ошибка по модулю — 0,3607 руб., или 36,07 коп. В свою очередь средняя ошибка предсказания по модулю равна 4,80 %. Напомним, что ошибка аппроксимации в пределах 5–7 % свидетельствует о хорошем соответствии статистической модели исходным данным.
Коэффициент неравенства Тейла, фактически являющийся индексом, в этой таблице равен 0,0175, т. е. его значение довольно близко подходит к нулю, что говорит о хорошем качестве предсказания. При этом доля систематической ошибки в предсказаниях равна 0 или 0 %, в то время как доля вариации равна 0,0012, или 0,12 %, а доля ковариации — 0,9988, или 99,88 %.
Судя по табл. 3.6, с помощью двухфакторного уравнения регрессии со свободным членом нам удалось получить довольно качественную прогностическую модель. Тем не менее точность этой авторегрессионной модели можно повысить, причем довольно существенно.
1. Какие уравнения называются уравнениями авторегрессии? Являются ли уравнения авторегрессии частным случаем уравнений регрессии? В чем преимущество использования в прогнозах лаговой переменной с точки зрения теории эффективного рынка?
2. Какая предпосылка метода наименьших квадратов (МНК) не соблюдается в уравнениях регрессии? В каких случаях с помощью уравнения авторегрессии можно получать состоятельные и эффективные оценки?
3. Что означают англоязычные аббревиатуры AR и ARMA? Чем отличается модель AR от модели ARMA? Какие переменные входят в модель ARMA(2; 1)?
4. Для чего необходима коррелограмма? В чем отличие автокорреляции от частной автокорреляционной функции? Что измеряет коэффициент автокорреляции уровней 1-го порядка?
5. Как производится идентификации моделей AR(p) и ARMA(p, q) с помощью коррелограммы? Как при этом используются
автокорреляция и частная автокорреляция?6. Почему критерий Дарбина — Уотсона нельзя использовать для тестирования уравнений авторегресии на наличие автокорреляции в остатках? Какой тест на наличие автокорелляции в остатках в уравнениях авторегрессии используется в EViews? Какой лаг нужно задать в этом тесте при тестировании уравнения авторегрессии 2-го порядка?
7. Как находится квадратный корень средней ошибки предсказания? Почему для нахождения средней ошибки приходится использовать их модульные значения? Как находится средняя ошибка по модулю (%)? Для чего используется коэффициент неравенства Тейла? Какое значение коэффициента неравенства Тейла считается идеальным для статистической модели?
Глава 4
Подбор адекватного уравнения авторегрессии и составление точечных и интервальных прогнозов по курсу доллара
4.1. Повышение статистической значимости коэффициентов в уравнении авторегрессии
Одним из способов повышения точности статистической модели является увеличение количества переменных, включаемых в уравнение регрессии. Однако в табл. 3.1 «Коррелограмма исходных уровней временного ряда USDollar с величиной лага от 1 до 36» хорошо видно, что коэффициент частной автокорреляции уже на лаге в три месяца становится близким к нулю. Отсюда следует вывод, что нет никакого смысла добавлять в уравнение авторегрессии 2-го порядка AR(2) со свободным членом факторную лаговую переменную с лагом в три месяца и более.
Вместе с тем вывод итогов как в Excel, так и в EViews для этого уравнения свидетельствует, что величина P– значений включенных в него коэффициентов далеко не одинакова (см. табл. 3.2 и 3.3). Так, Р– значения для коэффициентов регрессии факторных переменных USDollar(-l) и USDollar(-2) практически равны нулю, что свидетельствует об их статистической значимости с 99 %-ным уровнем надежности. А вот Р– значение для коэффициента свободного члена (константы) этого уравнения регрессии равно 0,037226, что свидетельствует о его статистической значимости лишь с 95 %-ным уровнем надежности (точнее сказать, с 96,28 %-ным уровнем надежности: 100 %-3,72 %).
Следовательно, чтобы повысить точность наших прогнозов, мы попробуем решить уравнение регрессии, исключив из формулы (3.14) статистически менее значимый свободный член. С этой целью необходимо воспользоваться алгоритмом действий № 6 «Как решить уравнение регрессии в EViews» (см. главу 3), но при выборе параметров оцениваемой статистической модели (см. шаг 3 этого алгоритма) мини-окно EQUATION SPECIFICATION нужно заполнить следующим образом:
USDollar USDollar(-l) USDollar(-2). (4.1)
Фактически в буквенной форме формула (4.1) приобретет следующий вид:
USDOLLAR = а x USDOLLAR(-l) + b x USDOLLAR(-2). (4.2)
Причем, введя спецификацию (4.1) в EViews, мы тем самым даем программе задание оценить коэффициенты а и b из формулы (4.2). В результате EViews выдает итоги, которые заносятся в табл. 4.1. На основе данных этой таблицы мы получаем уравнение авторегрессии 2-го порядка AR(2) без константы со следующими параметрами: