Оглавление

Введение

Глава 1. Аналитический обзор моделей и методов прогнозирования
1.1. Прогнозная экстраполяция
1.1.1. Метод наименьших квадратов
1.1.2. Метод экспоненциального сглаживания
1.1.3. Метод вероятностного моделирования
1.2. Интуитивные (экспертные) методы прогнозирования
1.3. Корреляционный и регрессионный анализы
1.4. Модели стационарных временных рядов и их идентификация
1.4.1. Модели авторегрессии порядка p (AR(p)-модели)
1.4.2. Модели скользящего среднего порядка q (МА(q)-модели)
1.4.3. Авторегрессионные модели со скользящими средними в остатках (ARMA(p, q)-модели)
1.5. Модели нестационарных временных рядов и их идентификация
1.5.1. Модель авторегрессии-проинтегрированного скользящего среднего (ARIMA(p, k, q)-модель)
1.5.2. Модели рядов, содержащих сезонную компоненту
1.5.3. Прогнозирование на базе ARIMA-моделей
1.6. Адаптивные методы прогнозирования
1.7. Метод группового учета аргументов
1.8. Теория распознавания образов
1.9. Прогнозирование с использованием нейронных сетей, искусственного интеллекта и генетических алгоритмов

Глава 2. Практическая реализация адаптивных методов прогнозирования
2.1. Общие положения
2.2. Полиномиальные модели временных рядов. Метод экспоненциальной средней
2.2.1. Адаптивная полиномиальная модель нулевого порядка (р=0)
2.2.2. Адаптивная полиномиальная модель первого порядка (р=1)
2.2.3. Адаптивная полиномиальная модель второго порядка (р=2)
2.3. Прогнозирование с использованием модели Уинтерса (экспоненциального сглаживания с мультипликативной сезонностью и линейным ростом)
2.4. Прогнозирование объема производства по модели Тейла- Вейджа

Глава 3. Практическая реализация многофакторных моделей прогнозирования
3.1. Линейные многофакторные модели
3.2. Нелинейные многофакторные модели
Глава 4. Нейросетевое прогнозирование экономических показателей в пакете Statistica Neural Networks
4.1. Основные возможности пакета Statistica Neural Networks
4.1.1. Создание набора данных
4.1.2. Добавление наблюдений
4.1.3. Удаление лишних наблюдений
4.1.4. Изменение переменных и наблюдений
4.1.5. Другие возможности редактирования данных
4.1.6. Создание новой сети
4.1.7. Создание сети
4.1.8. Сохранение набора данных и сети
4.1.9. Обучение сети
4.1.10. Оптимизация обучения
4.1.11. Выполнение повторных прогонов
4.1.12. Ошибки для отдельных наблюдений
4.2. Запуск нейронной сети
4.2.1. Обработка наблюдений по одному
4.2.2. Прогон всего набора данных
4.2.3. Тестирование на отдельном наблюдении
4.3. Создание сети типа Многослойный персептрон
4.3.1. Создание сети типа многослойный персептрон с помощью мастера
4.4. Построение нейронной сети без мастера
4.5. Обучение сети
4.5.1. Обучение методом обратного распространения ошибки
4.5.2. Обучение с помощью метода Левенберга-Маркара
4.5.3. Алгоритм выполнения обучения сети с помощью метода Левенберга-Маркара
4.6. Генетические алгоритмы отбора входных данных
4.7. Применение нейронных сетей в задачах прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях
4.7.1. Сравнительный анализ нейронных сетей
4.7.2. Исследование нейросетевых структур для курсов акций ОАО «Ростелеком», ОАО «Лукойл», «Сбербанк»
4.8. Сравнительная оценка классических и нейросетевых методов прогнозирования

Литература

Приложения