市場預測與管理決策講義

市場預測與管理決策講義本章結構時間序列分析法的特點與步驟1.簡易平均法 2.移動平均法 3.指數平滑法4.趨勢延伸法5.4.1定義、特點與步驟什么是時間序列分析法？時間序列分析法的特點：根據過去變化趨勢，預測未來發(fā)展時間序列數據變動存在著規(guī)律性和不規(guī)律性撇開市場發(fā)展的因果關系時間序列市場預測法的步驟什么是時間序列分析法？時間序列：市場現象的統計指標數值，按時間先后順序排列而成的數列。時間序列分析法：分析和研究，建立預測模型，預測編制時間序列要做到：總體范圍一致；代表的時間單位長短一致；統計數值的計算方法和計量單位一致。

TimeSeriesAnalysisusepastdatatoforecastfuturepastdatashouldbeavailableusefulforshorttermusefulforstabledatausefulforforecastingforlargenumberofitemscannotpredictturningpoints(lageffect)時間序列分析法的特點一、前提是假定事物的過去會延續(xù)到未來。未來發(fā)展≠過去歷史的簡單重復短期市場預測中長期市場預測

時間序列分析法的特點二、時間序列數據變動存在著規(guī)律性與不規(guī)律性長期趨勢變動（T）季節(jié)變動（S）

循環(huán)變動（C）不規(guī)則變動（I）乘法模型：時間序列分析法的特點三、撇開因果關系將所有的影響因素歸結到時間這一因素上，只承認所有影響因素的綜合作用

時間序列分析法的步驟收集、整理時間序列，繪制圖形對時間序列進行分析選擇預測方法，建立預測模型測算預測誤差誤差度量絕對相對平均平均絕對均方差百分平均百分平均絕對百分4.2簡易平均法簡單算術平均法加權平均法幾何平均法Exle:ForecastingatFastchipsFastchipsisaleadingproducerofmicroprocessors.Sixmonthsago,itlaunchedthesalesofitslatestmicroprocessor.Month-by-monthsales(inthousands)overtheinitialsixmonthshavebeen

17 25 24 26 30 28Question:Whatistheforecastfornextmonth’ssales?TheLast-ValueForecastingMethodThelast-valueforecastingmethodignoresalldatapointsinatimeseriesexceptthelastone.

Forecast=LastvalueFastchips:Month-by-monthsales(inthousands)overtheinitialsixmonths:

17 25 24 26 30 28Forecast=28Reasonablewhenconditionstendtochangesoquicklythatsalesbeforethelastmonth’sarenotareliableoffuturesales.簡單算術平均法將觀察期內預測目標時間序列值加總平均，求得算術平均數，作為下期預測值。時間序列數據方差越小，簡單平均數作為預測值的代表性越好。缺點：所有觀察值不論新舊在預測中一律同等對待，這不符合市場發(fā)展的實際情況。TheAveragingForecastingMethodTheaveragingforecastingmethodusesallthedatapointsinthetimeseriesandsimplyaveragesthesepoints.

Forecast=AverageofalldatatodateFastchips:Month-by-monthsales(inthousands)overtheinitialsixmonths:

17 25 24 26 30 28Forecast=(17+25+24+26+30+28)/6=25Reasonablewhenconditionstendtoremainsostablethateventheearliestsalesreliableindicator.加權平均法根據觀察值重要性不同（對影響大的近期觀察值給予較大的權數，對影響小的遠期觀察值則給予較小的權數），分別給予相應的權數，再計算加權平均數作為建立預測模型的方法。權數的確定：距預測期的遠近，波動幅度大小缺點：對于趨勢變動明顯的時間序列，無論怎樣的加大權數，也跟不上實際值的變動，它小于后期的實際觀察值，更不能作為預測值。幾何平均法

計算出一定時期內預測目標時間序列的發(fā)展速度或逐期增長率，然后在此基礎上進行預測。適用于趨勢變動規(guī)律表現為發(fā)展速度相同的時間序列。4.3移動平均法移動平均法的概念和特點一次移動平均法加權移動平均法移動平均法的概念和特點對時間序列觀察值由遠到近按一定跨越期計算平均值的預測方法。適合于既有趨勢變動，又有波動的時間序列。一次移動平均法由連續(xù)移動形成的各組數據，用算術平均法計算各組數據的移動平均值。缺點：只能向未來預測一期對于有明顯趨勢變動的市場現象時間序列不合適。因為一次移動平均值大大滯后于實際觀察值。TheMoving-AverageForecastingMethodThemoving-averageforecastingmethodaveragesthedataforonlythemostrecenttimeperiods.

n=Numberofrecentperiodstoconsiderasrelevantforforecasting

Forecast=AverageoflastnvaluesFastchips:Month-by-monthsales(inthousands)overtheinitialsixmonths:

17 25 24 26 30 28Forecast(n=3)=(26+30+28)/3=28

17

25 24 26 30 28 28Forecast(n=3)=(30+28+28)/3=29Reasonablewhenconditionstendtochangeoccasionallybutnotextremelyrapidly.加權移動平均法對市場現象觀察值按距預測期的遠近給予不同的權數，并按其加權計算出移動平均值。TheWeightedMoving-AverageForecastingMethodTheweightedmoving-averageforecastingmethodaveragesthedataforonlythemostrecenttimeperiodswithweighted.

n=Numberofrecentperiodstoconsiderasrelevantforforecasting

Forecast=WeightedAverageoflastnvaluesFastchips:Month-by-monthsales(inthousands)overtheinitialsixmonths:

17 25 24 26 30 28Forecast(n=3,w1=0.2,w2=0.3,w3=0.5)=(26*0.2+30*0.3+28*0.5)=28.217

25 24 26 30 28 28.2Forecast(n=3,w1=0.2,w2=0.3,w3=0.5)=(30*0.2+28*0.3+28.2*0.5)=28.54.4指數平滑法指數平滑法的概念和特點一次指數平滑法指數平滑法的概念和特點特殊的加權移動平均法。特點：離預測期最近的觀察值給予最大的權數觀察值對預測值的影響由遠及近按等比數列減小，其首項是，公比為。預測值可以通過調整的大小來調節(jié)近期觀察值和遠期觀察值對預測值的不同影響程度。TheExponentialSmoothingForecastingMethodTheexponentialsmoothingforecastingmethod

placesthegreatestweightonthelastvalueinthetimeseriesandthenprogressivelysmallerweightsontheoldervalues.

Forecast=a(Lastvalue)+(1–a)(Lastforecast)

aisthesmoothingconstantbetween0and1.Thechoiceofthevalueofthesmoothingconstantahasasubstantialeffectontheforecast.Asmallvalue(say,0.1)ifconditionsarerelativelystable.Alargervalue(say,0.5)ifsignificantchangesoccurfrequently.ESFt=Ft-1+α(Dt-1-Ft-1)Exle:α=0.2,LetF1=1000F2=1000+0=1000F3=1000+40=1040F4=1040+172=1212F5=1212-82.4=1129.6Periods12345678ActualDemand10001200190080011201350??FtF1F2F3F4F5F6F7F8ESFt=Ft-1+α(Dt-1-Ft-1)Exle:α=0.2,LetF1=1000F6=1129.6-1.92=1127.68F7=1127.68-44.46=1172.14SimilartoweightedmovingaverageexponentiallydecreasingweightsforallpreviousperiodsPeriods12345678ActualDemand10001200190080011201350??FtF1F2F3F4F5F6F7F8ForecastErrorMeanAbsoluteError(MAE)RootMeanSquareError(RMSE)二次移動平均法二次移動平均法是對時間序列一次移動平均值再進行第二次移動平均，利用第一次移動平均值和二次移動平均值構成時間序列的最后一個數據為依據建立線性模型進行預測。二次移動平均法二次移動平均法的特點：二次移動平均法與一次移動平均法相比，其優(yōu)點是大大減少了滯后偏差，使預測準確性提高。二次移動平均只適用于短期預測，并且時間序列數據呈現線性趨勢變化的預測。二次移動平均法比一次移動平均法適用面更廣，在實踐中應用較多。二次移動平均法例7-4

由于歷史數據基本呈線性趨勢，且又有波動，為靈敏反映其變動趨勢，移動平均的跨越期宜短一些，設n=3（兩次移動的n應取值一致）

1.計算一次和二次移