- •1. Общие положения
- •1.1. Цель и задачи кп
- •1.2. Содержание и объём кп
- •1.3. Этапы выполнения кп
- •2. Теоретические основы методов, применяемых в кп
- •2.1. Предварительная обработка статистических данных
- •2.2. Вейвлет анализ временного ряда
- •2.3. Сингулярный спектральный анализ временного ряда
- •2.4. Методы ssa-прогнозирования
- •2.4.1. Рекуррентное ssa-прогнозирование
- •2.4.2. Векторное ssa-прогнозирование
- •2.4.3. Формирование доверительных интервалов
- •2.5. Основы аналитического подхода к оценке риска спектральными методами
- •2.5.1. Относительные меры риска
- •Спектральная плотность Fu(ω) распределения дисперсии ущерба
- •Энергетические спектры ущерба Fu(ω) и гармонического сигнала Fг
- •2.5.2. Расчет прогностической меры риска
- •Ряд прогноза y[n]
- •3. Этапы выполнения основной части кп
- •4. Пример анализа временного ряда предложенными методами
- •4.1. Статистика количества почтовых писем, классифицированных как спам
- •4.1.1. Предварительная обработка статистических данных
- •4.1.2. Вейвлет анализ временного ряда
- •4.1.3. Сингулярный спектральный анализ временного ряда
- •4.1.4. Расчет прогностической меры риска
- •Исходный ряд и ряд прогноза
- •Ряд прогноза
- •4.2. Статистика случаев мошенничества с кредитными картами
- •4.2.1. Предварительная обработка статистических данных
- •4.2.2. Вейвлет анализ временного ряда
- •4.2.3. Сингулярный спектральный анализ временного ряда
- •4.2.4. Расчет прогностической меры риска
- •Восстановленный ряд и ряд прогноза
- •Прогноз ущерба от мошеннических операций с распределенными платежными системами на 2012 год
- •Распределения вероятностей нанесения ущербов
- •5. Требования к оформлению и объему кп
- •5.1. Общие требования
- •5.2. Правила оформления текстовых документов
- •5.3. Правила нумерации страниц
- •5.4. Правила оформления иллюстраций
- •5.5. Оформление таблиц
- •5.6. Приложение
- •5.7. Типичные ошибки при выполнении кп
- •5.8. Дополнительные рекомендации по выполнению кп
- •6. Порядок оценки работы
- •Библиографический список Основная литература
- •Дополнительная литература
- •Оглавление
- •394026 Воронеж, Московский просп., 14
2.4. Методы ssa-прогнозирования
Методы SSA прогнозирования хорошо проработаны [3,12,13]. Их суть сводится к тому, что временному ряду ставится в соответствие набор векторов, составленных из скользящих отрезков ряда выбранной длины L. Эти векторы порождают траекторное подпространство размерности r<L. Подпространство связано с линейными рекуррентными уравнениями и порождаемыми ими временными рядами. При прогнозировании с помощью метода SSA рассматривается множество временных рядов, описываемых с помощью линейных рекуррентных формул (ЛРФ). Ряд, управляемый ЛРФ, естественным образом порождает рекуррентное продолжение, так как каждый его член равен линейной комбинации некоторого количества предыдущих. Поэтому коэффициенты этой линейной формулы (если они известны) могут быть использованы и для продолжения временного ряда. В конечном итоге, ряд раскладывается на аддитивные компоненты: F(1) допускающую рекуррентное продолжение, и F(2) – остаточного ряда. Продолжение F(1) строится на основе прогнозирующей ЛРФ на M точек. Рассмотрим основные методы прогнозирования.
2.4.1. Рекуррентное ssa-прогнозирование
Опишем формально алгоритм рекуррентного прогнозирования.
Входные данные алгоритма:
1) Временной ряд , N > 2.
2) Длина окна L, 1<L< N.
3) Линейное пространство размерности r<L. Предполагается, что , где eL = (0, 0,..., 0,1)T RL. Другими словами, не является «вертикальным» пространством. Обычно пространство задается некоторым ортонормированным базисом, но результаты прогнозирования не зависят от вида конкретного базиса.
4) ЧислоM точек прогноза.
Обозначения и комментарии:
1) X = [Х1 : ... :XK] (где K = N — L + 1) - траекторная матрица временного ряда FN.
2) P1,..., Pr- ортонормированный базис пространства .
3) . Вектор является ортогональной проекцией Xi на пространство .
4) - результат ганкелизации матрицы . Матрица – траекторная матрица некоторого ряда .
5) Для любого вектора обозначим вектор, состоящий из последних L- 1 компонент вектора Y, a - вектор, состоящий из первых L-1компонент вектора Y.
6) Положим , где , — это последняя компонента вектора Pi(i = 1,..., r). Так как v2 равняется квадрату косинуса угла между вектором eL и линейным пространством , то его можно назвать коэффициентом вертикальности пространства .
7) Пусть (пространство не является вертикальным). Тогда v2< 1. Последняя координата yL любого вектора является линейной комбинацией его первых компонент y1,... ,yL-1:
.
Вектор может быть представлен в виде
(4)
и не зависит от выбора базиса P1,..., Pr пространства [3].
Алгоритм рекуррентного прогноза:
Используя введенные выше обозначения, определим временной ряд по формулам
(5)
Числа gN,..., gN+M-1 образуютM членов рекуррентного прогноза [13].
Определим линейный оператор по формуле
.
Если положить
(6)
то матрица Z = [Z1 : ... :ZK+M] является траекторной матрицей временного ряда GN+M. Следовательно, формула (6) может рассматриваться как векторная запись рекуррентного прогноза, определенного в (5).
Обозначим траекторное пространство ряда FN. Предположим, что и . Если использовать алгоритм рекуррентного SSA-прогнозирования с , то и, следовательно, . Это означает, что начальные точки gN-L+1,..., gN-1 для прогнозирующей рекуррентной формулы (5) совпадают с последними L-1 элементами ряда FN [3].