Прогнозирование выручки от продаж на основе современных инструментов прогнозирования

Загрузка...
В статье рассмотрены возможности системы MATLAB в сфере нечеткого моделирования, используемого, в частности, для прогнозирования. В данной работе представлен прогноз выручки от продаж ОАО «ГазпромнефтехимСалават». Реализованный в статье метод адаптивной нейро-нечеткой сети позволяет работать с оценками вероятностей в неопределенных ситуациях, без использования активных методов идентификации, ухудшающих качество процесса управления. Предложенный подход дает возможность его использования при решении широкого круга экономических задач, например, задач ценообразования или расчета показателей валютных рисков.
 
В качестве основных терминов, используемых в статье, следует выделить: прогнозирование (prediction), выручка от продаж (proceeds of sales), система MATLAB (system MATLAB), ANFIS-адаптивная система нейро-нечеткого вывода (ANFIS-adaptive system neuro-fuzzy inference), искусственная нейронная сеть (artificial neural network), гибридная сеть (hybrid network).
 
Прогнозирование  представляет собой процесс составления прогноза или же более полно - особое научное изучение перспектив развития некоторого события или явления. С точки зрения экономики, как одного из основных видов прогноза - это расчет неизвестного экономического показателя по заданной выборке данных за определенный отчетный период на основании модели, проведение анализа будущего состояния экономических факторов, влияющих на развитие деятельности организации.
Последние достижения научно-технического прогресса помогают решать многие важные задачи экономики, автоматизировать многие рутинные операции, чем помогают рационально использовать временные и людские ресурсы. Осуществление прогноза перспектив развития конкретного предприятия или целой отрасли экономического сектора позволяет оценить состояние экономики и выработать необходимую стратегию развития с целью получения наибольшей прибыли с наименьшими затратами.
 
На современных предприятиях для осуществления прогнозирования по выборке определенного показателя, характеризующего изменение некоторого экономического фактора, используются компьютерные программы. Они позволяют автоматизировать большую часть операций, возложенных на экономиста-аналитика при составлении прогноза, повысить оперативность при вводе данных. Успешное развитие и активное внедрение коммерческих программных продуктов, основная ориентация которых является решение задач нечеткого моделирования, в том числе задач прогнозирования, объективно свидетельствуют о том, что теория нечетких множеств и нечеткая логика могут и должны быть эффективно реализованы в решении широкого круга практических, в частности экономических, задач. Наиболее интересными программными средствами, в которых реализована технология нечеткого моделирования, в частности прогнозирование, является система MATLAB.
 
Многое из того, что можно описать из физической реалии - это матрица, например, поведение акций. Среда моделирования MATLAB предназначена для работы с матрицами, заточена под это, оптимизирована под эти технические вычисления.
 
 

Общая характеристика технической базы для решения задачи прогнозирования выручки от продаж

 
 
 
Искусственная нейронная сеть позволяет проводить прогнозирование состояния экономики на будущий период. Основой для построения сетей подобного рода является ANFIS-адаптивная система нейро-нечеткого вывода.
 
В 1943 году У.Маккалох и У.Питтс создали первую модель нейрона при попытке смоделировать головной мозг человека. Началом современного этапа развития нейронных сетей принято считать 1982 год, когда американским математиком Дж. Хопфилдом был разработан специальный класс нейронных сетей и предложены методы их обучения. Популярность нейронных сетей возросла с появлением первых коммерческих программных средств, позволяющих осуществлять построение соответствующих моделей для решения различных прикладных задач. Примером является система MATLAB со специальным пакетом в составе расширения Neural Network Toolbox. Пакет содержит средства проектирования, моделирования и использования различных вариантов искусственных нейронных сетей от простейшей модели персептрона до моделей ассоциативных и самоорганизующихся сетей при решении широкого круга экономических задач.
 
Совокупность отдельных нейронов, взаимосвязанных между собой некоторым фиксированным образом и есть нейронная сеть. Взаимосвязь нейронов определяется топологией нейронной сети. Выбор вида и структуры нейронной сети предопределяется спецификой решаемой задачи. При этом для решения отдельных типов практических задач разработаны оптимальные конфигурации нейронных сетей, которые наиболее адекватно отражают особенности соответствующей проблемной области.
 
Основная идея нейронных сетей на финансовых рынках базируется на предположении, что история рынка циклична, следовательно, нейро-сеть должна фиксировать рыночные ситуации и соответствующие им последствия с целью последующего сопоставления со складывающимися на текущем рынке положениями.
Развитие нейронных сетей представлено гибридными сетями, реализованными в пакете Fuzzy Logic Toolbox системы MATLAB.
 
Основная идея модели гибридных сетей, заключается в использовании временного ряда изменений некоторого фактора для определения параметров функций принадлежности, которые наилучшим образом соответствуют некоторой системе нечеткого вывода. Для нахождения параметров функции принадлежности используется известные процедуры обучения нейронных сетей. В пакете Fuzzy Logic Toolbox системы MATLAB гибридные сети реализованы в форме адаптивной системы нейро-нечеткого вывода ANFIS.
 
 

Прогнозирование выручки от продаж ОАО «ГазпромнефтехимСалават»

 
 
 
Конструктивное восприятие идей нечеткого моделирования возможно посредством построения и анализа нечетких моделей конкретных практических задач.
 
Центральные банки и финансисты в крупнейших структурах, инвестиционные фонды и биржевые игроки вынуждены анализировать огромные массивы данных.
 
В качестве примера построения и использования адаптивной системы нейро-нечеткого вывода был выбран процесс разработки нечеткой модели гибритной сети для решения задачи прогнозирования выручки от продаж предприятия ОАО «ГазпромнефтехимСалават» в четвертом квартале 2013 года. Суть данной задачи состоит в том, чтобы, зная динамику изменения уровня выручки от реализации продукции предприятия за фиксированный интервал времени, предсказать значение выручки на определенный момент в будущем.
 
Традиционно для решения данного класса задач применяются различные модели технического анализа, основанные на использовании различных индикаторов. В то же время наличие неявных тенденций в динамике изменения выручки от продаж предприятия позволяет применить модель адаптивных нейро-нечетких сетей.
 
Технической базой для построения модели была выбрана среда моделирования MATLAB. Пользователями системы могут быть не только инженеры, но и специалисты, связанные с количественными расчетами, анализом данных, то есть банковские аналитики, инженеры производственных предприятий, что дает возможность смело использовать систему MATLAB и в экономической сфере. К тому же, MATLAB снабжен компактным синтаксисом, что является необходимым фактором в финансовых вычислениях, когда приходиться работать с временными рядами, позволяет избавиться от большого количества рутинных операций.
 
В качестве исходных данных мы воспользовались информацией из бухгалтерских отчетов ОАО «Газпром нефтехим Салават» на 31 декабря 2011 и 2012 годов, а также данными о выручке предприятия на первые восемь месяцев 2013 года. В данной работе использовались показатели выручки ОАО «ГазпромнефтехимСалават» по месяцам за 2011 и 2012 годы и месячная выручка первых восьми месяцев текущего года, при этом наблюдается повышение выручки за 2011 год и снижение этого показателя в прошлом году, а также некоторый прирост в 2013 году. Это связано с целым рядом случайных факторов, адекватное представление которых в той или иной формальной модели вряд ли возможно.
 
Построенная нечеткая модель гибридной сети будет содержать 4 входных переменных. При этом первая входная переменная будет соответствовать уровню выручки от продаж предприятия в текущем месяце, вторая – выручка предыдущего месяца, то есть на месяц i-1, где i – текущий месяц. Тогда третья входная переменная будет соответствовать выручке на i-2 месяц, четвертая - i-3 месяц.
 
Прежде чем осуществлять прогноз на будущий период, необходимо сеть проверить на работоспособность. Обучающие данные могут быть сведены в отдельную таблицу. Объем полученной таким образом обучающей выборки равен 5, что соответствует динамике уровня выручки от продаж акционерного общества в период с января 2011 по апрель 2013. При этом данные с мая по август 2013 года не вошли в состав обучающей выборки и будут служить непосредственно данными для прогнозирования уровня выручки от продаж ОАО «Газпром нефтехим Салават» в четвертом квартале 2013 года.
 
Перед генерацией структуры системы нечеткого вывода типа Сугено, что задано по умолчанию в гибридных сетях, после вызова диалогового окна свойств задаем для каждой из входных переменных по 3 лингвистических терма. В качестве типа функций принадлежности входных переменных выбираем треугольный, выходной переменной - линейная функция. Для обучения гибридной сети в нашем случае используется гибридный метод обучения с параметром ошибки равным 0, таким образом, принимаем для себя, что количество ошибочных исходов в общем количестве экспериментов отсутствуют. Одного цикла работы нейронной сети бывает, как правило, не достаточно, поэтому изменяя значение экспериментально подобранных параметров, то есть значения выручки от продаж, зададим количество циклов обучения равным 10. По завершению обучения данной гибридной сети может быть выполнен анализ графика ошибки обучения, который показывает, что обучение практически закончилось после 4 цикла, то есть построенная система может являться адекватным средством прогнозирования выручки на будущий период.
 
После обучения гибридной сети можно визуально оценить структуру построенной нечеткой модели Anfis Model Structure. Общее количество правил в разработанной адаптивной системе нейро-нечеткого вывода равно 93, что затрудняет их визуальный контроль и оценку. Задавать правила вручную в гибридной сети не требуется, что также облегчает работу экономиста с ней.
 
Выполним проверку адекватности построенной нечеткой модели гибридной сети. Для этой цели сделаем ретроспективный прогноз значения выручки от продаж предприятия ОАО «Газпром нефтехим Салават» на следующий месяц, считая для этого текущим месяцем август 2013 года. Поскольку точность количественных значений, обеспечиваемая графическими средствами пакета Fuzzy Logic Toolbox, является недостаточной для решения данной задачи, воспользуемся функцией командной строки evalfis. В качестве аргументов этой функции укажем вектор значений выручки на текущий и три предшествующих месяца. Полный формат вызова этой функции будет следующим:
Out = evalfis ([2 479 942 2 512 432 2 621 204 2 612 756], 1), где Out условное имя выходной переменной, в качестве аргументов функции указаны значения выручки и 1- имя структуры FIS, предварительно загруженной в рабочую область системы MATLAB.
 
После выполнения этой команды с помощью нечеткой модели получено значение выходной переменной для сентября 2013 года 2 684 295 рублей. Это показывает, что выручка от продаж предприятия ОАО «Газпром нефтехим Салават» в сентябре 2013 года выросла на 71 тысячу 539 рублей по сравнению с августом 2013 года и чуть более 63 тысяч в сравнении с июлем текущего года. К тому же, это лучший показатель выручки акционерного общества в 2013 году. Однако уровня сентября 2012 г., что составляло 2 844 171 рублей, выручка акционерного общества не достигла. Следовательно, применение методов прогнозирования выручки от продаж на основе адаптивной нейро-нечеткой сети показало правильность выбранного курса дальнейшей реализации продукции предприятия (прибыль предприятия выросла), и дальнейшую необходимость придерживаться этого курса с целью достижения уровня выручки от продаж более ранних периодов.
 
Результат прогнозирования, его конечный продукт – это плановые предположения, которые служат основой, исходной базой для разработки, а в дальнейшем детализации системы планов организации, то есть они выполняют роль связующего звена между функциями прогнозирования и планирования.
 
Таким образом, проверка построенной нечеткой модели гибридной сети показывает достаточно высокую степень ее адекватности реальным исходным данным, что позволяет сделать вывод о возможности ее практического использования для прогнозирования уровня выручки от продаж того или иного предприятия. В этом случае нечеткие модели адаптивных систем нейро-нечеткого вывода могут считаться конструктивным инструментом технического анализа финансовых показателей организации. Рассмотренный подход является перспективным направлением для построения и использования соответствующих нечетких моделей прогнозирования иных составляющих финансовой состоятельности предприятия.
 
Научная новизна исследования заключается в реализации метода адаптивной нейро-нечеткой сети, которая может работать с оценками вероятностей в неопределенных ситуациях, без использования активных методов идентификации, ухудшающих качество процесса управления, который позволяет рациональным образом использовать ресурсы предприятия, а также заранее разработать наиболее оптимальную стратегию развития организации, повышает скорость принятия решений.
Практическая значимость заключается в рекомендациях по использованию предложенного подхода на различных, в частности нефтехимических, предприятиях, а также при решении задач ценообразования, расчеты показателей валютных рисков на большом периоде времени, при наличии большого количества документации по всему фондовому рынку определенного сегмента.
 
 
Список использованных источников
 
 
1 Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH.–СПб.: БХВ-Петербург, 2003
2 Bhardwaj К., Singh Р. Adaptive Neuro-Fuzzy Inference System (ANFIS) Based Edge Detection Technique. International Journal for Science and Emerging Technologies with Latest Trends. – 2013. – Vol. 8(1). – P. 7-13.
3 Vishnuvaradhan S. [et al] Intelligent Modeling Using Adaptive Neuro Fuzzy Inference System (ANFIS) for Predicting Weld Bead Shape Parameters During A-TIG Welding of Reduced Activation Ferritic-Martensitic (RAFM) / S. Vishnuvaradhan, N. Chandrasekhar, M. Vasudevan, T. Jayakumar// Transactions of the Indian Institute of Metals. – 2013. – Vol. 66, Issue 1, pp 57-63
4 Черняховская Л.Р. [и др.] Нейро-нечеткое моделирование в среде MATLAB: Методические указания к лабораторным работам / Уфимск. гос. авиац. техн. ун-т. Сост. Л.Р. Черняховская, Р.А. Шкундина, И.В. Осипова, И.Б. Герасимова. - Уфа, 2004. - 20 с.
5 Пермяков А.А., Юдицкий А.Д. Применение нейро-нечеткой системы ANFIS в анализе поведенческих показателей у животных в тесте «открытое поле» // Исследования в области естественных наук. – Октябрь 2013. - № 10 [Электронный ресурс]. URL: http://science.snauka.ru/2013/10/5995
6 Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные систем: Учебник. - М.; Финансы и статистика, 2004. - 424 с.: ил.
7 Романов В.П. Интеллектуальные информационные систем в экономике: Учебник. - М.; Финансы и статистика, 2007.
8 Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП, 1997. - 236 с.
9 Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. - М.: Инфра-М, 1995. - 176 с.
10 Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности. - http://www.user.cityline.ru/~neurnews/primer/finance.htm.
11 Данные бухгалтерской отчетности ОАО «ГазпромнефтехимСалават» за 2011год.
12 Данные бухгалтерской отчетности ОАО «ГазпромнефтехимСалават» за 2012 год.
Автор гарантирует, что вышеуказанный материал не был ранее опубликован на русском языке, а также не находится на рассмотрении в другом журнале.
Автор гарантирует, что в вышеуказанном материале соблюдены все авторские права: среди авторов указаны все те и только те, кто сделал значительный вклад в исследование, для всех заимствованных фрагментов (текстовые цитаты, таблицы, рисунки и формулы) указаны источники, позволяющие индетифицировать их автора.
Автор осознает, что факты научной недобросовестности, выявленные как в процессе рецензирования, так и после публикации статьи (плагиат, повторная публикация, раскрытие защищенных данных) – могут повлечь не только снятие статьи с публикации, но и уголовное преследование со сторон тех, чьи права будут нарушены в результате обнародования текста
Загрузка...
Комментарии
Отправить