指数平滑预测法是指借助平滑技术消除时间序列中高低突变数值,得出一个趋势数列,据此对未来发展趋势的可能水平作出估计的一种预测技术。它可在一定程度上消除不规则变动因素带来误差的影响,对实际观察值进行某种修匀处理,可提高数据对长期趋势描述的可靠性。常采用的平滑法是指数平滑预测法。
指数平滑预测法,又称为指数移动平滑预测法,是指取预测对象全部历史数据的加权平均值作为预测值的一种预测方法。加权平均是指对近期历史数据给予较大权数,对远期历史数据给予较小权数,权数由近及远按指数规律渐减。指数平滑法适用于预测呈长期趋势变动和季节变动的事物。它可分为一次指数平滑法和多次指数平滑法。本章仅介绍一次指数平滑预测法和二次指数平滑预测法。
一、一次指数平滑预测法预测模型
一次指数平滑预测法是以最后一次指数平滑值为基础,确定市场预测值的一种特殊的加权平均法。
二、一次指数平滑预测法的特点
一次指数平滑预测法具有以下三个特点:
(1)调整预测值的能力。一次指数平滑法具有根据t期的误差,调整t 1期预测值的能力;而且,在给定的a下,预测误差越大,对预测值调整的幅度也越大,反之则越小,从而使预测误差控制在一定的范围内。
(2)各权数之和为1.
它是按几何级数衰减,愈近的数据,权数愈大,愈远的数据,权数越小,由于加权系数符合指数规律,又具有平滑数据的功能,故称为指数平滑。
(3)指数平滑的修匀效果。与移动平均法一样,指数平滑法对时间序列数据也具有修匀作用。所不同的是:移动平均法的修匀效果取决于跨越期n的大小,n大则修匀效果明显;反之,n小则修匀效果就差些。而指数平滑法的修匀效果则取决于平滑指数a的大小,a越小,则修匀效果越明显;反之a越大,则修匀程度就越差。因此,可将指数平滑法看做一种滤波器,通过调整阀值a的大小,将原时间序列数据按时间顺序输入此滤波器,则此滤波器的输出即为原时间序列数据的指数平滑值。阀值a调得越小,则滤波能力越强,修匀效果越好,反之亦然。
三、加权系数的选择
在指数平滑法中,加权系数的选择是很重要的。由式可以看出,a的大小规定了在新预测值中新数据和原预测值所占的比重。a值愈大,新数据所占的比重就愈大,原预测值所占比重就愈小,反之亦然。新预测值是根据预测误差对原预测值进行修正而得到的。a的大小则体现了修正的幅度,a值愈大,修正幅度愈大;a值愈小,修正幅度也愈小。因此,a值既代表预测模型对时间序列数据变化的反应速度,同时又决定预测模型修匀误差的能力。
下期预测值就等于本期预测值,在预测过程中不考虑任何新信息;若选取a=1,则xt 1=xT,即下x期预测值就等于本期观察值,完全不相信过去的信息。这两种极端情况很难做出正确的预测。因此,a值应根据时间序列的具体性质在0-1之间进行选择。具体如何选择一般可遵循下列原则:
(1)如果时间序列波动不大,比较平稳,则a应取小一点,如0.1-0.3,以减少修正幅度,使预测模型能包含较长时间序列的信息。
(2)如果时间序列具有迅速且明显的变动倾向,则a应取大一点,如0.6-0.8,使预测模型灵敏度高些,以便迅速跟上数据的变化。
在实用上,类似移动平均法,多取几个a值进行试算,看哪个预测误差小,就采用哪个。
四、初始值的确定
用一次指数平滑法进行预测,除了选择合适的a外,还要确定初始值S(1)0,初始值是由预测者估计或指定的。当时间序列的数据较多,比如在20个以上时,初始值对以后的预测值影响很小,可选用第一期数据为初始值。如果时间序列的数据较少,在20个以下时,初始值对以后的预测值影响很大,这时,就必须认真研究如何正确确定初始值。一般以最初几期的实际值的平均值作为初始值。