Избор на најприкладен метод за финансиско предвидување врз основа на точноста на прогнозата

Во склопот на минатите лекции се запознавме со три квантитативни методи за финансиско предвидување: Мoving average методот, Exponential smoothing методот и методот на линеарна регресија. На овој час ќе ви покажам како да извршите избор на најприкладен метод, односно да утврдите кој метод дава најточна прогноза.

Утврдувањето на точноста на прогнозата подразбира примена на математички пресметки за утврдување на одредени статистички параметри. Параметрите коишто треба да ги утврдиме и формулите за нивната пресметка се прикажани подолу:

Каде:

Y_t = реализацијата за временскиот период t;

F_t = прогнозата за временскиот период t;

n = број на периоди.

• MAD (Mean Absolute Deviation) значи просечна апсолутна девијација;
• MAPE (Mean Absolute Percentage Error) значи просечна апсолутна процентуална грешка; и
• MSE (Mean Square Error) значи просечна квадратна грешка.

Сите овие параметри ќе ни покажат колкава е грешката во нашата прогноза, ќе ги пресметаме за секој метод поединечно, и ќе го избереме оној метод којшто има најниска вредност на овие параметри, зошто тој обезбедува прогноза со најмала грешка.

Ајде да го прикажеме овој процес на конкретен пример. Во претходните лекции вршевме прогноза на продажбата на Алкалоид АД Скопје за 2014 година со примена на трите квантитативни методи (Мoving average методот, Exponential smoothing методот и методот на линеарна регресија) и ги добивме следните резултати:

Врз основа на податоците од табелата ќе ги пресметаме статистичките параметри MAD, MAPE и MSE, но ќе користиме само податоци од 2008 до 2013, зошто препораката е примерокот да се подели на пола, и да се испитува исправноста на прогнозата на вториот дел, кој е од понов датум.

Пресметката на овие параметри подразбира проста замена на непознатите во математичките формули. Во нашиот пример Y_t = продажба, F_t = предвидување, а n = 6, бидејќи разгледуваме 6 периоди, од 2008 до 2013 година.

Ќе треба да ги преметаме параметрите за секој метод поединечно. Јас ќе ви ја покажам пресметката на MAD за Мoving average методот со интервал од 3 години, а вие ќе продолжите сами за останатите методи.

За пресметка на MAD треба да:

1. Утврдиме апсолутна вредност на разликата меѓу реализираната продажба и предвидувањето за шесте години на следниот начин:

2008 година: 4.726 – 3.603 = 1.123

2009 година: 5.466 – 4.095 = 1.371

2010 година: 5.934 – 4.738 = 1.196

2011 година: 6.738 – 5.375 = 1.363

2012 година: 6.789 – 6.046 = 743

2013 година: 7.098 – 6.487 = 611

2. Да утврдиме збир од разликите за шесте години:

1.123 + 1.371 + 1.196 + 1.363 + 743 + 611 = 6.406

3. Утврдениот збир да го поделиме со бројот на периоди:

6.406 / 6 = 1.068

Утврдивме дека апсолутната просечна девијација на прогнозата на продажбата на Алкалоид АД Скопје изнесува 1.068. На истиот начин ќе ја пресметате апсолутната просечна девијација на прогнозите на останатите методи. А, со проста замена на математичките формули ќе ги пресметате и просечна апсолутна процентуална грешка и просечната квадратна грешка за секој метод поединечно.

Доколку математичките пресметки ви се исправни, треба да ги добиете следните резултати:

Резултатите покажуваат дека статистичките параметри (MAD, MAPE и MSE) се најниски кај методот на линеарна регресија. Тоа значи дека веројатноста за грешка во прогнозата е најниска кај овој метод, што значи дека треба да го прифатиме методот на линеарна регресија како најприкладен метод за предвидување на продажбата на Алкалоид АД Скопје.

Претпоставувам дека ова навидум ви изгледа прилично сложено, но не е толку сложено, колку што бара време за пресметка, доколку пресметката се врши пешки. Но, постои можност да поставите формули во Excel, со што ќе ја вршите пресметката многу едноставно.

Во 2014 година Алкалоид АД Скопје остварил приходи од продажба во вредност од 7.398 милиони денари. Тоа ни потврдува дека методот на линеарна регресија дал најточна прогноза, со што се потврдува ефикасноста на процесот за избор на најдекватен метод за финансиско предвидување, што го разгледавме во оваа лекција.