Экспоненциальное сглаживание временного ряда

Экспоненциальное сглаживание - один из самых распространённых инструментов прогнозирования в эконометрике. Метод позволяет убрать случайные колебания из временного ряда и получить прогноз на следующий период, при этом не требуя ни стационарности ряда, ни длинной предыстории. Ниже разберём формулу, смысл коэффициента alpha, как считать прогноз и оценивать ошибку - а пока задайте параметры в калькуляторе, чтобы сразу увидеть, как сглаженная кривая реагирует на разные значения alpha.

Формула и логика метода

Экспоненциальное сглаживание (метод Брауна) строит последовательность сглаженных значений $S_t$ по рекуррентной формуле:

$$S_t = \alpha \cdot y_t + (1 - \alpha) \cdot S_{t-1}$$

где $y_t$ - наблюдаемое значение ряда в момент $t$, $S_{t-1}$ - сглаженное значение на предыдущем шаге, $\alpha \in (0,\,1)$ - коэффициент сглаживания.

Начальное условие задаётся как $S_0 = y_0$ (реже - как среднее первых нескольких значений). Формула интерпретируется просто: сглаженное значение - это взвешенная сумма последнего наблюдения и предыдущей «памяти». Чем больше $\alpha$, тем сильнее влияние текущего наблюдения.

Рассчитать для своей задачи

Раскрывая рекуррентность, формулу можно переписать в явном виде:

$$S_t = \alpha \sum_{k=0}^{t} (1-\alpha)^k \cdot y_{t-k}$$

Это и есть «экспоненциальный» характер метода: влияние каждого прошлого наблюдения убывает по показательному закону с основанием $(1-\alpha)$. Самые свежие данные весят больше всего, давние - почти ничего. Поэтому метод автоматически адаптируется к медленно меняющимся условиям.

Смысл коэффициента alpha

Выбор $\alpha$ определяет компромисс между двумя крайностями:

• $\alpha \to 0$: сглаженный ряд почти не реагирует на новые данные, кривая «заморожена» вблизи исходного уровня. Хорошо для рядов с сильным случайным шумом, плохо для рядов с трендом.
• $\alpha \to 1$: каждое новое значение полностью определяет прогноз. Сглаженная кривая повторяет исходный ряд почти без задержки. Хорошо для быстро меняющихся рядов, плохо при высоком уровне шума.

На практике $\alpha$ выбирают в диапазоне $0{,}1 \le \alpha \le 0{,}3$ для стабильных рядов и $0{,}3 \le \alpha \le 0{,}7$ - для рядов с умеренной изменчивостью. Оптимальное значение находят минимизацией ошибки прогноза на обучающей выборке (см. раздел об оценке качества).

Рассчитать для своей задачи

Как рассчитать сглаженный ряд вручную

Алгоритм вычислений в задаче всегда одинаков:

1. Задать начальное значение: $S_0 = y_0$.
2. Для каждого $t = 1, 2, \ldots, n$ последовательно применять формулу: $S_t = \alpha y_t + (1-\alpha)S_{t-1}$.
3. После вычисления $S_n$ прогноз на следующий период: $\hat{y}_{n+1} = S_n$.

Пример (alpha = 0,3, ряд: 10, 14, 12, 18, 16):

Прогноз: $\hat{y}_5 = S_4 = 14{,}19$.

Обратите внимание: сглаженный ряд всегда «отстаёт» от исходного. Это систематическая особенность метода - при наличии возрастающего тренда прогнозы будут занижены. Для устранения этого эффекта используют двойное экспоненциальное сглаживание (метод Хольта).

Оценка качества прогноза: MAE и MAPE

Для выбора оптимального $\alpha$ и сравнения методов используют метрики ошибки прогноза. Наиболее распространены:

Средняя абсолютная ошибка (MAE):

$$\text{MAE} = \frac{1}{n-1} \sum_{t=1}^{n} |y_t - S_{t-1}|$$

Здесь $S_{t-1}$ - прогноз для момента $t$, сделанный по данным до $t$. MAE интерпретируется в тех же единицах, что и исходный ряд.

Средняя абсолютная процентная ошибка (MAPE):

$$\text{MAPE} = \frac{1}{n-1} \sum_{t=1}^{n} \left|\frac{y_t - S_{t-1}}{y_t}\right| \cdot 100\%$$

MAPE удобна для сравнения рядов с разными масштабами, но не применима при наличии нулей в ряду.

Для поиска оптимального $\alpha$ на практике перебирают значения с шагом 0,05 и выбирают то, при котором MAE минимальна. Более строгий подход - минимизация суммы квадратов ошибок (метод наименьших квадратов).

Двойное и тройное сглаживание

Простое экспоненциальное сглаживание предполагает, что ряд стационарен (нет устойчивого тренда и сезонности). Для более сложных рядов используют расширения:

• Метод Хольта (двойное сглаживание) - добавляет уравнение для тренда. Имеет два параметра: $\alpha$ для уровня и $\beta$ для тренда. Прогноз: $\hat{y}_{n+h} = L_n + h \cdot T_n$, где $L_n$ - оценка уровня, $T_n$ - оценка тренда.
• Метод Хольта-Уинтерса (тройное сглаживание) - добавляет сезонную компоненту с параметром $\gamma$. Подходит для ежемесячных/ежеквартальных данных с ярко выраженной сезонностью.

В задачах эконометрики на 1-2 курсе чаще всего требуется простое сглаживание по методу Брауна. Двойное и тройное встречаются в курсовых и дипломных работах, где ряд содержит явный тренд или сезонные колебания.

Сравнение со скользящей средней

Экспоненциальное сглаживание нередко путают со скользящей средней. Ключевые различия:

Скользящая средняя с окном $m$ примерно эквивалентна экспоненциальному сглаживанию с $\alpha \approx 2/(m+1)$. Для окна 5 это $\alpha \approx 0{,}33$, для окна 9 - $\alpha \approx 0{,}2$.

Частые ошибки

• Неправильное начальное условие. В задаче часто пишут $S_1 = y_1$, пропуская шаг $t=0$. Тогда все последующие значения смещаются. Всегда начинайте с $S_0 = y_0$ и первый пересчёт делайте для $t=1$.
• Значение alpha за пределами (0, 1). При $\alpha = 0$ или $\alpha = 1$ формула вырождается. В ряде задач просят взять $\alpha = 1$ - это означает, что прогноз = последнее наблюдение (нет сглаживания).
• Подмена прогноза сглаженным значением в той же точке. Прогноз $\hat{y}_{t}$ - это $S_{t-1}$, а не $S_t$. Сглаженное значение $S_t$ уже «видит» $y_t$ и не является прогнозом.
• Оценка ошибки по первому наблюдению. Для $t=1$ прогноз $S_0 = y_0$ известен заранее (не предсказан), поэтому ошибку в первой точке часто не учитывают при расчёте MAE.
• Применение к рядам с трендом без коррекции. Простое сглаживание систематически занижает прогноз при возрастающем тренде. Если на графике виден устойчивый рост, переходите к методу Хольта.

FAQ

Как выбрать коэффициент alpha, если нет исторических данных для оценки?

Если данных мало или они ещё не накоплены, берут $\alpha = 0{,}2$ как «умеренный» дефолт для стабильных экономических рядов. Для волатильных данных (биржевые котировки, спрос в кризис) начинают с $\alpha = 0{,}4-0{,}5$. При наличии хотя бы 10-15 наблюдений всегда лучше подобрать $\alpha$ по минимуму MAE на обучающей выборке.

Можно ли делать прогноз на несколько шагов вперёд?

Формально можно: $\hat{y}_{n+h} = S_n$ для любого $h \ge 1$. Однако простое сглаживание даёт одинаковый прогноз для всех горизонтов - метод не учитывает тренд и сезонность, поэтому ошибка быстро растёт при $h > 1$. Для горизонтов более одного периода используют метод Хольта или ARIMA.

В чём разница между методом Брауна и методом Хольта?

Метод Брауна (простое ЭС) обновляет только уровень ряда. Метод Хольта (двойное ЭС) обновляет уровень $L_t$ и тренд $T_t$ раздельно:

$$L_t = \alpha y_t + (1-\alpha)(L_{t-1} + T_{t-1}), \quad T_t = \beta(L_t - L_{t-1}) + (1-\beta)T_{t-1}$$

Прогноз на $h$ шагов: $\hat{y}_{n+h} = L_n + h\,T_n$. Если ряд имеет явный восходящий или нисходящий тренд, метод Хольта точнее в несколько раз.

Коротко

Экспоненциальное сглаживание - быстрый и практичный метод прогнозирования временных рядов. Формула $S_t = \alpha y_t + (1-\alpha)S_{t-1}$ с одним параметром $\alpha$ даёт сглаженную кривую, где каждый шаг в прошлое весит в $(1-\alpha)$ раз меньше предыдущего. Прогноз на следующий период равен последнему сглаженному значению $S_n$. Качество оценивают по MAE, оптимальный $\alpha$ находят перебором. При наличии тренда метод Брауна уступает методу Хольта, а при сезонности - методу Хольта-Уинтерса.