Алгоритм прогнозирования методом скользящих средних.

1. Сначала определяют длину интервала сглаживания исходя из осо­бенностей динамики показателя.

2. Затем разбивают весь период наблюдений на участки, равные дли­не интервала сглаживания, при этом интервал сглаживания скользит по ряду с шагом, равным единице.

3. После этого рассчитывают средние арифметические из значений ряда, образующих каждый участок.

4. Наконец, получают прогнозное значение, равное скользящей сред­ней последнего участка.

В современных российских условиях применять подобный метод к ежегодным ставкам бессмысленно из-за короткого ряда исторических данных. Использование же этого метода для прогнозирования данных о ежемесячных ставках аренды и цен на земельные участки целесообразно на трехмесячном интервале сглаживания, так как ситуация на рынках недвижимости в России во многом связана с временами года. Например, летом на рынке коммерческой недвижимости наблюдается затишье, свя­занное с сезоном отпусков и снижением деловой активности, а в сегмен­те земельных участков, наоборот, с приходом весны и лета активность потенциальных покупателей возрастает. При сложном поведении иссле­дуемого показателя для более четкого выделения тренда применяют ме­тод двойных скользящих средних. Алгоритм прогнозирования в таком случае аналогичен предыдущему, только усредняются не практические результаты, а первые скользящие средние.

Основное преимущество метода скользящих средних по сравнению с наивной экстраполяцией заключается в том, что скользящие средние позволяют полноценно моделировать развитие процессов на рынке не­движимости, вычислять ошибки прогнозирования и оценивать адекват­ность моделирования.

Подводя итог обзора простейших методов прогнозирования, к пре­имуществам составления прогноза ситуации на рынке недвижимости с помощью описанных методов отнесем их простоту и нетребовательность к объему исторических данных.

Для применения наивной экстраполяции или скользящих средних не требуются специальные особые навыки или специализированное про­граммное обеспечение — достаточно обычного пакета Мюгокой Ехсе1. Теоретически, чтобы создать прогноз на один период вперед с помощью «наивных» методов, достаточно выяснить значения прогнозируемых по­казателей за последние два года или месяца. Для метода скользящих сред­них, по сути, необходимы данные только за количество периодов, рав­ное величине интервала сглаживания.

Недостатки рассматриваемых методов также очевидны. Во-первых, неприхотливость к длине прогнозируемого ряда приводит к тому, что «наивные» методы и методы скользящих средних предполагают лишь краткосрочное прогнозирование (на один-два периода), а при попытках оценить развитие рынка на среднесрочную перспективу резко возрастает вероятность грубой ошибки. Во-вторых, методы прогнозирования с ис­пользованием скользящих средних являются смещенными, т.е. либо по­следовательно переоценивающими, либо последовательно недооценива­ющими значение прогнозируемого показателя.

К более сложным методам прогнозирования относятся:

• методика прогнозирования на основе статистической регрессион­ной модели;

• сценарный метод и его модификация — метод разветвляющихся сце­нариев;

• метод нейронных сетей.

Регрессионный анализ — метод математический статистики, позво­ляющий свести множество частных зависимостей между отдельными зна­чениями переменных к их непрерывной линейной зависимости. В ре­зультате данного анализа получают прямую линию, которая наилучшим образом иллюстрирует (аппроксимирует, говоря математическим язы­ком) общий характер зависимости между изучаемыми переменными ве­личинами.

На развитие рынка недвижимости влияет множество факторов, опре­деляющих социально-экономическое развитие и политическую стабиль­ность как страны в целом, так и отдельных регионов в частности. Нема­ловажная роль в этом влиянии принадлежит макроэкономическим факторам, характеризующим общеэкономическую ситуацию в Российской Федерации или в конкретном субъекте ее.

Таким образом, при проведении корреляционно-регрессионного ана­лиза аналитику необходимо составить математическую закономерность изменения ценовых показателей рынка недвижимости от изменения ос­новных макроэкономических факторов. При этом сначала определяются наиболее значащие факторы, которые и используются в конечной моде­ли. Далее, когда регрессионная модель построена, на основе прогноза наиболее значимых факторов, используемых в модели, осуществляется прогноз искомых показателей.

Развитием техники корреляционно-регрессионного анализа является метод нейронных сетей.

Нейронные сети — это класс аналитических методов, построенных на принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных после прохождения этапа так называемого обучения на имеющихся данных. Схематически искусственная нейронная сеть состоит из слоя входных сигналов, выходного слоя и нескольких внутренних слоев.

Требования к составу и структуре показателей, являющихся входами и выходами сети, формируются в соответствии с видом будущего потре­бителя и стоящими перед ним задачами. В процессе решения этих задач аналитик формирует набор показателей, прогноз которых необходим (ему или заказчику работ по прогнозированию) для полного обоснования и принятия менеджерского решения.

На рынке недвижимости прогнозируемыми показателями (перемен­ными, составляющими выходной слой) могут служить объемы спроса и предложения, количество поглощенных площадей, уровень вакансий, ставки аренды или стоимость единицы площади. Несмотря на автома­тизацию определения вида связи между входными переменными и вы­ходами, аналитику-прогнозисту необходимо определить факторы, вли­яющие на значения выходных переменных, являющихся входами ней­ронной сети. В процессе обучения из их числа отбираются наиболее информативные и оказывающие наибольшее влияние на прогнозируе­мые показатели (в качестве входных переменных можно использовать любые социально-экономические показатели Российской Федерации и на их основе моделировать тенденции на рынке недвижимости в раз­личных его сегментах).

Наиболее информативными и оказывающими наибольшее влияние на уровень ставок аренды торговых площадей в процессе обучения оста­лись индекс выпуска продукции базовых отраслей, объем промышлен­ного производства, объем инвестиций, объем розничной торговли, объем государственного экспорта, среднемесячная заработная плата и курс доллара.

Для использования метода нейронных сетей применяются специали­зированные программные комплексы (например, Neuro Shell Day Trader 4.4, Neuro Shell Trader Pro 3/01, Neuro Shell Ge3ne4 Hunter 2,  а также программы «Статистика» фирмы СтатСофт, США, и др.), без которых реализация данного способа прогноза не представляется возможной.