CC BY
8
характеристикам. Благодаря анализу этих данных можно выделить целевую аудиторию и провести успешную рекламную компанию, а так же оптимизировать расходы на рекламу и добиться успеха при минимальных затратах, времени и сил.
Любая фирма заинтересована в оптимизации бюджета на рекламную кампанию. Это означает, что необходим показ объявлений только целевой аудитории, так как она наиболее заинтересована в вашем товаре или услуге.
Наиболее эффективными площадками для показа этого вида рекламы являются Look-alike, Audience Analytics, социальные сети, которые собирают достаточно информации о каждом пользователе.
Информация о целевой аудитории собранная с помощью описанных механизмов, дает директологам возможность показывать медийные объявления только заинтересованным клиентам, тем самым, оптимизируя бюджет рекламной кампании.
Использованные источники:
1. Audience Analytics: сначала оцени - потом заплати. URL: http://adindex.ru/publication/tools/programmatic/2015/10/2/128517.phtml
2. Портальная сеть №3 (Look-alike). URL: https://advertising.yandex.ru/media/banner/look-alike.xml
3. Таргетированная реклама в социальных сетях. URL: http: //www.ashmanov.com/marketing/target
4. Что такое лидогенерация? URL: http://outofcloud.ru/blog/chto-takoe-lidogeneraciya/
УДК 004.032.2
Настюк А.В. магистрант 1 курса кафедра «Бизнес-информатика» Уральский государственный экономический университет
Россия, г. Екатеринбург СРАВНЕНИЕ АВТОРЕГРЕССИОННОЙ И НЕЧЕТКОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ КОТИРОВОК ЦЕН НА НЕФТЬ В данной статье рассматривается такая проблема, как прогнозирование цен на нефть. Данная тема весьма актуальна в наше время, ведь «черное золото» играет огромную роль в экономике всего мира. В процессе построены модели прогнозирования цен на нефть в MS Excel и среде fuzzyTECH. Представлены результаты, сделаны выводы, а также даны рекомендации по улучшению моделей.
Ключевые слова: прогнозирование, нейронные сети, fuzzyTECH, авторегрессионная модель, MS Excel.
Nastyuk AV, Graduate student 1 year, Department of Business Informatics Ural State University of Economics Russia, Yekaterinburg COMPARISON OF AUTOREGRESSIVE AND FUZZY MODELS FOR FORECASTING OF QUOTATIONS OF OIL PRICES
The article considers the problem of forecasting oil prices. This topic is very relevant in our time, because "black gold" plays a huge role in the economy of the entire world. In the process built forecasting models of oil prices in the MS Excel environment andfuzzyTECH. Presents results, conclusions, and recommendations for improvement of models.
Keywords: forecasting, neural networks, fuzzyTECH, autoregressive model, MS Excel.
Проблема прогнозирования цены на нефть была и остается актуальной, в той или иной степени, практически для всех стран мира. Согласно оценкам большинства ведущих мировых экспертов и аналитических агентств, минеральное органическое топливо (в частности, нефть) по-прежнему остается доминантой в мировой энергетике и стратегическим ресурсом для многих государств. Неустойчивость цен на нефть слишком дорого обходится странам, мировой экономике, политическим системам, населению.
Для России уровень актуальности проблемы прогнозирования цены на нефть особенно высок. Этому есть ряд причин:
- Россия является одним из лидеров мировой энергетики и крупнейшим участником международных энергетических рынков,
- Россия является одним из крупнейших экспортеров сырой нефти и природного газа,
- ситуация на мировом рынке нефтяных цен во многом определяет ситуацию с ценой бензина на внутреннем рынке РФ,
- цены на нефть являются базой для формирования цен на другие энергоносители и ресурсы,
- цены на нефть влияют на стоимость акций нефтяных компаний и на инвестиции,
- исторически цена на нефть определяет текущее состояние отечественной экономики и ее перспективы.
Таким образом, без грамотного прогнозирования цены на нефть невозможны разработка и реализация мероприятий, направленных на стабилизацию российской экономики в современных условиях и создание условий для ее устойчивого развития.
В настоящее время успех в бизнесе зависит от правильно принятых решений, хорошо обдуманных шагов и четко выраженной поставленной цели. В условиях рыночной не стационарности ценность приобретают методы, способные прогнозировать цены на рынке, прибыль или убытки, получаемые в реальном процессе торговли, с учетом спрэда, комиссии,
проскальзывания и времени совершения сделки.
Существуют огромное количество эконометрических методов, которые используются для прогнозирования цен на нефть, но мы остановимся лишь на авторегрессионной модели первого порядка.
Прогнозирование с использованием модели авторегрессии опирается на предыдущие значения продаж. Слово авторегрессия означает зависимость последующего значения продажи от предыдущих продаж. Зависимость в случае авторегрессии предполагается линейная, то есть прогноз представляет собой сумму продаж за предыдущие дни с некоторыми коэффициентами, которые являются постоянными и определяют параметры модели авторегрессии. В случае моделей авторегрессии, цены предсказываются исходя из прошлой динамики.
Авторегрессионная модель первого порядка имеет следующую формулу:
Yi = a0 + ai*yi-1+si (1)
Как видно из формулы выше, линейная модель авторегрессии первого порядка состоит только из одного влияющего фактора, а именно из y-1, то есть изучается наиболее тесная зависимость только от того каким был итоговый показатель периодом с шагом назад.
В качестве программного средства был выбран Microsoft Excel. Для того что бы сделать прогноз на основе этой модели воспользуемся пакетом "Анализ данных" в MS Excel.
Спрогнозируем цену на нефть на несколько дней вперед. Дневные котировки цен на нефть взяты за три месяца с 1 сентября 2015г. по 30 ноября 2015г. Котировки взяты с сайта finanz.ru за выбранный период. Всего получилось 64 значение котировки. Экспортируем в Excel.
Составим прогноз цены на нефть на следующие 3 дня вперед. Для этого нужно найти авторегрессию ценового ряда, то есть тесноту связи между соседними членами ценового ряда (рисунок 1).
А В С
1 Дата Close Исходные значения
2 26.10.2015 47,35
3 27.10.2015 46,93 47,35
4 23.10.2015 49,19 46,93
5 29.10.2015 43,53 49,19
6 30.10.2015 49,46 43,58
7 02.11.2015 43,73 49,46
3 03.11.2015 50,49 43,7S
9 04.11.2015 49,54 50,49
Рисунок 4 Котировки цен на нефть. Сдвиг временного ряда Далее рассчитаем коэффициенты авторегрессии для ценового ряда нефти. Для расчетов коэффициентов воспользуемся надстройкой «Анализ данных» и разделом «Регрессия». После ввода параметров выйдет отчет по
регрессии (рисунок 2).
вывод итогов
Регресса онн о я ст ат истина
Множественный Р 0,881076173
квадрат 0,776235223
Нормированный Р-квад 0,772627932
Стандартная ошибка 1,050707905
Наблюдения 63
Дисперсионный анализ
<9 55 Г Значимость Г
Регрессия 1 233,6928852 233,6928852 211,630311 1,63117Е-21
Остаток 61 67,34321319 1,103937101
Итого 62 301,0360984
Иоэффициен ты Стандартная ошибка статистика Р-Значение Нижние 95% Верхние 95%Чижние 95.0%Верхние 35.0?й|
У-пересечение 4,7221372 2,993912313 1,577246325 0,11991121 -1,264560433 10,7088349 -1,264560433 10,70833483
Переменная X 1 0,900692339 0,061906425 14,54925466 1,6312Е-21 0,776902792 1,02443189 0,776902792 1,024431386
Рисунок 5 Отчет по регрессии Коэффициент Я- квадрат показывает качество модели, чем выше это значение, тем лучше. Значимость Б = 0 -это говорит о хорошем качестве всего уравнения.
Модель динамики цены на нефть описывается следующим уравнением: Y=4,72214 + 0, 90069*уМ
Авторегрессия будет строиться до последней строчки, пока есть значения курса цен на нефть. Далее необходимо прогнозировать уже от предыдущего прогноза, поэтому в следующей ячейке введем формулу, берущую значения предыдущего прогноза.
Далее после полученных значений, считаем значение нашего прогноза (рисунок 3).
Рисунок 6 Значение прогноза На основе авторегрессии, построим график прогнозных значений (рисунок 4).
Рисунок 7 График прогнозных значений На графике мы видим, что прогноз очень близок к реальным данным. Среднее значение погрешности равно 0,19. Использование регрессионных моделей позволяет построить довольно четкие прогнозные модели.
В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на наивысшем уровне абстракции, при котором постулируется лишь минимальный набор закономерностей [Ошибка! Источник ссылки не найден.].
В качестве программного средства был выбран fuzzyTECH - этот пакет программ является средством моделирования и оптимизации проектов создания нечетких систем управления на базе микроконтроллеров.
Теперь спрогнозируем аналогичные данные в среде Ш77уТЕСИ (рисунок 5).
А В С 0
1 XI х2 хЗ V
2 50.44 50.3 50.41 49.31
3 43.62 50.44 50.3 50.41
4 50.36 43.62 50.44 50.3
5 43.65 50.36 43.62 50.44
& 49.69 48.65 50.36 43.62
7 49.05 49.69 43.65 50.36
3 47.44 49.05 49.69 43.65
9 47.91 47.44 49.05 49.69
10 49.34 47.91 47.44 49.05
11 49.16 49.34 47.91 47.44
12 47.71 49.16 49.34 47.91
13 43.77 47.71 49.16 49.34
14 43.93 43.77 47.71 49.16
15 47.31 43.93 43.77 47.71
16 43.23 47.31 43.93 43.77
Рисунок 8 Исходные данные Далее, сохраним эту обучающую выборку в файл с расширением csv. Модель будет содержать три входных переменных и одну выходную. Первая входная переменная будет соответствовать курсу нефти на текущий банковский день, вторая — курсу нефти на предыдущий банковский день, т.е. На день ^ - 1), где через i обозначен текущий банковский день. Тогда третья входная переменная будет соответствовать курсу нефти на ^ - 2) банковский день. Указываем по 3 функции принадлежности для каждой входной переменной и 5 для выходной. Необходимо более точно специфицировать термы и их функции принадлежности для входных и выходной лингвистических переменных разрабатываемой системы нечеткого вывода. Для каждой переменной определяем область определения (43;54), для более точного моделирования (рисунок 6).
Рисунок 9 Редактируем переменные После окончания работы с мастером нечеткого проекта будет создан прототип системы нечеткого вывода. Структура системы нечеткого вывода с измененными значениями текстовых блоков (рисунок 7):
Рисунок 10 Прототип системы нечеткого вывода Определим базу правил. Первоначально база правил нечеткого вывода пуста, для их определения следует использовать воспользоваться пунктом контекстного меню Spreadsheet Full Editor, после выбора, которого будет сгенерирована база из 135 правил.
Теперь необходимо обучить нечеткую систему, используя обучающую выборку (рисунок 8).
Рисунок 8 Обучение сети Как можно видеть по рисунку максимальное отклонение от выборки при обучении составляет 29,66%, а среднее 9,02%.
Теперь проверим точность построенной системы. Предположим, что нам нужно узнать курс на 14 октября и 24 ноября (рисунок 9).
Рисунок 9 Проверка точности системы Таким образом, система выдает значение курсовой стоимости, равное 45,8826 на 14 октября и 49,8568. Зная известные нам значение, погрешность равна 0,1368 в первом случае и 0,1674 во втором. Возможно, такая высокая погрешность является результатом малого количества входных переменных.
Среда fuzzyTECH предлагает нам большой выбор анализа модели. В интерактивном режиме возможно отображение поверхностей отклика системы нечёткого вывода. На них отображаются прямыми значения входных переменных, а точка пересечения прямой параллельной оси выходной переменной с поверхностью отклика, есть её значение (рисунок 10).
Рисунок 10 Анализ в графическом окне просмотра трехмерной поверхности нечеткого вывода Текущие значения входных лингвистических переменных визуализируются с помощью красных стрелок на координатных осях графика поверхности.
Для окончательного анализа разработанной нечеткой модели можно воспользоваться графическим окном просмотра поверхности нечеткого вывода на плоскости (рисунок 11).
Рисунок 11 Поверхность нечеткого вывода на плоскости Подведем итоги: среднее значение погрешности в Excel равно 0,19, в среде fuzzyTECH погрешность равна 0,15. Неточности системы построенной в excel не намного больше чем в среде fuzzyTECH.
Обе системы не идеальны. Ошибки, которые были получены, могут быть обоснованы следующими факторами: без глубоких экономических исследований невозможно определить все параметры коррелирующие с курсом цены на нефть. В данном случае мы использовали только значения курса нефти в качестве входных переменных, но есть множество экономических и политических факторов, которые влияют на цену.
Использованные источники: 1. Архипенко А.Д. Некоторые аспекты проблем прогнозирования цены на нефть на мировом рынке в современных условиях// Материалы международной конференции студентов, аспирантов и молодых ученых
«Проспект свободный - 2015». 2015. С. 4-7.
2. Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzytech// -СПБ.: БХВ-Петербург, 2005. — 736 c.
3. Авторегрессия - моделирование и прогнозирование в Excel. [Электронный ресурс] URL: http://archie-goodwin.net/load/specializirovannye_blogi/ms_office/avtoregressija_modelirovan ie_i_prognozirovanie_v_excel/28-1 -0-422
4. Построение прогнозных моделей курса акций с помощью авторегрессии. [Электронный ресурс] URL: http://www.economic-s.ru/index.php/practice/ryinok-tsennyih-bumag/prognozirovanie-kursa-aktsiy-s-pomoshhyu-metoda-avtoregressii-ar/
УДК 336.719
Настюк А.В. магистрант 1 курса кафедра «Бизнес-информатика» Уральский государственный экономический университет
Россия, г. Екатеринбург БАНКИ И СОЦИАЛЬНЫЕ СЕТИ: НОВОЕ ПРОСТРАНСТВО ДЛЯ
БИЗНЕСА
Аннотация: Статья посвящена актуальности ведения групп в социальных сетях представителями банковских услуг. Рассмотрены основные преимущества выхода в социальные сети. Так же, подробно показана аудитория социальных сетей, и предложена стратегия работы с социальными страницами. Проведено сравнительное исследование нескольких крупных игроков банковской сферы на российском рынке, а так же сделаны выводы по оптимизации их работы с клиентами в социальных сетях.
Ключевые слова: социальные сети, банки, медиа, маркетинг, интернет-маркетинг, целевая аудитория, страница в социальных сетях, подписчики, коммуникации, аккаунт SMM, контент.
Nastyuk AV, Graduate student 1 year, Department of Business Informatics Ural State University of Economics Russia, Yekaterinburg BANKS AND SOCIAL MEDIA: A NEW SPACE FOR BUSINESS
The Article is devoted to the importance of reference groups in social networks representatives of banking services. Examines the main advantages of social networking. Shows in detail the audience of social networks, and propose a strategy to work with social pages. Comparative study of several major players in the banking sector in the Russian market, as well as the conclusions on the optimization of their work with clients in social networks.
Keywords: social networks, banks, media, marketing, Internet marketing,
