"Стохастический" – это слово, которое физики, математики и другие ученые используют для описания процессов, обладающих элементом случайности. Происхождение его древнегреческое. В переводе оно означает "умеющий угадывать".

Значение слова "стохастический"

"Стохастический" - это понятие, которое используется во множестве различных областей науки. Оно означает случайность, хаотичность, неопределенность чего-либо. В этике Аристотеля (его скульптурный портрет представлен выше) понятие "стохастический" – это определение, относящееся к способности угадывать. Очевидно, математики употребляли его на том основании, что элемент случайности появляется как раз при необходимости угадывать. Слово "стохастический" – это понятие, которое определено в "Новом международном словаре" как "предположительный".

Таким образом, можно заметить, что техническое значение данного понятия не точно соответствует его словарному (лексическому) значению. Некоторые авторы используют выражение "стохастический процесс" как синоним понятия "случайный процесс".

Стохастичность в математике

Употребление данного термина в математике в настоящее время широко распространено. К примеру, существует такое понятие в теории вероятности, как стохастический процесс. Его итог нельзя определить по изначальному состоянию данной системы.

Употребление в математике понятия "стохастичность" относят к трудам Владислава Борцкевича. Именно он использовал данный термин в значении "выдвигать гипотезы". В математике, в особенности в таком разделе этой науки, как теория вероятности, область случайных исследований играет большую роль. Существует, к примеру, такое понятие, как стохастическая матрица. Колонки или строки данной матрицы в сумме дают единицу.

Стохастическая математика (финансовая)

Данный раздел математики анализирует финансовые структуры, действующие в условиях неопределенности. Он призван находить самые рациональные методы управления финансовыми средствами и структурами, учитывая такие факторы, как стохастическая эволюция, риск, время и др.

В науке принято выделять следующие структуры и объекты, которые используются в финансовой математике в целом:

  • фирмы (к примеру, компании);
  • индивидуумы;
  • посреднические структуры (пенсионные фонды, банки);
  • финансовые рынки.

Основным объектом изучения финансовой математики стохастической является именно последний из них. Данный раздел базируется на таких дисциплинах, как статистика случайных процессов, теория случайных процессов и др.

В настоящее время даже людям, далеким от науки, хорошо известно по многочисленным новостям и публикациям в СМИ, что значения так называемых глобальных финансовых индексов (например, индекса Доу Джонса), цены акций меняются хаотически. Л. Башелье предпринял первую попытку описать с использованием математики эволюцию стоимости акций. Его стохастический метод опирается на теорию вероятностей. Диссертация Л. Башелье, где представлена эта попытка, была опубликована в 1900 году. Ученый доказал формулу, известную в настоящее время как формула справедливой стоимости опциона-колл. В ней отражается стохастическая вероятность.

Важные идеи, которые в дальнейшем привели к возникновению теории эффективного рынка, были изложены в труде М. Кендалла, изданном в 1953 году. В этой работе рассматривается вопрос динамики цен акций. Исследователь описывает ее с помощью стохастических процессов.

Стохастичность в физике

Благодаря физикам Э. Ферми, С. Уламу, Н. Метрополису и Д. Нейману большое распространение получил метод Монте-Карло. Его название произошло от казино, расположенного в одноименном городе такой страны, как Монако. Именно здесь занимал деньги для игры дядя Улама. Использование природы повторов и случайностей для изучения процессов является аналогичным происходящей в казино деятельности.

При применении данного метода моделирования сначала происходит поиск вероятностного аналога. До этого моделирование осуществлялось в противоположном направлении: оно использовалось для проверки результата детерминированной проблемы, полученной ранее. И хотя и до открытия метода Монте-Карло существовали подобные подходы, они не были популярными и общими.

Энрико Ферми в 1930 году применил стохастические приемы для расчета свойств нейтрона, в то время только что обнаруженного. Методы Монте-Карло в дальнейшем использовались при работе над манхэттенским проектом, хотя в то время были существенно ограничены возможности вычислительных машин. По этой причине они получили широкое распространение только после того, как появились компьютеры.

Стохастические сигналы

Регулярные и стохастические сигналы имеют разные формы колебаний. Если повторно измерить последние, мы получим колебания, имеющие новую форму, которая отлична от предыдущей, однако проявляет определенное сходство в существенных чертах. Пример стохастического сигнала – запись колебаний волн моря.

Почему же вообще необходимо вести речь об этих достаточно необычных сигналах? Дело в том, что при изучении автоматических систем они встречаются даже чаще, чем предсказуемые.

Стохастичность и искусственный интеллект

Стохастические программы в сфере искусственного интеллекта работают с применением вероятностных методов. В качестве примера можно привести такие алгоритмы, как стохастическая оптимизация или нейронные сети. Это же относится к имитации отжига и генетическим алгоритмам. Во всех этих случаях стохастичность может содержаться в проблеме как таковой или же в планировании чего-либо в условии неопределенности. Детерминированное окружение для агента моделирования является более простым, чем стохастическое.

Итак, как мы видим, интересующее нас понятие используется во многих областях науки. Мы перечислили и охарактеризовали лишь основные сферы его применения. Изучение всех этих процессов, согласитесь, очень важно и актуально. Именно поэтому интересующее нас понятие, вероятно, будет еще долго использоваться в науке.

В уравнении (17.2) первое слагаемое описывает детерминированный процесс - тренд, а второе - стохастический процесс. На рис. 17.3 представлено некоторое (произвольное) изменение средней цены на товар во времени.  


Поскольку уравнение (17.2) описывает стохастический процесс, то его решение представляет собой распределение плотности вероятностей. Уравнение (17.5) отображает тот факт, что каждой цене на товар в некоторый момент т соответствует своя плотность вероятности р.  

Гносеологическая необходимость в опыте для объективизации оценок подтверждается их вероятностным (стохастическим) характером. Рост числа соглашений или фактов оценки позволяет рассматривать их уже в качестве не детерминированных, а именно стохастических величин, не зависящих друг от друга и от воздействия на них методов измерения . Стохастическими оценки становятся еще и потому, что их расчеты отделяются друг от друга и не корреспондируют между собой. В самом деле, при единичном соглашении об оценке методы покупателя и продавца или нескольких экспертов согласуются или по крайней мере сопоставляются их результаты. При множественности, территориальной и временной разъединенности сделок методы оценок не сравниваются между собой и появляется возможность трактовки оценок как стохастического процесса, в результате которого в качестве объективной оценки принимается ее математическое ожидание.  

Сбор, обработка и сводка информации представляют собой составную часть общего информационно-аналитического процесса маркетинга . Получение информации подчинено задачам управления и имеет целью обеспечить оценку и анализ рыночных процессов для принятия правильных маркетинговых решений . Процесс управления неосуществим без осмысления ретроспективы развития фирмы, оценки ее настоящего и прогноза будущего . Регулирование некоторых рыночных процессов также требует информации о самом этом процессе и факторах, влияющих на него. Информация - средство уменьшения неопределенности, свойственной стохастическим процессам рынка. По словам отца кибернетики Н. Винера, управление фирмой есть процесс преобразования информации в действия. Информация -инструмент маркетинг -менеджмента.  

Стохастические процессы в системах управления запасами . Обычно невозможно указать точно характеристику спроса. Детерминированное описание является только приближенным. Задержки в поставках, потери при транспортировке можно описать с помощью вероятностных параметров. Время поставки меняется из-за непостоянства времени выполнения заказа, оформления сопровождающей документации.  

Рассмотрим теперь модель поведения потенциального вкладчика, то есть вкладчика, еще не открывшего своего счета к моменту времени to-В этой модели предполагается, что счет открывается в некоторый случайный момент времени т > 0 под влиянием обстоятельств, появление которых во времени описывается пуассоновским стохастическим процессом k+(t) с параметром интенсивности Я.+. Таким образом, случайное число + (0, t) = k+ (t) - k (t0) появлений за промежуток времени обстоятельств, способствующих открытию счета потенциальным вкладчиком, имеет распределение Пуассона k+(t0,t)e Pn(k (t-tf>)). Для упрощения модели предполагается, что потенциальный вкладчик не может многократно открывать и закрывать свой счет на промежутке времени .  

Для экономических исследований большое значение имеет также анализ стохастических процессов, в т.ч. "марковских процессов".  

Точно так же можно воссоздать искусственную картину работы самого магазина здесь распределение времени подхода покупателей будет взаимодействовать с распределением времени обслуживания отдельного покупателя. Получаются опять два стохастических процесса. Их взаимодействие даст "очередь" с примерно такими же характеристиками (напр., средней длиной очереди или средним временем ожидания), какими обладает реальная очередь.  

Случайные (стохастические) процессы 294  

Города, особенно крупные, заключают в своих административно-территориальных границах сложнейший комплекс непрерывно протекающих стохастических процессов взаимодействия многочисленных хозяйствующих субъектов друг с другом и с внешними контрагентами.  

Розенблат-Рот М. Энтропия стохастических процессов //ДАН СССР, 1957.  

СТОХАСТИЧЕСКИЕ ПРОЦЕССЫ - события, процессы, на протекание которых оказывают значительное влияние случайные факторы.  

До недавнего времени вопросам определения норм сбытовых запасов в натуральном выражении не уделялось достаточного внимания. Были разработаны вопросы нормирования запасов только для двух видов материальных ресурсов - цемента в и угля в . Кроме того, в настоящее время действует Типовая инструкция , в одном из разделов которой регламентированы вопросы определения норм оборотных средств , авансированных в запасы готовой продукции . В экономической литературе нормированию сбытовых запасов посвящены только две работы - , . Рекомендуемые в них методические подходы к определению норм и алгоритмы приведены в табл. 3.3, из которой видно, что они значительно разнятся между собой. Например, если в Инструкции расчет основан на предположении, что условия формирования сбытового запаса угля являются стохастическим процессом, и применена вероятностная обработка вариаций значений нормообразующих факторов, то в других работах использован детерминированный подход к расчету. Различаются у авторов также взгляды и на структуру самой исчисляемой нормы, т.е. экономическое содержание ее составляющих. Н. Фасоляк в предлагает при расчете нормы определять ее через такие же составляющие, как и в случае производственных запасов , но не раскрывает их физического содержания. Другие авторы все нормообразующие факторы учитывают вместе, не подразделяя их по группам.  

СТОХАСТИЧЕСКИЙ ПРОЦЕСС - см Случайный процесс  

Настоящая книга посвящена изложению гипотезы фрактального рынка , как альтернативе гипотезы эффективного рынка . Фракталы, как следствие геометрии Демиурга присутствуют повсеместно в нашем мире и играют существенную роль, в том числе, и в структуре финансовых рынков , которые локально случайны, но глобально детерминированы, по мнению автора. В книге будут рассмотрены методы фрактального анализа рынков акций, облигаций и валют, методы различения независимого процесса, нелинейного стохастического процесса и нелинейного детерминированного процесса и исследовано влияние этих различий на пользовательские инвестиционные стратегии и способности моделирования. Такие стратегии и способности моделирования тесно связаны с типом активов и инвестиционным горизонтом пользователя.  

Рисунки 2.5 и 2.6 показывают подобные распределения для валютного курса иена/доллар (1971-1990 гг.) и 20-летних доходов по американским казначейским облигациям (1979-1992 гг.) соответственно. Толстые хвосты - не только явление фондового рынка . Другие рынки капитала показывают схожие характеристики. Такие распределения с толстыми хвостами часто являются доказательством системы с долговременной памятью, произведенной нелинейным стохастическим процессом.  

Самое популярное объяснение ограниченности заключается в том, что прибыли являются возвратными к среднему. Стохастический процесс, возвратный к среднему, может произвести ограниченное множество , но не увеличивающийся коэффициент Шарпа . Возвратный к среднему процесс подразумевает игру с нулевой суммой. Исключительно высокие доходы в одном периоде нейтрализуются доходами ниже среднего в более позднем периоде. Коэффициент Шарпа остался бы постоянным, потому что прибыли также были бы ограничены. Таким образом, средняя реверсия в прибылях не является полностью удовлетворительным объяснением ограниченности изменчивости. Независимо от этого процесс, который производит наблюдаемую временную структуру волатильности , явно не гауссов, при этом он недостаточно хорошо описывается нормальным распределением.  

Почему акции и облигации являются ограниченными множествами Возможным объяснением ограниченности является возвратный к среднему стохастический процесс, но он не объясняет растущее быстрее стандартное отклонение . Ограничения и быстро растущие стандартные отклонения обычно вызываются детерминистическими системами с периодическими или непериодическими циклами.  

В данный момент мы можем видеть свидетельство того, что акции, облигации, и валюта являются возможными нелинейными стохастическими процессами в краткосрочной перспективе, что подтверждается их частотными распределениями и временными структурами волатильности . Однако акции и облигации имеют признаки долгосрочного детерминизма. И снова мы видим локальную случайность и глобальный детерминизм.  

В этой книге мы рассмотрим методы различения независимого процесса, нелинейного стохастического процесса и нелинейного детерминированного процесса и исследуем, как эти различия влияют на наши инвестиционные стратегии и наши способности моделирования. Такие стратегии и способности моделирования тесно связаны с типом актива и нашим инвестиционным горизонтом.  

В следующем разделе исследуется R/S-анализ различных типов временных рядов , которые часто используются в моделировании финансовой экономики, а также других видов стохастических процессов. Особое внимание будет уделяться возможности ошибки второго рода (классификация процесса как имеющего долговременную память, тогда как в действительности, процесс имеет кратковременную память).  

Они являются семейством нелинейных стохастических процессов, в  

Авторегрессионный (AR) процесс. Стационарный стохастический процесс, где текущая величина временного ряда соотносится с прошлыми величинами р (р - некоторое целое число), называется AR(p) процессом. Когда текущая величина связана с двумя предыдущими величинами, мы имеем AR(2) процесс. AR(1) процесс имеет бесконечную память.  

Достаточно сказать, кроме формулы для FastK (RAW), все эти Стохастические функции, а следовательно, их производные индикаторы, не соответствуют опубликованному определению Стохастического Процесса Джорджа Лэйна, представляя собой модификации первоначальной формулы. Не забудьте проверить списки этих функций, используя PowerEditor в TradeStaton , чтобы узнать, что именно вы применяете, прежде чем будете принимать основанные на этих индикаторах торговые решения.  

Стохастика (от греч. Sto hasis - догадка) - вероятность событий , обусловленных случайным сочетанием факторов. Стохастическая (возможная, вероятная) совокупность образуется в результате реализации стохастического процесса и представляет собой совокупность возможных комбинаций отбираемых единиц.  

СТОХАСТИЧЕСКИЙ ПРОЦЕСС - процесс называется стохастическим, если он описывается случайными переменными , значения которых меняются во времени. Подробнее см. Случайный процесс.  

СЛУЧАЙНЫЙ ПРОЦЕСС , вероятностный процесс , стохастический процесс (sto hasti pro ess) - случайная ф-ция X(t) от действительного параметра времени teT, значения которой для любого t являются случайными величинами Область определения С п является либо последовательностью, либо конечным или бесконечным интервалом, в первом случае С п называется процессом с дискретным временем, во втором - процессом с непрерывным временем Приме ром С п является поток  

Это процесс, поведение которого не является детерминированным , и последующее состояние такой системы описывается как величинами, которые могут быть предсказаны, так и случайными. Однако, по М. Кацу и Э. Нельсону , любое развитие процесса во времени (неважно, детерминированное или вероятностное) при анализе в терминах вероятностей будет случайным процессом (иными словами, все процессы, имеющие развитие во времени, с точки зрения теории вероятностей, стохастические).

Стохастичность в математике

Использование термина стохастичность в математике относят к работам Владислава Борцкевича , который использовал его в значении выдвигать гипотезы , которое, в свою очередь, отсылает нас к древнегреческим философам, а также к работе Я. Бернулли Ars Conjectandi (лат. искусство загадывать) .

Область исследований случайных в математике , особенно в теории вероятностей , играет большую роль.

Использование методов Монте-Карло требует большого числа случайных величин, что, как следствие, привело к развитию

Стохастические процессы подразделяются на стационарные и нестационарные процессы. Стохастический процесс является стационарным, если он находится в определенном смысле в статистическом равновесии, т.е. его свойства с вероятностной точки зрения не зависят от времени. Процесс не стационарен, если эти условия нарушаются.

Важное теоретическое значение имеют гауссовские процессы. Это такие процессы, в которых любой набор наблюдений имеет совместное нормальное распределение. Как правило, термин "временной ряд" сам по себе подразумевает, что этот ряд является одномерным (скалярным).

При анализе экономических временных рядов традиционно различают разные виды эволюции (динамики). Эти виды динамики могут, вообще говоря, комбинироваться. Тем самым задается разложение временного ряда на составляющие или компоненты, которые с экономической точки зрения несут разную содержательную нагрузку. Различают два вида компонент: систематические (это результат воздействия на временной ряд постоянно действующих факторов) и случайные (это случайный шум или ошибка, нерегулярно воздействующие на ряд).

Перечислим наиболее важные компоненты. К систематическим относятся следующие:

тенденция - соответствует медленному изменению, происходящему в некотором направлении, которое сохраняется в течение значительного промежутка времени. Тенденцию называют также трендом или долговременным движением;

циклические колебания - это более быстрая, чем тенденция, квазипериодическая динамика, выходящая за рамки одного периода и в которой есть фаза возрастания и фаза убывания. Промежуток времени между двумя вершинами или впадинами считается длиною цикла. На циклические компоненты оказывают влияние трудно идентифицируемые формальными методами факторы (изменение политической ситуации, прирост или истощение ресурсов и др.). Наиболее часто цикл связан с флуктуациями экономической активности;

сезонные колебания - соответствуют изменениям, которые происходят регулярно в течение года, недели или суток, т.е. внутри одного выделенного периода. Они связаны с сезонами и ритмами человеческой активности;

календарные эффекты - это отклонения, связанные с определенными предсказуемыми календарными событиями, такими, как праздничные дни, количество рабочих дней за месяц, високосный год и т.п.

Систематические компоненты могут одновременно все присутствовать во временном ряде.

Случайные компоненты включают в себя следующие виды:

случайные флуктуации - беспорядочные движения относительно большой частоты. Они порождаются влиянием разнородных событий на изучаемую величину (несистематический или случайный эффект). Часто такую составляющую называют шумом (этот термин пришел из технических приложений).

выбросы - это аномальные движения временного ряда, связанные с редко происходящими событиями, которые резко, но лишь очень кратковременно отклоняют ряд от общего закона, по которому он движется.

структурные сдвиги - это аномальные движения временного ряда, связанные с редко происходящими событиями, имеющие скачкообразный характер и меняющие тенденцию.

Некоторые экономические ряды можно считать представляющими те или иные виды таких движений почти в чистом виде. Но большая часть их имеет очень сложный вид. В них могут проявляться, например, как общая тенденция возрастания, так и сезонные изменения, на которые могут накладываться случайные флуктуации. Часто для анализа временных рядов оказывается полезным изолированное рассмотрение отдельных компонент.

Для того чтобы можно было разложить конкретный ряд на эти составляющие, требуется сделать какие-то допущения о том, какими свойствами они должны обладать. Желательно построить сначала формальную статистическую модель, которая бы включала в себя в каком-то виде эти составляющие, затем оценить ее, а после этого на основании полученных оценок вычленить составляющие. Однако построение формальной модели является сложной задачей. В частности, из содержательного описания не всегда ясно, как моделировать те или иные компоненты. Например, тренд может быть детерминированным или стохастическим. Аналогично, сезонные колебания можно комбинировать с помощью детерминированных переменных или с помощью стохастического процесса определенного вида. Компоненты временного ряда могут входить в него аддитивно или мультипликативно, либо в смешенном виде. Более того, далеко не все временные ряды имеют достаточно простую структуру, чтобы можно было разложить их на указанные составляющие. Существует два основных подхода к разложению временных рядов на компоненты. Первый подход основан на использовании множественных регрессий с факторами, являющимися функциями времени, второй основан на применении линейных фильтров.

Еще статьи по экономике

Управление формированием и использованием активов предприятия
актив ликвидность движение оборотный Определение и детальное рассмотрение категории активы в экономической науке является одной из ключевых проблем. Острота ее изучения подчерки...

Инвестиции и инвестиционная деятельность
Среди функциональных стратегий предприятия присутствует инвестиционная политика. Инвестиционная политика определяет выбор и способы реализации наиболее рациональных путей обновления и расшир...

Кредитно-денежная политика Центрального Банка
Актуальность данной темы заключается в том, что в настоящее время деятельность ЦБ РФ приобретает огромное значение, поскольку от его эффективного функционирования и правильно...

Временные ряды . Временной ряд – это множество наблюдений, генерируемых последовательно во времени. Если время непрерывно, временно ряд называется непрерывным. Если время изменяется дискретно, временной ряд дискретен. Наблюдения дискретного временного ряда, сделанные в моменты времени могут быть обозначены через . В этой книге рассматриваются только дискретные временные ряды, в которых наблюдения делаются через фиксированный интервал . Когда имеется последовательных значений такого ряда, доступных для анализа, мы пишем , обозначая так наблюдения, сделанные в равноотстоящие моменты времени . Во многих случаях значения и не важны, но если необходимо точно определить времена наблюдений, нужно указать эти два значения. Если мы принимаем за начало и за единицу времени, мы можем рассматривать как наблюдение в момент времени .

Дискретные временные ряды могут появляться двумя путями.

1) Выборкой из непрерывных временных рядов, например, в ситуации, показанной на рис. 1.2, где значения непрерывных входа и выхода газовой печи считываются с интервалом 9 с.

2) Накоплением переменной в течение некоторого периода времени; примерами могут служить дождевые осадки, которые обычно накапливаются за такие периоды, как день или месяц, или выход партий продукта, накапливающегося за время цикла. Например, на рис. 2.1 показан временной ряд, состоящий из значений выхода 70 последовательных партий продукта химического процесса.

Рис. 2.1 Выход 70 последовательных партий продукта химического процесса.

Детерминированные и случайные временные ряды . Если будущие значения временного ряда точно определены какой-либо математической функцией, например, такой, как

,

временной ряд называют детерминированным. Если будущие значения могут быть описаны только с помощью распределения вероятностей, временной ряд называют недетерминированным, или просто случайным. Данные о партиях продукта на рис. 2.1 – это пример случайного временного ряда. Хотя в этом ряду имеется отчетливая тенденция к чередованию «вверх-вниз», невозможно точно предсказать выход следующей партии. В этой книге мы будем исследовать именно такие случайные временные ряды.

Стохастические процессы . Статическое явление, развивающееся во времени согласно законам теории вероятности, называется стохастическим процессом. Мы часто будем называть его просто процессом, опуская слово «стохастический». Подлежащий анализу временной ряд может быть рассматриваться как одна частная реализация изучаемой системы, генерируемая скрытым вероятностным механизмом. Другими словами, анализируя временной ряд, мы рассматриваем его как реализацию стохастического процесса.

Рис. 2.2 Наблюденный временной ряд (жирная линия) и другие временные ряды, являющиеся реализациями одного и того же стохастического ряда.

Рис. 2. 3. Изолинии плотности двумерного распределения вероятности, описывающего стохастический процесс в моменты времени и , там же маргинальное распределение в момент .

Например, анализирую данные о выходе партии продукта на рис 2.1, мы можем представить себе другие множества наблюдений (другие реализации порождающего эти наблюдения стохастического процесса), которые могут быть генерированы той же самой химической системой, за те же циклов. Так, например, на рис. 2.2 показаны выходы партий продукта с по (жирная линия) вместе с другими временными рядами, которые могли бы быть получены из популяции временных рядов, определяемых тем же стохастическим процессом. Отсюда следует, что мы можем рассматривать наблюдение в данное время , скажем , как реализацию случайной величины с плотностью вероятности . с плотностью вероятности .