Search results - CEJSH

1

PROGNOZOWANIE WIELKOŚCI ZATRUDNIENIA W SEKTORZE PRZEDSIĘBIORSTW W POLSCE NA 2020 ROK

100%

Kozicki B., Waściński T., Lisowska A.

Problemy Profesjologii

|

2019

|

issue 2

111-124

PL

W artykule poruszony został problem z zakresu badania zależności pomiędzy zatrudnieniem, a wynagrodzeniem w sektorze przedsiębiorstw w Polsce, oraz próba przeprowadzenia prognozowania zatrudnienia w tysiącach na 2020 rok. Badania rozpoczęto od analizy danych rozpatrywanych dwóch szeregów czasowych pierwotnych dotyczących zatrudnienia i wynagrodzenia w ujęciu dynamicznym. Do zbadania zależności posłużył wykonany model regresji wielorakiej. Szereg czasowy zatrudnienia w tys. został poddany prognozowaniu z wykorzystaniem modelu ARIMA.

EN

In this article the authors raise the issue regarding the study of the relationship between employment and salary in the enterprise sector in Poland, and an attempt to conduct the forecasting of employment in thousands for 2020. The research was initiated with the analysis of data of two original time series concerning employment and salary under examination dynamically. In order to study the relationship, the constructed multiple regression model was applied. The employment time series in thousands was forecast with the application of ARIMA model.

2

Przewidywanie w naukach ekonomicznych

100%

Błaszczuk D. J.

Przyszłość. Świat-Europa-Polska

|

2014

|

issue 1

125-146

PL

W dwuczęściowym artykule omówione są podstawowe zagadnienia z zakresu przewidywania w naukach ekonomicznych. Przedmiotem rozważań w niniejszej części pierwszej są najważniejsze podstawowe pojęcia oraz prognozowanie na podstawie modeli statystycznych, modeli trendu oraz liniowych, jedno- i wielorównaniowych modeli ekonometrycznych. Zdarzenia są skutkiem autonomicznych albo wtórnych działań przyrody albo człowieka (grupy osób, społeczeństwa). Ze zdarzeniami nierozłącznie związana jest niepewność, którą można ograniczać, podejmując rozmaite działania. Ich efektem jest przekształcanie niepewności w ryzyko. Ważnym sposobem tego przekształcania jest przewidywanie, w którym stosuje się metody heurystyczne bądź modele matematyczne, statystyczne lub ekonometryczne, wykorzystując, w większym albo mniejszym stopniu, wiedzę dotyczącą przeszłości. Prognozowanie na podstawie modeli statystycznych polega na ekstrapolowaniu zaobserwowanych w przeszłości: poziomu zmiennej, jej dynamiki albo współzależności z inną zmienną. Metody te cechuje relatywna prostota, która, z reguły, okupiona jest ich niską jakością prognostyczną. Prognozowanie na podstawie modeli ekonometrycznych zwykle rozpoczyna się od ustalenia wielkości błędu prognozy ex ante. Jeśli są one akceptowalne, sporządza się prognozę, podobnie jak w przypadku modeli statystycznych, podstawiając do poszczególnych równań wartości prognozowane odpowiednich zmiennych objaśniających. Modele ekonometryczne są jednak znacznie bardziej rozbudowane. W rezultacie, znacznie większy jest koszt związany z nakładami sił i środków. Dzięki temu mają one, na ogół, znacznie większą zdolność prognostyczną.

EN

This two-part article discusses the basic issues of prediction in economics. Explored in the this first part are the most important basic concepts and forecasting based on statistical models and linear trend models, single and multiequation econometric models. Occurrences are the result of autonomous or secondary nature or human action (a group of people, society). With events inseparably linked is the uncertainty, which can be limited by taking various actions. Their effect is to transform uncertainty into risk. An important way of transformation is a prediction, which uses heuristics or mathematical models, statistical or econometric, utilizing, to a greater or lesser degree, knowledge of the past. Forecasting based on statistical models relies on extrapolating observed in the past: the level of the variable, its dynamics or interaction with another variable. These methods are characterized by relative simplicity, which, as a rule, paid with their poor quality prognostic. Forecasting based on econometric models usually starts from the size of the forecast error ex ante. If they are acceptable, shall be made a forecast as in the case of statistical models, substituting for the individual equations predicted values relevant explanatory variables. Econometric models are much more complex. As a result, cost associated with the expenditure of power and resources are significantly increased. Thanks to this they have, generally, much greater predictive ability.

3

Różniczkowy model inflacji rejestrowanej w Polsce

100%

Kisielińska J.

Metody Ilościowe w Badaniach Ekonomicznych

|

2010

|

vol. 11

|

issue 2

151-160

PL

W artykule przedstawiono addytywny model z amplitudą oscylacji zmieniającą się według dowolnej funkcji czasu. Wykazano, że stanowi on uogólnienie zwykłego modelu addytywnego i multiplikatywnego. Jeśli założona zostanie wykładnicza postać amplitudy i oscylacje w postaci pojedynczej harmoniki szeregu Fouriera, można wyznaczyć współczynniki równania różniczkowego drgań harmonicznych tłumionych opisującego proces. Model zastosowano dla inflacji rejestrowanej od stycznia 1991 do grudnia 2009.

EN

In the article is shown additive model with amplitude of oscillation changing in any function of time. It was proven that this model is generalization of the ordinary additive and multiplicative models. Establishment of the amplitude as an exponential function and oscillations as single harmonics of Fourier’s series will let to write the inflation variability as a homogeneous second order differential equation with damping factor (equation of harmonic vibration damping). The model was used for monthly inflation from January 1991 to December 2009.

4

Odchylenie względne kosztów całkowitych w ocenie zagrożenia upadłości przedsiębiorstw

100%

Paweł A., Dr K. E. P. Z. E. P. W. Z. U. G. u. A. K. S.

Zarządzanie i Finanse

|

2015

|

vol. 3

|

issue 2

117-131

PL

W artykule omówione zostały wyniki badań nad możliwościami zastosowania rzadko wykorzystywanej w praktyce analitycznej miary, mogącej posłużyć do prognozowania upadłości przedsiębiorstw, w postaci odchylenia względnego kosztów całkowitych. Zdaniem autora artykułu proponowana relacja, uwzględniająca badanie dynamiki zmian kosztów całkowitych w porównaniu z dynamiką zmian przychodów ze sprzedaży, może być z dużym powodzeniem wprowadzana do tworzonych modeli analizy dyskryminacyjnej. Oprócz wskaźników płynności finansowej może stanowić ona bowiem dobry (jedno bądź wielowymiarowy) predyktor standingu ekonomicznego przedsiębiorstw, który, jak zostało przedstawione w artykule na podstawie badania 1979 upadłych w latach 2007–2013 w Polsce przedsiębiorstw, może być skutecznym „barometrem” pozwalającym na dokonanie wyprzedzającej oceny zbliżającego się zagrożenia upadłością przedsiębiorstwa.

5

Zastosowanie Google Trends w prognozowaniu zmian na rynku nieruchomości

100%

Bulczak G.

Zarządzanie i Finanse

|

2014

|

vol. 4

79-90

PL

Decyzje inwestycyjne poprzedzone są szeregiem działań związanych z uzyskiwaniem i weryfikacją informacji. Poniższe badanie ma na celu zbadanie użyteczności danych pochodzących z wyszukiwarek internetowych pod względem ich przydatności w prognozowaniu zmian na rynku nieruchomości. Dane te mogą być dodatkowym źródłem informacji dla inwestorów, jeśli okaże się, że zawierają ślady poszukiwania informacji w okresie przed podjęciem danej decyzji inwestycyjnej. Przeprowadzona analiza jest istotnym dodatkiem do już istniejącej literatury badającej rolę czynników behawioralnych w procesie podejmowania decyzji. Wyniki tego badania mogą wnieść nowe spojrzenie na zachowanie rynków oraz inwestorów.

6

DLACZEGO PROGNOZY EKONOMICZNE SĄ NIETRAFNE?

100%

Bazeli B.

Roczniki Ekonomiczne Kujawsko-Pomorskiej Szkoły Wyższej w Bydgoszczy

|

2017

|

issue 1(10)

11-23

PL

Przewidywanie przyszłości jest niezbędnym elementem w przygotowaniu ludzkiego działania, a jedną z form przewidywania przyszłości jest prognozowanie. Metodologia prognozowania zjawisk ekonomicznych jest bardzo bogata i nadzwyczaj trudna warsztatowo i dlatego istnieje wiele metod prognozowania. W artykule omówione zostały warunki, w których można wyznaczyć mniej lub bardziej trafne prognozy przyszłego stanu. Celem opracowania jest wskazanie głównych przyczyn zawodności prognoz przy jednoczesnym podkreśleniu konieczności ich opracowywania. Możliwość dowiedzenia się, co nas czeka w przyszłości, jest bardzo kusząca. Gdyby kryło się w niej jakieś niebezpieczeństwo, można by spróbować mu zapobiec albo przynajmniej przygotować się na nie. Jeśliby zaś przyszłość okazała się pomyślna, oczekiwałoby się jej w spokoju. W każdym przypadku, umiejętność przewidywania zmniejsza niepewność i ryzyko związane z przyszłością. Dotyczy to również zjawisk gospodarczych. Niepewność towarzyszy każdej działalności gospodarczej, zarówno w skali mikroekonomicznej, jak i makroekonomicznej. W literaturze często wyróżnia się niepewność behawioralną i niepewność egzogeniczną1. Pierwszy rodzaj związany jest z zachowaniem się uczestników życia gospodarczego, drugi natomiast dotyczy tzw. „stanu natury”. Można powiedzieć, że w przypadku niepewności behawioralnej prawdopodobieństwo pojawienia się danego zdarzenia jest zależne od indywidualnego zachowania się jednostki i nie jest niezmienne w czasie. Poprzez wymianę informacji, umowy handlowe itp. można zredukować rozmiary tego rodzaju niepewności. W przypadku niepewności egzogenicznej na prawdopodobieństwo pojawienia się zdarzenia nie ma wpływu decyzja jednostki. Należy podkreślić, że pojęcia przewidywanie przeszłości nie powinno się rozumieć identycznie jak pojęcia prognozowanie. Są ze sobą powiązane jednak nie są tożsame. Prognozowanie jest jedną z form przewidywania przyszłości. Jest to przewidywanie przyszłych faktów, zjawisk czy zdarzeń na podstawie uzasadnionych przesłanek ustalonych w toku badań naukowych. Jeśli jest ono wykonywane za pomocą metod naukowych i jeśli dotyczy ono zdarzeń związanych z gospodarowaniem, nazywa się je, na ogół, prognozowaniem gospodarczym. Definicja prognozowania jednoznacznie wskazuje, że jest to działanie mające na celu przewidywanie przyszłości z wykorzystaniem dorobku nauki. Wynikiem tego działania jest prognoza2 . Użytkownicy prognozy (zwłaszcza gospodarczej) wymagają, aby przedstawione im prognozy były uzasadnione, a najlepiej uzasadnione naukowo. Zainteresowanie przyszłością w działalności ludzkiej występowało zawsze i ma ono charakter powszechny. Stopień tego zainteresowania bardzo wzrósł w ostatnim okresie. Główną tego przyczyną jest fakt, iż przewidywanie przyszłości jest niezbędnym elementem w przygotowaniu ludzkiego działania. Nie można gospodarować racjonalnie bez konstrukcji prognozy. Jest ona niezbędna zarówno rządowi, politykowi gospodarczemu, samorządowi lokalnemu, producentowi, menedżerom, jak i zwykłemu człowiekowi, który musi w konkretnych warunkach podjąć decyzję wyboru jednej ze stojących do dyspozycji możliwości. Ich znaczenie wzrasta szczególnie w sytuacjach wymagających częstego podejmowania decyzji, które najczęściej dotyczą dalszej lub bliższej przyszłości. Główną trudnością, która się wówczas pojawia, to całkowity brak danych na temat przyszłych stanów różnych procesów i zjawisk w momencie ustalania decyzji. A zatem nie istnieje możliwość ustalenia jednoznacznej miary korzyści płynących z podejmowanych decyzji. Prognozy mogą być zatem konstruowane w celu dostarczania tych dodatkowych informacji zmniejszających lukę informacyjną, a tym samym mogą przyczynić się do zmniejszania ryzyka związanego z podejmowanymi decyzjami i ułatwianie ich podjęcia. W celu zachowania racjonalności podejmowanych decyzji makroekonomicznych należy podejmować próby konstrukcji prognoz, np. określenia poziomów liczbowych takich wielkości jak: inflacja, stopa procentowa, stopa bezrobocia, PKB, płaca, cena itp. Prawidłowy proces prognozowania tych wielkości wymaga uwzględniania szeregu czynników wpływających na nie, czyli m. in.: liczbę ludności, skłonność do konsumpcji, oszczędzania, poziom tych wielkości, wrażliwość indywidualnych konsumentów i podmiotów gospodarczych. Na otoczenie makroekonomiczne składają się zatem: prognozy demograficzne, ekonomiczne, naturalne, technologiczne, polityczno-prawne i społeczno-kulturowe. Zarządzanie gospodarką narodową łączy się z konstrukcją prognoz zarówno wielkości przyszłych dochodów państwa, jak i wydatków. Ze sporządzanych prognoz wynika również konieczność podejmowania określonych działań celem uniknięcia występowania niekorzystnych sytuacji, czy też zmniejszenia ich skutków, ale również celem przyśpieszenia przebiegu pożądanego procesu. Prognozy te są również podstawą sporządzania planów gospodarczych dotyczących polityki państwa: fiskalnej, monetarnej, czy też odnośnie działań na rynku pracy itp. A zatem decyzje oparte na zupełnie nietrafnych prognozach mogą okazać się katastrofalne w skutkach. W gospodarce rynkowej decyzje dotyczące rodzaju i wielkości działalności, wyboru rynków zaopatrzenia i zbytu, cen sprzedaży, technologii itp. podejmuje samodzielny podmiot gospodarczy-przedsiębiorstwo. Prowadzenie działalności gospodarczej w ramach systemu ekonomicznego wymaga opanowania trudnej sztuki podejmowania trafnych decyzji. Decyzje te są określane na podstawie antycypowanych, przyszłych sytuacji, a ich skutki ujawniają się po pewnym czasie od ich wdrożenia. W procesie podejmowania decyzji przyszłość jest więc brana pod uwagę ze względu zarówno na warunki, w jakich będzie realizowana. Potrzeba prognozowania występuje w każdym przedsiębiorstwie, bez względu na to, czy zajmuje się działalnością wytwórczą, usługową czy handlową. Prognozy są zatem częścią systemu wspomagania decyzji menedżerskich i są stosowane w zdecydowanej większości przedsiębiorstw. Współczesne, szybko zmieniające się i konkurencyjne warunki funkcjonowania przedsiębiorstw w gospodarce rynkowej powodują, że decydującego znaczenia w ich efektywnym zarządzaniu nabiera informacja zorientowana na przyszłość. Jedną z najważniejszych umiejętności współczesnego menedżera powinna być zdolność do wykorzystania dostępnych mu danych do sporządzania prognoz i przewidywania przyszłego kierunku rozwoju zjawisk ekonomicznych. Im menedżerowie bardziej precyzyjnie zrozumieją czego należy oczekiwać w przyszłości, tym bardziej będą wykorzystywać pojawiające się szanse i tym skuteczniej unikać zagrożeń. Nowoczesny proces zarządzania i podejmowania decyzji wymaga opracowania obiektywnych rozwiązań, które uzyskiwane są na podstawie wiarygodnych informacji i reprezentatywnych danych. Złożoność problemów zarządzania oraz szybki rozwój produkcji, dystrybucji i transportu implikuje konieczność coraz szerszego stosowania naukowych metod pozwalających na racjonalizację i optymalizację gospodarowania w wielu obszarach działalności. Bez stosowania metod naukowych rozwój nowoczesnego i efektywnego zarządzania jest obecnie niemożliwy. Za pomocą metod prognozowania można uzyskiwać zbiory informacji prognostycznych, dzięki którym współczesny człowiek ma możliwość wyeliminowania niekorzystnych, a czasami wręcz szkodliwych, przedsięwzięć w różnych obszarach swojej działalności. Aby podejmować racjonalne decyzje i stymulować rozwój interesujących nas zjawisk gospodarczych trzeba posiadać umiejętność przewidywania procesów rozwojowych tych zjawisk. Zagadnienia prognostyczne stosowane są zarówno w problemach poznawczych, jak i decyzyjnych. Należy wyraźnie podkreślić, że w podejmowaniu decyzji ważnym okazuje się, poza świadomością korzyści płynących z prognozowania, znajomość jego ograniczeń. Termin „prognoza” wywodzi się od greckiego prognosis i oznacza przewidywanie na podstawie określonych danych. W greckim źródłosłowie pojęcia „pro- -gnoza” można wyróżnić dwa człony: przedrostek pro oraz gnosis. Przedrostek wskazuje na wstępną, przygotowawczą fazę, a określenie gnosis oznacza wiedzę o czymś, co jeszcze nie nastąpiło. Prognozę należy zatem odróżnić od wróżby, przypuszczenia, wizji, przepowiedni, itp. Na gruncie prognozowania sformułowano różnorodne definicje prognozy. Oto dwa kontrastujące ze sobą ujęcia: Z. Czerwiński uważa, że: „Przez prognozę rozumiemy sąd o zajściu określonego zdarzenia w czasie określonym z dokładnością co do momentu (punktu) lub okresu (przedziału) czasu, należącego do przyszłości”3 . Z. Hellwig podaje zaś taką definicję: „Prognozą statystyczną nazywać będziemy każdy sąd, którego prawdziwość jest zdarzeniem losowym, przy czym prawdopodobieństwo tego zdarzenia jest znane i wystarczająco duże dla celów praktycznych”4 . Powyższe definicje są jednymi z wielu definicji. Jest to uwarunkowane różnorodnością sytuacji prognostycznych, celów i metod badań. Zdaniem M. Cieślak5 , prognoza to sąd charakteryzujący się następującymi właściwościami: ■ jest sformułowany z wykorzystaniem dorobku nauki, ■ odnosi się do określonej przyszłości, jest weryfikowany empirycznie, tzn. jest sformułowany precyzyjnie i możliwy do sprawdzenia, ■ jest niepewny, ale akceptowany. Prognoza służy wspomaganiu procesów decyzyjnych. W związku z tym wyróżnia się trzy podstawowe funkcje prognoz6 : 1. preparacyjną, 2. aktywizującą, 3. informacyjną. Preparacyjna funkcja prognoz wynika z tego, że jest ona działaniem, które przygotowuje inne działania podejmowane przez decydenta (pojedynczego człowieka, grupę osób, podmiot gospodarczy lub instytucję). Decydent opierając się na sformułowanej przez prognostę prognozie jest w stanie postępować racjonalnie wtedy, kiedy będzie miał do niej zaufanie. Aktywizująca funkcja prognoz polega na pobudzaniu do podejmowania działań sprzyjających realizacji prognozy zapowiadającej korzystne zdarzenia oraz przeciwstawiającej się jej spełnieniu, jeśli przewidywane zdarzenia są oceniane negatywnie (np. prognoza spadku sprzedaży w firmie, czy wzrostu udziału produktów nie odpowiadających normom jakościowym). Informacyjna funkcja prognoz związana jest z oswajaniem społeczeństwa z nadchodzącymi zmianami i zmniejszaniem lęku przed przyszłością. Taką rolę odgrywały w przeszłości proroctwa przepowiadające, np. pomór bydła czy suszę. Ogłoszenie niektórych prognoz może wywołać opanowane reakcje na zmiany, a nawet pełną ich akceptację. Oprócz wymienionych trzech podstawowych, wyróżnia się również funkcje pomocnicze prognoz, a mianowicie7 : ■ funkcję argumentacyjną – prognoza dostarcza decydentom argumentów ułatwiających podejmowanie takich, a nie innych decyzji; ■ funkcję doradczą – prognoza przygotowuje odpowiednie informacje odnoszące się do zjawisk będących przedmiotem procesu decyzyjnego; ■ funkcję mediacyjną – prognoza jest pomocna przy określaniu cen transakcyjnych (np. w procesie kupna-sprzedaży działki budowlanej). Szeroka tematyka prognozowania oraz formy sporządzanych prognoz wymagają ich usystematyzowania (klasyfikacji). Przy klasyfikacji prognoz wykorzystuje się różne kryteria. Najczęstszą przesłanką klasyfikacji prognoz jest horyzont czasowy, tj. okres, na który zostały one zbudowane. Ze względu na to kryterium wyróżnia się prognozy: krótkookresowe, średniookresowe i długookresowe. Z horyzontem czasowym wiąże się również podział na prognozy operacyjne i strategiczne. Ze względu na charakter czy strukturę prognoz dzielimy je na: prognozy proste i złożone. Ze względu na charakter lub strukturę prognoz, dzieli się je również na ilościowe oraz jakościowe. Kryterium charakteru lub struktury prognoz pozwala na ich podział na jednorazowe i powtarzalne. Prognozy dzielimy również na kompleksowe i sekwencyjne, na samosprawdzające się i destruktywne, na realistyczne i badawcze (w tym ostrzegawcze), prognozy zmiennych sterowalnych i nie sterowalnych itd.8 Prognozy dotyczące zjawisk ekonomiczno-społecznych są zwykle budowane przy wykorzystaniu opinii ekspertów lub modeli, które najlepiej – według określonego kryterium – opisują analizowane zagadnienie. Prognoza jest efektem prognozowania, które jest metodą przewidywania przyszłości. Prognozowanie jest mniej lub bardziej trafne w zależności od wybranej metodologii, przyjętych założeń, celu badania, ilości zmiennych, okresu na podstawie którego prognozujemy oraz okresu na jaki tworzymy prognozę. Dlatego istnieje wiele metod prognozowania. W literaturze przedmiotu brak jest jednoznacznego podziału metod prognozowania9 . Wynika to z faktu, że istnienie wielu złożonych metod prognostycznych i kryteriów ich klasyfikacji utrudnia jednoznaczne zakwalifikowanie poszczególnych metod do określonej grupy. Jedną z najczęściej stosowanych klasyfikacji metod jest ich podział na ilościowe i jakościowe. Metody jakościowe są oparte na sądach, opiniach czy oczekiwaniach. Istotne jest to, że nie jest budowany w tym przypadku model formalny (o charakterze statystyczno-ekonometrycznym). Stanowią one niejako zaprzeczenie podejścia ilościowego do prognozowania. Inną z klasyfikacji metod prognozowania, do której w literaturze jest dużo odwołań, jest podział zaproponowany przez A. Zeliasia10 na metody statystyczno-matematyczne i niematematyczne. W praktyce jest to zbieżne z podziałem na metody ilościowe i jakościowe. Takie klasyfikacje mogą sugerować, że do prognozowania wykorzystuje się jedną z metod, a tak naprawdę nigdy tak nie jest. Przewidywaniem zajmują się praktycznie zawsze eksperci, którzy wykorzystują swoją wiedzę, doświadczenie i intuicję. Mogą oni wykorzystywać m.in. modele matematyczne, statystyczne lub ekonometryczne. W praktyce, w zależności od tego, czy w konkretnym przypadku przeważa modelowanie matematyczne, statystyczne lub ekonometryczne, czy też wiedza, doświadczenie i intuicja eksperta (ekspertów), mówi się o przewidywaniu metodami matematycznymi (ilościowymi) (tj. na podstawie modeli matematycznych, statystycznych lub ekonometrycznych), bądź niematematycznymi, jakościowymi (ekspertologicznymi, heurystycznymi). Metody te w dużej mierze nakładają się na siebie. Powszechnie wiadomo, że eksperci w dużej mierze korzystają z modeli matematycznych, statystycznych lub ekonometrycznych. Z drugiej strony, wiedza, doświadczenie i intuicja ekspertów są niezbędne do wyboru: celu, przedmiotu i okresu badania, zmiennych objaśniających oraz modelu (matematycznego, statystycznego albo ekonometrycznego) przewidywania. Dlatego w praktyce zwykle stosuje się określoną mieszankę metod. Podział na przewidywanie heurystyczne oraz na podstawie modeli matematycznych, statystycznych i ekonometrycznych jest jednak bardzo wygodny, zwłaszcza z dydaktycznego punktu widzenia Metodologia prognozowania zjawisk ekonomicznych jest bardzo bogata i nadzwyczaj trudna warsztatowo. Obserwuje się wiele różnych podejść do tych samych problemów i często w wyniku zastosowania różnych metod otrzymuje się różne prognozy. Każdy prognostyk posługuje się pewną metodą, która także zależy od horyzontu prognozy, dostępności danych, łatwości użycia, łatwości interpretacji wyników oraz od kosztu tworzenia prognozy. Sama przez się narzuca się więc myśl, że trafność prognozy zależy od jakości metody prognozowania i podejścia prognostyka. Istnienie wielu złożonych metod prognostycznych i różny stopień „umiejętności” prognostyka wyklucza otrzymanie takich samych prognoz analizowanego zjawiska. Pomimo dość zaawansowanej metodologii prognozowania, nazbyt często nie udaje się przewidzieć tego, co czeka nas w bliższej lub dalszej przyszłości. Po pierwsze nie istnieją niezawodne metody prognozowania, po drugie zależą od wiedzy, doświadczenia i intuicji prognostyka. Sam fakt występowania różnych definicji i klasyfikacji prognoz, jak również istnienie wielu metod ich wyznaczania świadczy o niemożności wyznaczania jednakowo prawdopodobnych i trafnych prognoz. Wynikiem prognozowania jest prognoza, która w zależności od różnych czynników, w tym przede wszystkim jej wiarygodności, może zostać zaakceptowana lub nie. Niezależnie od tego, prognoza ta może zostać, po upływie momentu lub okresu, na który została zbudowana, zbadana pod względem trafności, co stanowi ocenę pojętej jej wąsko lub szeroko jakości. Analiza trafności prognoz (monitorowanie prognoz) jest również oceną samego działania jakim jest prognozowanie. Oceniając prognozę i prognozowanie często używa się pojęcia błędu prognozy ex ante i błędu prognozy ex post. Nie wchodząc w szczegóły, warto podkreślić, że właściwie tylko niewielka część prognoz może być uzupełniona przez błąd prognozy w momencie jej wyznaczenia (błąd ex ante). Są to głównie prognozy oparte na metodach ekonometrycznych. Dla zdecydowanej większości prognoz, w momencie ich wyznaczenia nie można wyznaczyć prawdopodobieństwa stawianej prognozy. Natomiast wszystkie prognozy mogą być zweryfikowane dopiero po zrealizowaniu się okresu prognozowanego (błędy ex post). Jednakże pomimo dość zaawansowanej metodologii prognozowania, nazbyt często nie udaje się przewidzieć tego, co czeka nas w bliższej lub dalszej przyszłości; błędy prognoz są zbyt duże. W związku z tym pojawia się pytanie: dlaczego prognozy społeczne (w tym ekonomiczne) są nietrafne. Z. Czerwiński podaje warunki, w których można wyznaczyć trafne i dokładne prognozy przyszłego stanu obiektu. Należą do nich11: ■ obiekt jest odizolowany od otoczenia, ■ istnieje prawo nauki obiektu, znane prognostykowi, ■ aktualny stan obiektu jest w pełni rozpoznawalny przez prognostyka. Nie trzeba nikogo przekonywać, że żaden z warunków potrzebnych do istnienia niezawodnej metody prognozowania nie jest spełniony w sferze zjawisk ekonomicznych. Żaden obiekt ekonomiczny (zjawisko ekonomiczne) nie jest odizolowany od otoczenia. Brak uniwersalnych, niezmiennych w czasie praw, a także brak dokładnego rozpoznania aktualnego stanu obiektów ekonomicznych wyklucza istnienie niezawodnych metod prognozowania. Zdając sobie sprawę z niepewności prognoz, można zapytać czy w ogóle warto się nimi zajmować? Prognozy społeczne nie mogą eliminować niepewności co do przyszłego stanu świata; prognozy te są użyteczne, gdyż tą niepewność redukują. Warto jednak znać i zdawać sobie sprawę z ograniczeń. Do postawienia trafnej prognozy stanu obiektu potrzebna jest z jednej strony znajomość przeszłości obiektu i otoczenia, a z drugiej strony- znajomość powiązań między zmiennymi charakteryzującymi obiekt i otoczenie. Słabość prognozowania jest następstwem słabego rozeznania w powiązaniach między zmiennymi. Brak znajomości praw podobnych do praw przyrody zmusza prognostyków do uciekania się do „substytutów” tych praw, jakimi są modele. Trzeba podkreślić rolę teorii jako ważnego źródła wiedzy o prognozowanym zjawisku. W naukach społecznych zwykle istnieje kilka teorii tego samego zjawiska. Teorie te różnią się założeniami instytucjonalnymi, założeniami behawiorystycznymi, założeniami technicznymi. Określony zbiór założeń stanowi podstawę każdej teorii. Analizując różne teorie, można wybrać te z nich, które wydają się adekwatne do sytuacji prognostycznej oraz wybrać modele z nich wynikające. Występuje tu więc oczywisty związek między trafnością prognoz a rozpoznaniem obiektu tj. wiedzą o obiekcie, którą dysponuje prognostyk, w szczególności znajomością praw rządzących obiektem. Niestety osiągnięty poziom rozwoju nauk ekonomicznych wydaje się relatywnie niski, bo nie ma wypracowanej spójnej całościowej teorii. Świadczy o tym najlepiej rozrzut opinii panujący wśród ekonomistów odnośnie różnych kwestii np. ostatniego kryzysu finansowego. Obecny stan wiedzy ekonomicznej nie pozwala w pełni wyjaśnić tych kwestii, a zatem wykorzystanie tej wiedzy do ingerowania w rzeczywistość oraz do prognozowania tej rzeczywistości jest obciążone wieloma ryzykami, z czego nie wszyscy zdają sobie sprawę. Przyczynowe zależności w ekonomii charakteryzują się na ogół tym, że między zdarzeniem-przyczyną i zdarzeniem-skutkiem występuje pośrednie stadium w postaci ekonomicznej decyzji. Przy czym przyczyna wpływa najpierw na np. na konsumenta, producenta, inwestora podejmującego odpowiednią decyzję, której realizacja jest skutkiem. W ekonomii zazwyczaj mamy do czynienia z taką sytuacją, że pewien skutek jest wynikiem jednoczesnego oddziaływania większej liczby przyczyn. Biorąc pod uwagę fakt, że pomiędzy przyczyną i skutkiem występuje ekonomiczna decyzja jako etap pośredni, można te przyczyny ująć w następujących grupach12: przyczyny ekonomiczne, ■ przyczyny techniczno-przyrodniczo-ekologiczne, ■ przyczyny polityczne i światopoglądowe oraz związane z wykształceniem fachowym, ■ przyczyny psychologiczne. Na te przyczyny reaguje decydent. Trzecia i czwarta grupa przyczyn różnicuje decydentów ze względu na ich reakcje na przyczyny grupy pierwszej i drugiej. Wiele przyczyn szczególnie z grupy trzeciej i czwartej, najczęściej pomija się w analizie. Teoria ekonomiczna podaje jedynie istotne czynniki zmian zjawiska ekonomicznego. Te czynniki nie mogą wyjaśnić zmian w sposób wyczerpujący, jak również nie pozwalają na przewidywanie zmian w przyszłości z zadowalającą dokładnością. Gdy chodzi o sferę zjawisk ekonomicznych istnieje brak praw naukowych tak dokładnych i bezwyjątkowych, jak prawa przyrody. Korzystanie z dorobku nauki nie gwarantuje więc „prawdziwego” odczytu rzeczywistości i co za tym idzie prawdziwego obrazu przyszłości. Za to ułatwia drogę do owej „prawdy” przez korzystanie ze wskazówek. Wśród przyczyn wpływających na zjawiska ekonomiczne wymienia się, między innymi, przyczyny polityczne i światopoglądowe. I właśnie zmieniająca się sytuacja polityczna często zmienia reguły gry ekonomicznej i przepisy prawno-finansowe. W procesie prognozowania wykorzystuje się dane o obiekcie dla którego sporządza się prognozę, oraz o obiektach stanowiących jego otoczenie. Zmiany zasad gospodarowania niszczą porównywalność tych danych liczbowych. W takich warunkach jest zrozumiałe, że budowa modeli prognostycznych jest zadaniem trudnym, niewdzięcznym i ryzykownym. Powszechnie jednak wiadomo, że prognozy jednych zjawisk gospodarczych okazują się być obarczone niewielkimi błędami, innych zaś-znacznie większymi. Wynika to z faktu, że niektóre zjawiska ekonomiczne są w różnym stopniu sterowane, czyli zależne od decydenta, a niektóre temu nie podlegają. Tylko prognozy zmiennych w pełni sterowanych byłyby bezbłędne, ponieważ ich stany byłyby wyznaczone mocą decyzji. W zagadnieniach społecznych, w tym gospodarczych, siła oddziaływania owych decyzji rzadko jest absolutna, zmienne sterowane zależą bowiem także od zmiennych nie sterowanych, na które decydent nie ma wpływu. Opracowuje się więc prognozy zarówno zmiennych nie sterowanych, jak i sterowanych. Trudność prognozowania w sferze zjawisk ekonomicznych bierze się także stąd, że obiekty gospodarcze nie są ani całkiem sterowane, ani całkiem automatyczne. Wyznaczając prognozę jednej zmiennej najczęściej opieramy się na przyszłych wartościach (prognozach) innych zmiennych, które wpływają na badaną zmienną. Powstaje więc łańcuch prognoz, gdzie trafność prognozy jednej zmiennej zależy od trafności prognoz innych zmiennych. Z uwagi na fakt, że rzadko ma się pewność do tego, jakie to będą wartości, nie chcąc ryzykować podania nietrafnej prognozy, można sformułować tzw. prognozę warunkową. Tak naprawdę, większość prognoz ekonomicznych ma właśnie charakter warunkowy. Jeżeli nie zostaną spełnione „warunki” (założenia) to formułowana prognoza okaże się nietrafna. Dlatego trzeba mieć na uwadze, iż duża część prognoz ma charakter warunkowy i że pozwala jedynie odpowiedzieć na pytanie: co będzie, jeśli? Nawet jednak najbardziej wiarygodna prognoza, dotycząca stabilnych i długotrwałych procesów ekonomicznych, nigdy nie jest i nie może być doskonała. Wynika to z dwóch przyczyn. Po pierwsze, ludzie dostosowują swoje działania do oczekiwań. Jeśli na przykład udałoby się przewidzieć, że za dwa miesiące nastąpi załamanie gospodarcze, to taka prognoza na pewno nie sprawdziłaby się. Jeśli prognoza byłaby wiarygodna, przedsiębiorcy zdążyliby dostosować się do sytuacji przede wszystkim poprzez zmniejszenie kosztów działalności: renegocjację umów o pracę, efektywniejsze wykorzystanie czynników produkcji bądź zastosowanie tańszej metody wytwarzania. W wyniku takiego postępowania załamanie gospodarcze zaczęłoby się wcześniej, miałoby łagodniejszy przebieg albo wręcz w ogóle nie byłoby zauważalne. W każdym przypadku wcześniejsza prognoza nie sprawdziłaby się. Tego typu prognozy często określa się jako prognozy ostrzegawcze, których zadaniem jest przewidywanie zdarzeń niekorzystnych dla odbiorców prognozy. Wówczas taka prognoza jest stymulatorem działań w stosunku do zmiennych sterowanych. Drugą z przyczyn niemożności doskonałego przewidywania jest to, że pewne wydarzenia, mające często decydujący wpływ na przyszłość, cechują się fundamentalną niepewnością. Dobry przykład stanowią wynalazki i odkrycia naukowe. Niektóre z nich, na przykład elektryczność, powodują rewolucyjne zmiany w funkcjonowaniu społeczeństw i kształcie gospodarki. Przewidzenie odkrycia byłoby jednak równoznaczne z jego dokonaniem. Trzeba się więc pogodzić z tym, że o przyszłości nigdy nie będziemy w stanie wiedzieć nic z absolutną pewnością. Prognozy społeczne (w tym gospodarcze) są zawsze niepewne, ale gdyby z nich zrezygnować, błędy w zachowaniu gospodarczym byłyby większe. Warto jednak pamiętać, że: ■ przyszły stan badanej zmiennej ekonomicznej jest wyznaczony przez przyszłe wartości innych zmiennych ekonomicznych i nieekonomicznych. Powstaje w ten sposób łańcuch prognoz, w którym jedne zawieszone są na drugich i trafność prognozy badanej zmiennej zależy od tego czy trafne były prognozy zmiennych objaśniających. Dlatego często prognoza jest jedynie słowem oczekiwań co do prawdopodobnego kierunku rozwoju, przy obecnym stanie wiedzy na temat wszystkich czynników wpływających na kierunek zmian i przy określonych założeniach co do polityki gospodarczej; ■ dodatkowym utrudnieniem prognozowania społecznego ( w tym gospodarczego) jest to, że sama prognoza stanowi zjawisko społeczne, które łącznie z innymi może oddziaływać na prognozowane zdarzenie; ■ im dłuższy horyzont prognozy, tym więcej założeń musi przyjąć prognozujący. Generalnie więc, im dłuższa prognoza, tym bardziej jest ona niepewna; ■ prognozy są często „skażone” osobistymi poglądami tego, kto ich dokonuje. Każdy prognostyk posługuje się pewną metodą, a więc pewnym systematycznym sposobem postępowania (w tym modelem), prowadzącym do postawionego sobie celu, którym jest prognoza. Same modele nie zawsze wystarczą do postawienia prognozy, gdyż prognoza, najczęściej makroekonomiczna, bazuje na połączeniu rezultatów z modelu ekonometrycznego i wiedzy eksperckiej (prognosty). Często zresztą operuje się prognozami eksperckimi, które w ogóle nie są oparte na żadnym modelu, a jedynie na wiedzy i intuicji eksperta. ■ nietrafna prognoza może być wynikiem nadużywania metod ekonometrycznych przez ludzi, którzy ani nie zgłębili ich istoty, ani też nie potrafią ich poprawnie stosować. Używają oni niewłaściwych modeli, przyjmując nieprawidłowe założenia dotyczące zmiennych egzogenicznych; ■ mimo wszelkich postępów w konstrukcji prognoz, coraz inteligentniejszych komputerów i programów służących celom prognostycznym, ekonomiści nie są w stanie zmienić natury obiektów ekonomicznych, które czasem zachowują się nieoczekiwanie, różnie od dotychczas obserwowanych zachowań; ■ zjawiska gospodarcze są bardziej skomplikowane niż np. zjawiska fizyczne. Każde takie zjawisko jest powiązane z dużą liczbą innych zjawisk ekonomicznych i społecznych, a także czysto biologicznych, chemicznych, fizycznych itd. Uwikłanie zjawisk społecznych w dużą liczbę czynników różnej stabilności sprawia, że prawidłowości kształtowania się tych zjawisk są na ogół mniej wyraziste i mniej trwałe w czasie niż w przypadku zjawisk fizycznych. Te okoliczności, a także niesłychanie rzadko występująca możliwość prowadzenia eksperymentów, sprawiają, że prawa nauk społecznych są „słabsze” niż prawa fizyki, a więc stanowią też słabszą podstawę przewidywań; ■ nie można zapominać, że proces prognozowania wymaga odpowiednich nakładów, zarówno pieniężnych jak i czasowych. Stąd rozważanie go w oderwaniu od tych nakładów jest nieuzasadnionym uproszczeniem. Wymaga wysokich kwalifikacji prognostów, stosowania różnych metod, często bardzo zaawansowanych, dużej liczby trudno dostępnych danych, specjalistycznego oprogramowania itp. Wiarygodność prognozy generalnie wzrasta wraz z kosztami poniesionymi na ten proces. Jednak po przekroczeniu pewnej wielkości tych kosztów, całkowite koszty prognozowania, uwzględniające również koszty strat, nie maleją, ponieważ nigdy nie uda się całkowicie wyeliminować czynnika niepewności13. ■ jakkolwiek za jakość prognozy odpowiada prognosta, to decydent musi mieć umiejętność jej oceny, gdyż skutki jego dzisiejszej decyzji ujawnią się w przyszłości. 1 M H. Pesaran, The Limits to Rational Expectations, Basil Blackwell, Oxford 1989 2 P. Dittmann, Prognozowanie w przedsiębiorstwie, Oficyna Ekonomiczna, Kraków 2004; M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; E. Nowak, Prognozowanie gospodarcze. Metody, Modele, Zastosowania, Przykłady, Placet, Warszawa 1998; A. Zeliaś, B. Pawełek, S. Wanat, Prognozowanie ekonomiczne: teoria, przykłady, zadania, PWN, Warszawa 2004; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.3 Z. Czerwiński, Moje zmagania z ekonomią, Akademia Ekonomiczna, Poznań 2002. 4 Z. Hellwig, Prognozy statystyczne, „Zeszyty Naukowe WSE we Wrocławiu” 1963, nr 16. 5 M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005. 6 M. Sobczyk, Prognozowanie. Teoria, przykłady, zadania, Placet, Warszawa 2008.7 M. Witkowski, T. Klimanek, Prognozowanie gospodarcze i symulacje w przykładach i zadaniach, Akademia Ekonomiczna, Poznań 2006. 8 Sama klasyfikacja prognoz mogłaby być przedmiotem osobnego artykułu. Nie jest jednak w tym przypadku niezbędna. Więcej na ten temat klasyfikacji prognoz można znaleźć np. M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.9 P. Dittmann, Prognozowanie w przedsiębiorstwie, wyd. 2, Oficyna Ekonomiczna, Kraków 2004; M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; E. Nowak, Prognozowanie gospodarcze. Metody, Modele, Zastosowania, Przykłady, Placet, Warszawa 1998; A. Zeliaś, B. Pawełek, S. Wanat, Prognozowanie ekonomiczne: teoria, przykłady, zadania, PWN, Warszawa 2004; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997. 10 A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.11 Z. Czerwiński, Moje zmagania z ekonomią, Akademia Ekonomiczna, Poznań 2002.12 Z. Zieliński, Liniowe modele ekonometryczne jako narzędzie opisu i analizy przyczynowych zależności zjawisk ekonomicznych, Wydawnictwo UMK, Toruń 1991.13 P. Dittmann, Prognozowanie w przedsiębiorstwie, wyd. 2, Oficyna Ekonomiczna, Kraków 2004.

7

Podejście wielomodelowe w prognozowaniu zagrożenia przedsiębiorstw upadłością w Polsce

100%

Pawełek B., Grochowina D.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu

|

2017

|

issue 468

171-179

PL

Tematyka pracy wpisuje się w nurt badań naukowych nad ważnym problemem ekonomicznym, jakim jest upadłość przedsiębiorstw. W zakresie badania zagrożenia przedsiębiorstw upadłością kontynuowane są prace nad metodologią przewidywania pierwszej i kolejnych upadłości przedsiębiorstw. Celem artykułu jest przedstawienie wyników badań empirycznych nad przydatnością stosowania podejścia wielomodelowego w prognozowaniu zagrożenia upadłością przedsiębiorstw w Polsce. Analizę przeprowadzono dla zbilansowanych i niezbilansowanych zbiorów przedsiębiorstw z sektora przetwórstwa przemysłowego. W badaniu zastosowano metody bagging, boosting, random subspaces i random forests. Przydatność podejścia wielomodelowego dla prognozowania upadłości oceniono na podstawie wartości mierników skuteczności klasyfikacyjnej przedsiębiorstw ze zbioru testowego. Wnioski z przeprowadzonych badań empirycznych wskazują na przydatność stosowania podejścia wielomodelowego w prognozowaniu zagrożenia przedsiębiorstw upadłością.

8

Modelowanie umieralności w Polsce przy użyciu funkcji wieloparametrycznych

100%

Florczak W., Florczak A.

Przegląd Statystyczny

|

2017

|

vol. 64

|

issue 1

95-120

9

Analiza popytu w przemyśle hutniczym – zastosowanie modelu ze zmiennymi ukrytymi

100%

Barska M.

Przegląd Statystyczny

|

2019

|

vol. 66

|

issue 4

247-269

PL

Na popyt w przemyśle hutniczym wpływa wiele czynników. Nie wszystkie można zidentyfikować i zmierzyć. W artykule przedstawiono wyniki analizy popytu dla wybranego przedsiębiorstwa w latach 2010–2014. Celem przedstawionego badania jest budowa ukrytego modelu łańcuchów Markowa, który odzwierciedli punkty zwrotne zapotrzebowania na wyroby hutnicze oraz umożliwi prognozę wielkości tego zapotrzebowania. Zbadano własności prognostyczne i stabilność modelu. Przeprowadzono symulację polegającą na wygenerowaniu dużej liczby szeregów dla zadanych parametrów modelu i sprawdzeniu ich własności. Najlepiej dopasowanym modelem okazał się trójstanowy model ukrytych łańcuchów Markowa. Za jego pomocą opisano stany potencjalnie kształtujące wielkość popytu. Uwzględnienie stanu przejściowego pozwoliło uchwycić sygnał nadchodzącej zmiany pomiędzy fazami wzrostu i spadku. Zaproponowany model ukrytych łańcuchów Markowa drugiego rzędu może być alternatywą dla tradycyjnych metod analizy szeregów czasowych. Wyznaczona prognoza informuje o kształtowaniu się trendu i stanowi wskazówkę co do punktów zwrotnych koniunktury.

10

Wykorzystanie danych wysokiej częstotliwości w prognozowaniu zmienności polskich indeksów giełdowych za pomocą modeli zmienności stochastycznej

100%

Doman R., Uniwersytet im. Adama Mickiewicza w Poznaniu W. M. i. I.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2004

|

vol. 177

EN

Stochastic volatility (SV) models form a class of models applied to financial instrument volatility forecasting that is alternative to the one consisting of better known GARCH models. In contrast to GARCH models, the time-varying volatility in SV models is described by means of two uncorrelated stochastic processes. In this paper we apply stochastic volatility models to forecasting the daily volatility of the Warsaw Stock Exchange indices. The obtained forecasts are evaluated against the daily realized volatility understood as a sum of squared intraday returns. We also investigate the impact of entering the realized volatility as an additional explanatory variable on the quality of the forecasts.

PL

Modele zmienności stochastycznej (SV) stanowią drugą, obok bardziej znanych modeli typu GARCH, klasę modeli wykorzystywanych do prognozowania zmienności instrumentów finansowych. W przeciwieństwie do modeli rodziny GARCH, w modelach SV ewolucja zmienności w czasie jest opisywana za pomocą dwóch nieskorelowanych procesów stochastycznych. W niniejszym artykule modele SV są stosowane do prognozowania dziennej zmienności indeksów Giełdy Papierów Wartościowych w Warszawie. Otrzymywane prognozy odnoszone są do dziennej zmienności zrealizowanej, rozumianej jak o suma kwadratów zwrotów śróddziennych. Ponadto badany jest wpływ, jaki na jakość prognoz ma wprowadzenie do modelu SV dziennej zmienności zrealizowanej jako dodatkowej zmiennej objaśniającej.

11

Czynniki ryzyka rynku kapitałowego w Polsce

100%

Wdowiński P., Wrzesiński D., Łódzki U.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2004

|

vol. 177

EN

In the paper we analyze risk factors of the capital market in Poland in the monthly period 1996-2002. The capital market risk is measured as a time-varying BETA paramele estimated in a regression of the Warsaw stock indexes (WIG and WIG20 separately) on major foreign stock market indexes (Dow Jones, NASDAQ, DAX and FTSE). The individu; monthly BETA parameters time series are computed as a structural regression parameli estimated for daily data in monthly sub-periods in regressions for WIG and WIG20 indexes on individual foreign stock market indexes. The BETA risk time series is an average ( monthly individual BETA parameters. We put forward a hypothesis that the estimated BET risk depends on monetary and real variables expressing the economic performance of the Polish economy. Hence, we build monetary and real factors models. As risk explanatory factors, we examine income, productivity, trade balance, budget deficit, interest rate and the zloty exchange rate. The risk factors are expressed as differentials relative to the world economy for which stands the US economy. According to Fair and Shiller (1990), we te for relative one-period ahead predictive performance of monetary and real factors models capital market risk in Poland in the period 1999-2002. We find that monetary variables exchange rate and interest rate have relatively more power than real variables in explaining the capital market risk in Poland.

PL

W artykule podjęliśmy próbę określenia czynników mających wpływ na poziom ryzyka rynku kapitałowego w Polsce w latach 1996-2002. Ryzyko rynku kapitałowego zostało wyrażone jako zmienny parametr strukturalny regresji, tzw. współczynnik BETA, dla indeksów WIG i W1G20 z Giełdy Papierów Wartościowych w Warszawie względem głównych zagranicznych indeksów giełdowych (Dow Jones, NASDAQ, DAX i FTSE). Szeregi czasowe współczynników BETA zostały wyznaczone jako parametr regresji, oszacowany na próbie dziennej w miesięcznych podokresach w regresjach dla indeksu WIG i WIG20 względem rozpatrywanych indywidualnie zagranicznych indeksów giełdowych. Kolejne wyrazy szeregów czasowych ryzyka dla próby miesięcznej w latach 1996-2002 dla obu indeksów zostały obliczone jako średnie arytmetyczne oszacowanych współczynników BETA. Stawiamy hipotezę, że lak zdefiniowane ryzyko zależy od monetarnych i realnych czynników wyrażających poziom rozwoju gospodarczego Polski, do których zaliczamy: stopę procentową, kurs walutowy złotego, dochód, wydajność pracy, saldo bilansu handlowego i deficyt budżetowy. Czynniki ryzyka zostały wyrażone jako różnice względem odpowiednich zmiennych dla gospodarki światowej. Jako aproksymację zachowań gospodarki światowej przyjęliśmy gospodarkę USA. Za pomocą procedury oceny predyktywnej jakości modeli ekonometrycznych, zaproponowanej w pracy Faira i Shillera (1990), dokonaliśmy oceny względnej siły wpływu czynników monetarnych i realnych na ryzyko rynku kapitałowego. Wnioskujemy, że czynniki monetarne, takie jak stopa procentowa i kurs walutowy, miały większy wpływ niż czynniki realne na kształtowanie się ryzyka rynku kapitałowego w Polsce.

12

Prognozowanie zmienności polskich indeksów giełdowych za pomocą modeli GARCH przy użyciu danych wysokiej częstotliwości

100%

Doman M., Akademia Ekonomiczna w Poznaniu K. M. S.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2004

|

vol. 177

EN

The notion of daily realized volatility introduced by Andersen and Bollerslev gave a new impulse to research connected with modeling and forecasting the volatility of financial returns using GARCH models. Daily realized volatility is a sum of squared intraday returns. Volatility forecasts obtained from GARCH models improve when instead of daily squared returns they are evaluated against the realized volatility. In this paper we calculate and investigate volatility forecasts for stock indices from the Warsaw Stock Exchange delivered by GARCH models with realized volatility as an additional explanatory variable.

PL

Wprowadzone przez Andersena i Boilersleva pojęcie dziennej zmienności zrealizowanej dało nowy impuls badaniom poświęconym modelowaniu i prognozowaniu zmienności cen instrumentów finansowych przy użyciu modeli GARCH. Dzienna zmienność zrealizowana jest określona jako suma kwadratów zwrotów śróddziennych. Odnoszenie dziennych prognoz modeli GARCH do tak rozumianej zmienności zwykle znacznie poprawia jakość prognozy. Praca poświęcona jest prognozowaniu dziennej zmienności zrealizowanej indeksów Warszawskiej Giełdy Papierów Wartościowych za pomocą modeli z rodziny GARCH, w których opóźniona dzienna zmienność zrealizowana została również wprowadzona jako dodatkowa zmienna objaśniająca.

13

Prognozowanie dziennej zmienności indeksu WIG określonej za pomocą danych o wyższej częstotliwości

100%

Doman M., Doman R., Doman Małgorzata - Akademia Ekonomiczna w Poznaniu, Doman Ryszard - Uniwersytet im. Adama Mickiewicza w Poznaniu

Acta Universitatis Lodziensis. Folia Oeconomica

|

2003

|

vol. 166

EN

It is generally acknowledged that squared daily returns on a financial instrument provide a poor approximation of its daily volatility. It was first pointed out by Andersen and Bollerslev that more accurate estimates are obtained with the realized volatility calculated as the sum of squared intraday returns corresponding to high-frequency data. In this paper we show how the volatility forecasts for the stock index WIG provided by the popular GARCH(I,I) improve when instead of daily squared returns they are evaluated against the realized volatility.

PL

Powszechnie uważa się, że kwadraty dziennych zwrotów instrumentu Finansowego słabo aproksymują jego dzienną zmienność. Andersen i Bollerslev jako pierwsi zauważyli, że bardziej dokładne oszacowania zmienności można otrzymać za pomocą zmienności liczonej jako suma kwadratów zwrotów śróddziennych, odpowiadających danym o wyższej częstotliwości. W niniejszym artykule pokazujemy, o ile poprawiają się prognozy zmienności indeksu giełdowego WIG, gdy zamiast do kwadratów zwrotów dziennych odnosi się je do zmienności zrealizowanej.

14

Prognozowanie cash flow w przedsiębiorstwach sektora innowacyjnego i tradycyjnego - analiza spółek notowanych na GPW w Warszawie

100%

Bolek M., Grosicki B.

|

2014

|

vol. 5

|

issue 306

PL

W artykule autorzy rozważają problematykę związaną z możliwością prognozowania cash flow przedsiębiorstwa na podstawie wskaźników rentowności i wskaźników płynności. Wskaźniki płynności wskazują na strategię zarządzania kapitałem pracującym, co powinno determinować poziom cash flow generowanego przez przedsiębiorstwo, a cykl konwersji gotówki jest nie tylko dynamiczną miarą płynności, wskazującą na szybkość odzyskiwania gotówki zainwestowanej w cykl obrotowy, ale również wskaźnik ten może określać efektywność działania jednostki, a to związane jest z jej rentownością. Te wszystkie aspekty zarządzania finansami na poziomie płynności i rentowności powinny być związane z przepływami finansowymi z działalności operacyjnej, które reprezentują z jednej strony zyskowność, a z drugiej płynność przedsiębiorstwa. Autorzy w prezentowanym artykule weryfikują hipotezę, że wskaźniki płynności i rentowności są determinantami prognozowanego cash flow z działalności operacyjnej. Dodatkowo autorzy proponują podzielić niefinansowe spółki notowane na GPW na przedsiębiorstwa reprezentujące biznes innowacyjny i tradycyjny, aby zidentyfikować różnice w podejściu do zarządzania płynnością w obu grupach. Podział został dokonany w oparciu o wskaźnik wartości niematerialnych i prawnych do aktywów trwałych.

15

Panelowe klasyfikacyjne modele upadłości ekonomicznej gospodarstw rolniczych

88%

Kisielinska J.

Problemy Rolnictwa Światowego

|

2008

|

vol. 04(19)

EN

Four classification models of economic bankruptcy of farms based on panel data are presented in the article. The modelling techniques are linear discrimination function, pooled probit model, random effects probit model and artificial neural network. They give very similar quality of classification, so we can assume that the problem is linear.

PL

W artykule przedstawiono cztery klasyfikacyjne modele prognozowania upadłości ekonomicznej gospodarstw rolniczych zbudowane na podstawie danych panelowych. Były to liniowa funkcja dyskryminacyjna, probitowy model dla danych połączonych, probitowy model z efektami losowymi oraz sieć neuronowa. Zbliżona ich jakość wskazuje na liniowość sformułowanego zadania.

16

Wiarygodność ekonomii

88%

Zimniewicz K.

Przegląd Zachodniopomorski

|

2014

|

issue 3/1

11-18

EN

Contemporary economics is fraught with certain natural weaknesses, which cannot be eliminated. These weakness include: problems with the formulation of universal laws, unconditional truth and forecasting. There is little doubt about the fact that these problems arise from the very nature of economics as a social science. Therefore, with some humility, economists should address the reliability of discipline.

17

Prognozowanie cen na przykładzie sprzedaży dorszy w Polsce w latach 2004–2013

88%

Kieliszewska M.

Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”

|

2015

|

issue 7

140-149

EN

In the modern economy, market entities are trying to reduce risk and uncertainty in their actions. The most important element is the price and the need for information on future prices is crucial for efficient business. Forecasting is a form of predicting the future. The aim of the study was to determine if decomposition of the time series allows to generate reliable and short-term price forecasts. The indicators were the first-sale prices of Baltic cod, which were landed in Polish ports by Polish fishing operators in 2004–2013. The analysis showed that random fluctuations have the greatest impact on prices, and thus, the utilised forecast model is not a good method for predicting these prices.

18

Symulacyjne badanie wpływu liczby i rozmieszczenia luk na dokładność prognoz w szeregu czasowym dla danych dziennych

88%

Oesterreich M.

Econometrics. Ekonometria. Advances in Applied Data Analytics

|

2017

|

issue 1 (55)

57-68

PL

W pracy przedstawione zostaną wyniki symulacyjnej analizy wpływu występowania luk na dokładność prognoz inter- i ekstrapolacyjnych dla szeregów charakteryzujących się wysoką częstotliwością obserwowania oraz złożoną sezonowością. Do budowy prognoz wykorzystano klasyczne modele szeregu czasowego, w którym wahania sezonowe o cyklu zarówno tygodniowym, jak i rocznym były opisane za pomocą zmiennych zero-jedynkowych. Zmienną, którą poddano analizie, była dzienna sprzedaż w litrach paliw płynnych na stacji paliw X w latach 2012-2014, przy czym lata 2012-2013 stanowiły przedział czasowy próby, a rok 2014 był okresem empirycznej weryfikacji prognoz. Rozpatrywanych było sześć wariantów luk różniących się odsetkami, z których każdy zawierał po dziesięć tysięcy wariantów luk. Obliczenia zostały wykonane z wykorzystaniem pakietu R oraz Statistica 12.

19

Empiryczne modele kursów walutowych: ocena trafności prognoz

88%

Wdowiński P., Uniwersytet Łódzki K. E.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2005

|

vol. 193

PL

W prezentowanym tekście podjęliśmy tematykę modelowania kursów walutowych. Część teoretyczna artykułu została poświęcona teorii parytetu siły nabywczej PPP oraz modelowi monetarnemu wraz z przeglądem literatury, wskazującym na genezę modelowania nominalnych i realnych kursów walutowych. W części empirycznej dokonaliśmy oszacowania kwartalnych modeli kursów walutowych PLN/USD i PLN/EUR w okresie 1990-2002. Badaniem objęliśmy teorię parytetu PPP dla dwóch indeksów cen, tj. indeksu cen towarów i usług konsumpcyjnych (CPI) oraz indeksu cen produkcji sprzedanej przemysłu (PPI), oraz modelu monetarnego z uwzględnieniem stóp procentowych. Dokonaliśmy ponadto oceny jakości prognoz generowanych przez obie klasy modeli w oparciu o ideę łączenia prognoz według podejścia Faira-Shillera (1990). Na podstawie przeprowadzonego badania można wnioskować, że w analizowanym okresie nie udało się potwierdzić związków teoretycznych pomiędzy kursem walutowym a zmiennymi o charakterze fundamentalnym w kontekście wartości ocen parametrów. Modele monetarne okazały się lepsze od modeli parytetu siły nabywczej z prognostycznego punktu widzenia.

EN

In the paper we estimate exchange rate models. The theoretical part of the paper includes the purchasing power parity theory (PPP) and monetary model. We also propose an extended review of literature on modeling nominal and real exchange rates. In the empirical part we estimate quarterly exchange rate models of PLN/USD and PLN/EUR during 1990-2002. We have assessed the PPP model for consumer price (CPI) and producer price (PPI) indices along with the monetary model including interest rates. We have also assessed a predictive power of models within a framework of Fair and Shiller (1990) based on combined forecasts. The research has shown that we cannot confirm theoretical relations between exchange rates and fundamentals in terms of estimated parameters’ size. The monetary models have been found to be superior to PPP models in terms of their forecasting accuracy.

20

Neuronowe prognozowanie szeregów czasowych metodą przesuwanego okna danych

75%

Morajda J.

Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie

|

2007

|

issue 1(10)

189-199

PL

W artykule zaprezentowano opartą na sieciach neuronowych metodę analizy i prognozowania szeregów czasowych, wykorzystującą technikę przesuwanego okna danych. Przedstawiono badania zastosowania tej metody dla szeregu czasowego cen detalicznych benzyny w USA. Dokonano oceny efektywności metody oraz porównano ją z wybranymi klasycznymi narzędziami analizy szeregów czasowych.

EN

The paper outlines a method of time series analysis and forecasting based on neural networks, which utilises a moving data window technique. The research on the application of the method for time series has been described with reference to retail prices of gas oline in the USA. The effectiveness of the method has been evaluated and compared with selected classical tools of time series analysis.

Refine search results