Rīgas 95.

vidusskola

Laika analīze un mēneša finanšu atlikumu

prognozēšana: Lineārās regresijas pieeja
Piekļuves darbs matemātikā
Matemātiskā modelēšana

Darbu autors:
Vladislavs Pers, 12.a kl. skolnieks

RĪGA, 2024
 Ievads
Personīgo finanšu pārvaldības jomā ir būtiski saprast un prognozēt nākotnes naudas plūsmu,
lai pieņemtu pareizos lēmumus par budžetēšanu, taupīšanu un ieguldīšanu. Šis pētījums ir
veikts, lai analizētu vēsturiskos finanšu datus un prognozētu nākotnes atlikumus.
Šī darba mērķis ir izveidot modeli, kas varētu sniegt uzticamu nākotnes finanšu iznākumu
prognozi, balstoties uz pagātnes datiem. Tādējādi gan individuālie lietotāji, gan finanšu
plānotāji var iegūt ieskatu iespējamos nākotnes scenārijos, kas ļauj labāk plānot finanses un
pārvaldīt riskus.
Šī darba aktualitāti pastiprina indivīdu pieaugošā nepieciešamība pārvaldīt savas finanses
mainīgā ekonomiskā vidē. Daudziem saskaroties ar svārstīgiem ienākumu avotiem un
negaidītiem izdevumiem, prognozēšanas rīks var būt ārkārtīgi vērtīgs. Turklāt šis pētījums
sniedz ieguldījumu plašākā finanšu analīzes jomā, parādot, kā vienkāršas statistiskas metodes
var piemērot personīgajām finansēm - jomai, kurā bieži vien tiek izmantoti sarežģītāki un
mazāk pieejami finanšu modeļi.
Analizējot mēneša atlikumu datus un izstrādājot lineāro regresijas modeli, šī pētījuma mērķis
nav tikai prognozēt nākotnes atlikumus, bet arī kvantificēt taupīšanas izmaiņu ātrumu laika
gaitā, piedāvājot skaidru skatījumu uz finansiālo trajektoriju. Tas var būt īpaši noderīgi tiem,
kas tuvojas nozīmīgiem dzīves notikumiem, piemēram, pensionēšanās, kur sapratne par
taupīšanas augšanas modeli ir izšķiroša.
Pētījumā izmantotais lineārās regresijas modelis ir izvēlēts tā vienkāršības, interpretējamības
un sākotnējās pieņēmuma dēļ, ka finanšu atlikuma izmaiņas laika gaitā var tuvināti aprēķināt
kā lineāras. Šī pieņēmuma pārbaude un apstiprināšana pret sniegtajiem vēsturiskajiem datiem
 Aprēķini

Attēlā redzams atlikuma izmaiņu grafiks.

1. solis: Mainīgo definēšana un datu organizēšana
Definē t kā kā neatkarīgo mainīgo, kas attēlo laiku mēnešos, kur t = 0 atbilst novērošanas
perioda sākumam (2023. gada 1. janvāris). Definē B(t) kā atkarīgo mainīgo, kas atspoguļo
atlikumu eiro, laikā t.
Organizē datus novērojumu pāru veidā (ti ; B(ti)), kur ti ir konkrēti laika punkti (mēneši kopš
sākuma) un B(ti) ir atbilstošās atlikuma vērtības šajos laika momentos.
Dotie datu punkti ir:

Mēnesis (ti) Atlikums B(ti) (€)

0 50.32
1 50.32
2 50.32
3 70.65
4 10.65
5 243.69
6 459.86
7 508.16
8 886.17
9 1749.16
10 1822.53
11 1668.08
12 2160.22
13 2309.12
14 (2024. gada 25. februāris) 2249.10
2. solis Attiecību modelēšana
Modelēsim B(t), izmantojot lineāro attiecību:
B(t)=β 0+ β 1 t
kur:
B(t) - Prognozētais atlikums mēnesī
β 0 - Regresijas līnijas šķēlums
β 1 - Regresijas līnijas slīpums

3. solis: Parametru noteikšana ar mazāko kvadrātu metodi

Izmanto mazāko kvadrātu metodi, lai noteiktu parametrus β0 un β1, kas minimizē summu
kvadrātisko atšķirību starp novērotajiem atlikumiem un tiem, ko paredz modelis.
Minimizējamās objektīvās funkcijas veids ir:
n
S(β 0 , β1 )=∑ [B( t i )−( β0 + β 1 t i )]2
i=1

Lai aprēķinātu β1 (slīpumu), mēs izmantojam formulu:

n ∑(t i Bi )−(∑ t i )(∑ Bi)
β 1= 2 2
n ∑ (t i )−(∑ t i )

Un, lai aprēķinātu β0 (šķēlumu), mēs izmantojam formulu:

∑ Bi−β 1 ∑ t i
β 0=
n
Mums vajadzīgas šādas summas:
1. Mēnešu indeksu summa ∑ t i
2. Atlikumu summa ∑ Bi
3. Mēnešu indeksu un atlikumu reizinājuma summa ∑(t i B i)
4. Mēnešu indeksu kvadrātu summa ∑ t i2
Aprēķināsim katro no šīm summām:

1. Mēnešu indeksu summa:

Laika indeksu (mēnešu) summa tiek aprēķināta, saskaitot kopā visus mēnešu indeksus:
∑ t i=0+1+2+...+14

Šī summa pārstāv kopējo pagājušo mēnešu skaitu no sākuma punkta, ņemot katru mēnesi kā
vienu vienību.
Mēnešu indeksu summa no sākumpunkta: 105

2. Atlikumu summa:
Atlikumu summa ir visu katrā mēnesī reģistrēto individuālo atlikumu kopsumma:
∑ Bi=50.32+50.32+...+2249.10

Šī summa dod mums kumulatīvo atlikumu visā periodā, neņemot vērā laiku, kad katrs
atlikums tika reģistrēts.
Atlikumu summa: €14,288.35

3. Mēnešu indeksu un atlikumu reizinājuma summa:

Tā ir attiecīgo laika indeksu un atlikumu reizinājumu summa:

Šis aprēķins ir svarīgs, jo tas piešķir svaru atlikumam atbilstoši laikam, kad tas tika reģistrēts,
un tas tiks izmantots, lai aprēķinātu regresijas līnijas slīpumu.
Mēnešu un atlikumu reizinājuma summa: €154,774.82

4. Mēnešu indeksu kvadrātu summa:

Laika indeksu kvadrātu summa:
2 2 2 2
∑ t i =0 +1 +...+14
Šī summa tiek izmantota, lai normalizētu laika indeksu mērogu slīpuma aprēķināšanā un ir
standarta daļa no mazāko kvadrātu metodes.
Ar šīm summām mēs varam turpināt aprēķināt slīpumu β1 un šķēlumu β0.
Mēnešu indeksu kvadrātu summa: 1015

5. Slīpuma aprēķināšana:
Regresijas līnijas slīpums tiek atrasts, izmantojot šādu formulu:
n ∑(t i Bi )−∑t i ∑ Bi
β 1=
n ∑t i2−(∑t i)2

Šeit “n” ir datu punktu skaits (šajā gadījumā 15). Slīpums pārstāv vidējo atlikuma izmaiņu
katrā mēnesī.
Aprēķinātais slīpums: 195.56

6. Šķēluma aprēķināšana:
Regresijas līnijas šķēlums tiek aprēķināts, izmantojot tikko atrasto slīpumu un ti un Bi
∑ Bi−β 1 ∑ t i
summas: β 0=
n

Šķēlums dod mums gaidāmo atlikumu, kad t = 0, kas ir mūsu laika sērijas sākumpunkts.
Aprēķinātais šķēlums (sākotnējais atlikums): -416.35
7. Prognoze nākotnes laikam: оставь одно слово
Izmantojot slīpumu un šķēlumu, mēs varam prognozēt nākotnes atlikumu B(ti) jebkurā dotajā
laikā ti: B(t i)= β0 + β 1 t i

Šī vienādojuma palīdzību mēs varam novērtēt, kāds būs atlikums konkrētā laikā nākotnē,
balstoties uz mūsu vēsturisko datu noteikto tendenci.
Prognozētais atlikums t=24 mēnešos: €4277.05

Secinājums
Mana pētījuma "Laika analīze un mēneša finanšu atlikumu prognozēšana: Lineārās regresijas pieeja"
noslēgums apstiprina lineārās regresijas lietderību personīgo finanšu tendenču izpratnē. Modelis, kas
izveidots no 15 mēneša datu punktiem, sākot no 2023. gada 1. janvāra līdz 2024. gada 25. februārim,
atklāja pozitīvu tendenci finanšu atlikumos. Īpaši modelis noteica aptuveni €195.56 pieaugumu katru
mēnesi, neskatoties uz sākotnējo atlikumu €50.32.
Analīze tiek aprēķināta prognozējoša modele ar šķēlumu -€416.35, kas matemātiski pārstāv sākuma
atlikumu, ja novērotā tendence tiktu projicēta atpakaļ uz punktu, kur nav pagājuši m ēneši. Regresijas
līnijas slīpums, kas novērtēts ar €195.56, liecina, ka, ja pašreizējie ienākumu un izdevumu modeļi
turpināsies nemainīgi, gaidāmais atlikums 2024. gada decembra beigās būs aptuveni € 4277.05.
Ir svarīgi uzsvērt šo skaitļu kontekstu: lai gan prognozētais beigu atlikums ir balstīts uz pagātnes datu
lineāro progresiju, tas neņem vērā iespējamas ienākumu svārstības, neparedzētus izdevumus vai
finanšu uzvedības izmaiņas, kas var notikt novērotā perioda ārpusē. Modelis pieņem pagātnes
tendenču nemainīgu turpinājumu nākotnē, kas var neatbilst indivīda finanšu ceļojuma realitātei.
Noslēgumā lineārās regresijas modelis sniedz skaidru un interpretējamu ietvaru finanšu atlikumu
prognozēšanai, balstoties uz vēsturiskiem datiem. Tomēr prognozi vajadzētu interpretēt, saprotot tās
iekļautās pieņēmumus un ierobežojumus. Tas kalpo kā pamats finanšu plānošanai, uzsvērtot
nepieciešamību nepārtraukti uzraudzīt un pielāgot savu finanšu plānu, reaģējot uz faktiskajām
ienākumu un izdevumu izmaiņām.

Возможные вопросы:
1. Нужно ли графическое представление модели?
2. Проблема с тремя начальными точками которые находятся далеко от линии наименьших
квадратов, что может существенно повлиять на точность регрессионной модели.

1.График позволит воспринимать визуально модель

2.Тут решать тебе как лучше и правильней