予測とは、未来の予言をする行動にあたり、履歴的データ、また、履歴的データが存在 しない場合は、未来の推測に基づいて行われます。履歴が実在する場合、定量的あるい は統計的アプローチが最適ですが、履歴的データがない場合、可能性としては定性的ま たは判断の適用が適切となり、たった一つの方法となります。
Figure 3.1
は、最も一般 的な予測方法を表示しています。FORECASTING
QUALITATIVE QUANTITATIVE
CROSS-SECTIONAL MIXED PANEL
TIME-SERIES
Delphi Method Expert Opinions Management Assumptions
Market Research Polling Data
Surveys
ARIMA(X) Multiple Regression Econometric Models
Monte Carlo Simulation Multiple Regression Statistical Probabilities
ARIMA Classical Decomposition
(8 Time-Series Models) Multivariate Regression Nonlinear Extrapolation Stochastic Processes
Use Risk Simulator to run Monte Carlo Simulations (use distributional fitting
or nonparametric custom distributions) Use Risk Simulator’s
Forecast Tool for ARIMA, Classical Decomposition, Multivariate Regressions, Nonlinear Regressions, Simulations
and Stochastic Processes
FORECASTING
QUALITATIVE QUANTITATIVE
CROSS-SECTIONAL MIXED PANEL
TIME-SERIES
Delphi Method Expert Opinions Management Assumptions
Market Research Polling Data
Surveys
ARIMA(X) Multiple Regression Econometric Models
Monte Carlo Simulation Multiple Regression Statistical Probabilities
ARIMA Classical Decomposition
(8 Time-Series Models) Multivariate Regression Nonlinear Extrapolation Stochastic Processes
Use Risk Simulator to run Monte Carlo Simulations (use distributional fitting
or nonparametric custom distributions) Use Risk Simulator’s
Forecast Tool for ARIMA, Classical Decomposition, Multivariate Regressions, Nonlinear Regressions, Simulations
and Stochastic Processes
Figure 3.1 – 予測過程
様々なタイプの予測法の技術
予測法は大抵量的と質的に分けることが出来ます。質的予測法は。確かでない、または 存在しない履歴、同時期、および比較データが存在する時に使用されます。Delphi、お よび専門意見（もの領域の専門家、マーケティングの専門家、あるいは内部スタッフメ ンバーによる合意形成）、管理の仮定（上級管理者による目標成長率の設定）、マーケ ットリサーチ、外部データ、あるいは投票、および調査（第三者の情報源、産業やセク ターの指標、および積極的市場調査などから得たデータ）のような複数の定性的予測法
があります。これらの推定は、単一・ポイントの推定（平均値の一致）か予測値の集合 設定（予測の分布）のどちらかである可能性があります。その後、リスクシミュレータ ーにカスタム分布を記入することが出来、結果として生じる予測をシミュレーションす ることが出来ます。これは、分布として推定されたこれらのデータポイント自体を使用 したノンパラメトリックシミュレーションです。
定量的予測法では、実在するデータまたは予測を実行するのに必要なデータは、時 系列（異なった年の収入、インフレーションの比率、利率、マーケットシェア、故障率 等の時間の要素を持った値）、クロスセクション（各学生の
SAT
のレベル、IQ
と一週 間に消費するアルコール飲料の数が与えられ、ある特定の年の全国の大学２年生の平均 の成績点のように時間から独立している値）、または混合パネル（時系列とパネル（補 助的）データの混合、例えば、所与のマーケティングの費用とマーケットシェアの下で の次期10
年間の売上の予測、これは、売上が時系列であるけれども、マーケティング の費用やマーケットシェアが予測をモデル化する際の支援をするために存在することを 意味する）に分割可能である。データ
リスクシミュレーターのソフトウェアは様々な予測法を含んでいます。
1. ARIMA (自己回帰和分平均移動)
2.
自動ARIMA 3.
自動計量法4.
基本的な計量法5.
キュービック・スプライン6.
ニューラル･ネットワーク7. GARCH (一般化自己回帰条件付き分散不均一モデル)
8. J 曲線 9. S 曲線
10. マルコフ連鎖
11. 組み合わせ的なファジィ論理 12. 最尤法
13. 非線形外押法
14.
回帰分析15.
確率予測法16. 時系列分析 17. トレンドライン
各予測法の分析の詳細は、このユーザーマニュアルの範囲から外れてしまいますが、詳 しくは、リスクシミュレーターのソフトウェアの開発者であるジョナサン・マン博士に よるリスクのモデル化：モンテカルロシミュレーション、リアルオプション分析、確率 予測法とポートフォリオの最適化の適用(Wiley Finance 2006)を参照願います。それでも 尚、下記に最も一般的なアプローチが表示されています。他のすべての予測法のアプロ ーチはかなり簡単にリスクシミュレーターの中で適用する事ができます。
リスクシミュレーターで予測ツールを実行するにあたって
一般的に予測を作成するには複数のステップを行う必要があります。
Excel
を起動し記入するか、実在する履歴的データを開いてください。データを選択し、シミュレーション（
Simulation
）、予測（Forecasting
）を選択 してください。適切な範囲
(ARIMA,
多変数回帰、非線形外押法、確率予測、時系列分析)を選 択し、適切な入力を記入してください。Figure 3.2
は、予測ツールと様々な方法を表示しています。Figure 3.2 – リスク シミュレーターの予測過程
次に各方法の概略的検討とソフトウェアを使用するにあたって複数の簡潔な例証が与え れれます。例証のファイルは、スタートメニューから開くことが出来ます。スタート
（
Start) |
リアルオプションズバリュエーション(Real Options Valuation) |
リスクシミュ レーター(Risk Simulator) |
例証(Examples)
を選択するか 、リスクシミュレーター(Risk Simulator) |
例証モデル（Example Models)
を選択してください。時系列分析
理論・セオリー
:
Figure 3.3
は、季節性と傾向によって分離された八つの最も一般的な時系列モデルを表示しています。例えば、データ変数が傾向、および季節性を持っていない場合、単一移 動平均モデル、または単一指数平滑法モデルで足りるはずです。但し、季節性が存在す るが明らかな傾向が存在しない場合は、季節性の加法、または季節性の相乗的なモデル の適用がもっと適切だということです。
Holt-Winter's Additive
Holt-Winter's Multiplicative With Seasonality
Single Exponential Smoothing
Single Moving Average Seasonal Additive
Seasonal Multiplicative
No TrendWith Trend
No Seasonality
Double Moving Average
Double Exponential Smoothing
Figure 3.3 –
八つの最も一般的な時系列法手順
:
Excel
を起動し、必要な場合は履歴的データを開いてください(下記の例証では
例証フォルダーにある時系列予測のファイルを使用しています)。
履歴的データを選択してください
(
データは一列に表示されていなければいけま せん)
リスクシミュレーター
(Risk Simulator) |
予測（Forecasting) |
時系列分析(Time-Series Analysis)を選択してください。
適用するモデルを選択し、関連する仮定を記入し、OK をクリックしてください。
Figure 3.4 –
時系列分析 結果の解釈にあたって:
Figure 3.5
は、予測ツールを通して生成されたサンプル結果を表示しています。使用されたモデルは、Holt-Wintersの相乗的モデルです。 Figure 3.5では、適合モデルと予測チ ャートは、傾向と季節性は
Holt-Winters
の相乗的モデルによってうまく選ばれている事 を示しているのに注目してください。時系列分析のレポートは、重要な最適化されたア ルファ、ベータとガンマのパラメーター、エラーの測定、適合したデータ、予測値と適 合した予測のグラフを与えてくれます。パラメーターは単に基準として表示されていま す。アルファは、終止時間に変換する基準レベルの記憶の効果を取得し、ベータは、傾 向の強さを測定する傾向パラメーターであり、ガンマは、履歴的データの季節性の強さ を測定します。分析は、履歴的データをこれらの三つの要素に分解し、未来の予測を実 行する為に構成しなおします。適合されたデータは、構成のモデルを使用して適合した データとして履歴的データを表示し、過去に対してどれくらい予測が近いか（この技術 はバックキャスティングと呼ばれています)を表示しています。 予測の値は、単一ポイントの推定か仮定かの（シミュレーションプロファイルが存在し、仮定の自動生成が選 択されている場合）どちらかです。グラフは、これらの履歴的、適合された予測の値を 表示しています。チャートは強力なコミュニケーションであり、予測モデルがどれほど 良いのかを見分ける視覚ツールでもあります。
メモ
:
この時系列分析のモジュールには、
Figure 3.3
で表示された八つの時系列モデルが含ま れています。傾向と季節性の基準に基づいて特定のモデルを選択し実行することが出来、また、自動的に八つのモデルと反復的調整し、パラメーターを最適化し、データに最も 適切なモデルを見出す自動モデルセレクションを選択することも出来ます。一方、八つ のモデルの中から一つのモデルを選択した場合、最適化のチェックボックスの選択を辞 める事が出来、独自のアルファ、ベータ、そしてガンマパラメーターを入力することが 可能となります。これらのパラメーターの技術的詳細には、ジョナサン・マン博士のリ スクのモデル化：モンテカルロ・シミュレーションの適用、リアルオプションズ分析、
予測と最適化
(Wiley, 2006)
をご覧ください。また、自動モデルセレクション、および季 節性モデルのどれかを選択した場合、適切な季節性期間を入力する必要があります。季 節性の入力は正の整数でなければいけません(
例、データが4
期の場合、年間の季節、サイクルの数に４と入力するか、データが月間の場合は
12
と入力してください)
。次に 予測する期間の数を記入してください。この値は、正の整数でなければいけません。最 高の実行時間は300
秒です。普通、変換の必要がありません。但し、かなりの量の履歴 的データを基にした予測の分析が少しわずか長くなり、過程時間が実行時間を超えた場 合、過程は終止されてしまいます。また、自動的に過程の生成を行う予測を選択するこ とが出来ます。これは、単一ポイントの推定の代わりに予測が仮定となります。最後に、極パラーメーターオプションは、アルファ、ベータとガンマパラメーターを最適化する 可能性を与え、