Autoregressiivne integreeritud liikuv keskmine (ARIMA) - rakendused

Autoregressiivse integreeritud liikuva keskmise (ARIMA) mudel kasutab andmete tõlgendamiseks ja tulevikuennustuste tegemiseks aegridade andmeid ja statistilist analüüsi. ARIMA mudeli eesmärk on selgitada andmeid, kasutades aegridade andmeid selle varasemate väärtuste kohta, ja kasutab lineaarset regressiooni Mitu lineaarset regressiooni Mitu lineaarset regressiooni tähistab statistilist tehnikat, mida kasutatakse sõltuvate muutujate tulemuste ennustamiseks sõltumatute muutujate väärtuste põhjal ennustamiseks .

Autoregressiivne integreeritud liikuv keskmine (ARIMA)

ARIMA mudeli mõistmine

Järgmine kirjeldav akronüüm selgitab ARIMA mudeli kõigi põhikomponentide tähendust:

  • "AR”Tähistab ARIMA-s autoregressioon, mis näitab, et mudel kasutab praeguste andmete ja varasemate väärtuste vahelist sõltuvat suhet. Teisisõnu näitab see, et andmed taanduvad varasematele väärtustele.
  • "Mina" tähistab integreeritud, mis tähendab, et andmed on statsionaarsed. Statsionaarsed andmed viitavad aegridade andmetele, mis on tehtud statsionaarseks, lahutades vaatlused eelmistest väärtustest.
  • "MA" tähistab liikuva keskmise mudel, mis näitab, et mudeli prognoos või tulemus sõltub lineaarselt mineviku väärtustest. Samuti tähendab see, et prognoosimise vead on mineviku vigade lineaarsed funktsioonid. Pange tähele, et liikuva keskmise mudelid erinevad statistilistest liikuvatest keskmistest.

Kõik AR-, I- ja MA-komponendid on mudelisse lisatud parameetrina. Parameeter Parameeter on statistilise analüüsi kasulik komponent. See viitab omadustele, mida kasutatakse antud populatsiooni määratlemiseks. See on harjunud. Parameetritele määratakse konkreetsed täisarvu väärtused, mis näitavad ARIMA mudeli tüüpi. ARIMA parameetrite üldine tähis on näidatud ja selgitatud allpool:

ARIMA (p, d, q)

  • Parameeter lk on autoregressiivsete terminite arv või „viivitusvaatluste” arv. Seda nimetatakse ka “viivitusjärjestuseks” ja see määrab mudeli tulemuse, andes mahajäänud andmepunktid.
  • Parameeter d on tuntud kui diferentseerimise määr. see näitab, mitu korda on mahajäänud näitajad andmete statsionaarseks muutmiseks lahutatud.
  • Parameeter q on mudeli prognoosivigade arv ja seda nimetatakse ka liikuva keskmise akna suuruseks.

Parameetrid võtavad täisarvude väärtuse ja peavad mudeli töötamiseks olema määratletud. Need võivad võtta ka väärtuse 0, mis tähendab, et neid mudelis ei kasutata. Sel viisil saab ARIMA mudelist muuta:

  • ARMA mudel (statsionaarsed andmed puuduvad, d = 0)
  • AR-mudel (liikuvad keskmised ja statsionaarsed andmed puuduvad, lihtsalt varasemate väärtuste autoregressioon, d = 0, q = 0)
  • MA mudel (liikuv keskmine mudel, millel puudub autoregressioon ega statsionaarsed andmed, lk = 0, d = 0)

Seetõttu võib ARIMA mudeleid määratleda järgmiselt:

  • ARIMA (1, 0, 0) - tuntud kui esimese järgu autoregressiivne mudel
  • ARIMA (0, 1, 0) - tuntud kui juhusliku jalutuskäigu mudel
  • ARIMA (1, 1, 0) - tuntud kui diferentseeritud esimese järgu autoregressiivne mudel, ja nii edasi.

Kui parameetrid (p, d, q) on määratletud, on ARIMA mudeli eesmärk hinnata koefitsiente α ja θ, mis tuleneb varasemate andmepunktide kasutamisest prognooside väärtuste jaoks.

ARIMA mudeli rakendused

Ettevõtluses ja rahanduses saab ARIMA mudelit kasutada tulevaste koguste (või isegi hindade) prognoosimiseks ajalooliste andmete põhjal. Seega, et mudel oleks usaldusväärne, peavad andmed olema usaldusväärsed ja näitama suhteliselt pikka ajavahemikku, mille jooksul neid koguti. Mõned ARIMA mudeli rakendused äris on loetletud allpool:

  • Järgmiseks ajaperioodiks vajaliku kauba koguse prognoosimine ajalooliste andmete põhjal.
  • Müügi prognoosimine ja hooajaliste muutuste tõlgendamine
  • Turundussündmuste mõju hindamine AIDA mudel AIDA mudel, mis tähistab tähelepanu, huvi, soovi ja tegevuse mudelit, on reklaamiefekti mudel, mis määrab kindlaks etapid, mille üksikisik, uus toode turule toovad ja nii edasi.

ARIMA mudeleid saab luua andmeanalüütikas ja andmeteaduse tarkvaras nagu R ja Python.

ARIMA mudeli piirangud

Kuigi ARIMA mudelid võivad sobivate tingimuste ja andmete kättesaadavuse korral olla väga täpsed ja usaldusväärsed, on mudeli üks peamisi piiranguid see, et parameetrid (p, d, q) tuleb käsitsi määratleda; seetõttu võib kõige täpsema sobivuse leidmine olla pikk katse-eksituse protsess.

Samamoodi sõltub mudel suuresti ajalooliste andmete usaldusväärsusest ja andmete erinevusest. Oluline on tagada andmete kogumine täpselt ja pika aja jooksul, et mudel annaks täpseid tulemusi ja prognoose.

Kokkuvõte

ARIMA mudel kasutab tuleviku suundumuste ja ärivajaduste ennustamiseks statistilisi analüüse koos täpselt kogutud ajalooliste andmepunktidega. Ettevõtete jaoks saab seda kasutada müügi hooajaliste muutuste ennustamiseks, järgmise müügitsükli jaoks vajalike varude prognoosimiseks ning sündmuste ja uute toodete turule toomise hindamiseks.

ARIMA mudelit tähistatakse tavaliselt parameetritega (p, d, q), millele saab mudeli muutmiseks ja erineval viisil rakendamiseks määrata erinevad väärtused. Mõned mudeli piirangud on selle sõltuvus andmete kogumisest ja käsitsi katse-eksituse protsess, mis on vajalik parimate parameetrite väärtuste määramiseks.

Rohkem ressursse

Finance pakub sertifitseeritud pangandus- ja krediidianalüütiku (CBCA) ™ CBCA ™ sertifikaati. Sertifitseeritud pangandus- ja krediidianalüütiku (CBCA) ™ akrediteerimine on krediidianalüütikute globaalne standard, mis hõlmab finants-, raamatupidamis-, krediidianalüüsi, rahavoogude analüüsi, pakti modelleerimist, laenu tagasimaksed ja palju muud. sertifitseerimisprogramm neile, kes soovivad oma karjääri järgmisele tasemele viia. Õppimise jätkamiseks ja oma karjääri edendamiseks on abiks järgmised ressursid:

  • Korrigeeritud beeta Korrigeeritud beeta korrigeeritud beeta kipub hindama väärtpaberi tulevast beetaversiooni. See on ajalooline beetaversioon, mida on kohandatud peegeldama beeta keskmist tagasipöördumist - CAPM-i
  • Valimiväline viga Valimiväline viga Valimiväline viga viitab veale, mis tuleneb andmete kogumise tulemusest, mille tõttu andmed erinevad tegelikest väärtustest. See on erinev
  • Lihtne liikuv keskmine (SMA) Lihtne liikuv keskmine (SMA) Lihtne liikuv keskmine (SMA) viitab aktsia keskmisele sulgemishinnale kindlaksmääratud perioodil. Põhjus, miks keskmist nimetatakse "liikuvaks", on see, et aktsia
  • Aegridade andmete analüüs Aegridade andmete analüüs Aegridade andmete analüüs on teatud aja jooksul muutuvate andmekogumite analüüs. Aegridade andmekogumid registreerivad sama muutuja vaatlusi eri ajahetkedel. Finantsanalüütikud kasutavad aegridade andmeid, näiteks aktsiahindade liikumist või ettevõtte müüki ajas

Lang L: none (rec-post)

$config[zx-auto] not found$config[zx-overlay] not found