Autoregresyvus integruotas slenkamasis vidurkis (ARIMA) naudoja duomenis iš laiko eilučių ir statistinę analizę, kad interpretuotų duomenis ir padarytų ateities prognozes. ARIMA modeliu siekiama paaiškinti duomenis, naudojant laiko eilučių duomenis apie ankstesnes vertes, ir naudojama tiesinė regresija Daugialypė regresija Daugkartinė tiesinė regresija reiškia statistinę metodiką, naudojamą prognozuoti priklausomo kintamojo rezultatą, remiantis nepriklausomų kintamųjų verte, siekiant prognozuoti .
Suprasti ARIMA modelį
Šis aprašomasis akronimas paaiškina kiekvieno pagrindinio ARIMA modelio komponento reikšmę:
- „AR“ARIMA reiškia autoregresija, nurodant, kad modelis naudoja priklausomą ryšį tarp dabartinių duomenų ir jo ankstesnių verčių. Kitaip tariant, tai rodo, kad duomenys regresuojami pagal ankstesnes vertes.
- „Aš" reiškia integruota, o tai reiškia, kad duomenys stacionarūs. Stacionarūs duomenys nurodo laiko eilučių duomenis, kurie buvo padaryti „stacionarūs“, atimant stebėjimus iš ankstesnių verčių.
- „MA" reiškia slankiojo vidurkio modelis, nurodant, kad modelio prognozė ar rezultatas tiesiškai priklauso nuo praeities verčių. Be to, tai reiškia, kad prognozavimo klaidos yra tiesinės praeities klaidų funkcijos. Atkreipkite dėmesį, kad slankiojo vidurkio modeliai skiriasi nuo statistinių slankiųjų vidurkių.
Kiekvienas AR, I ir MA komponentas yra įtrauktas į modelį kaip parametras. Parametras Parametras yra naudingas statistinės analizės komponentas. Tai nurodo charakteristikas, kurios naudojamos apibrėžiant tam tikrą populiaciją. Jis įpratęs. Parametrams priskiriamos konkrečios sveikojo skaičiaus vertės, nurodančios ARIMA modelio tipą. Toliau rodomas ir paaiškinamas bendras ARIMA parametrų žymėjimas:
ARIMA (p, d, q)
- Parametras p yra autoregresyvių terminų skaičius arba „vėlavimo stebėjimų“ skaičius. Tai taip pat vadinama „atsilikimo tvarka“ ir ji nustato modelio rezultatą, pateikdama atsiliekančius duomenų taškus.
- Parametras d yra žinomas kaip diferenciacijos laipsnis. tai rodo, kiek kartų atsilikę rodikliai buvo atimti, kad duomenys būtų stacionarūs.
- Parametras q yra prognozės klaidų skaičius modelyje ir dar vadinamas judančio vidurkio lango dydžiu.
Parametrai turi sveikųjų skaičių vertę ir turi būti apibrėžti, kad modelis veiktų. Jie taip pat gali gauti 0 reikšmę, o tai reiškia, kad jie nebus naudojami modelyje. Tokiu būdu ARIMA modelį galima paversti:
- ARMA modelis (nėra stacionarių duomenų, d = 0)
- AR modelis (be slankiųjų vidurkių ar stacionarių duomenų, tik ankstesnių verčių automatinė slopinimas, d = 0, q = 0)
- MA modelis (slankiojo vidurkio modelis be autoregresijos ar stacionarių duomenų, p = 0, d = 0)
Todėl ARIMA modeliai gali būti apibrėžti kaip:
- ARIMA (1, 0, 0) - žinoma kaip pirmos eilės autoregresinis modelis
- ARIMA (0, 1, 0) - žinoma kaip atsitiktinio ėjimo modelis
- ARIMA (1, 1, 0) - žinoma kaip diferencijuotas pirmosios eilės autoregresinis modelis, ir taip toliau.
Kai parametrai (p, d, q), ARIMA modeliu siekiama įvertinti koeficientus α ir θ, kuris yra ankstesnių duomenų taškų panaudojimo prognozuojamoms vertėms rezultatas.
ARIMA modelio programos
Versle ir finansuose ARIMA modelis gali būti naudojamas prognozuojant būsimus kiekius (ar net kainas), remiantis istoriniais duomenimis. Todėl, kad modelis būtų patikimas, duomenys turi būti patikimi ir turi parodyti gana ilgą laiko tarpą, per kurį jie buvo surinkti. Kai kurios ARIMA modelio programos versle yra išvardytos toliau:
- Prognozuojamas prekės kiekis, reikalingas kitam laikotarpiui, remiantis istoriniais duomenimis.
- Prognozuoti pardavimus ir interpretuoti sezoninius pardavimų pokyčius
- Rinkodaros įvykių poveikio įvertinimas AIDA modelis AIDA modelis, kuris reiškia „Dėmesio, susidomėjimo, noro ir veiksmo“ modelį, yra reklamos efekto modelis, nurodantis etapus, kuriuos paleidžia individualus, naujas produktas ir pan.
ARIMA modelius galima sukurti naudojant duomenų analizę ir duomenų mokslo programinę įrangą, pvz., „R“ ir „Python“.
ARIMA modelio apribojimai
Nors ARIMA modeliai gali būti labai tikslūs ir patikimi esant tinkamoms sąlygoms ir prieinamumui duomenų, vienas iš pagrindinių modelio apribojimų yra tas, kad parametrai (p, d, q) reikia apibrėžti rankiniu būdu; todėl tiksliausio tinkamumo nustatymas gali būti ilgas bandymų ir klaidų procesas.
Panašiai modelis labai priklauso nuo istorinių duomenų patikimumo ir duomenų skirtumo. Svarbu užtikrinti, kad duomenys būtų surinkti tiksliai ir ilgą laiką, kad modelis pateiktų tikslius rezultatus ir prognozes.
Santrauka
ARIMA modelis naudoja statistinę analizę kartu su tiksliai surinktais istoriniais duomenų taškais, kad numatytų ateities tendencijas ir verslo poreikius. Verslui tai gali būti naudojama prognozuoti sezoninius pardavimų pokyčius, prognozuoti atsargas, reikalingas kitam pardavimo ciklui, bei įvertinti įvykių ir naujų produktų pristatymo poveikį.
ARIMA modelis paprastai žymimas parametrais (p, d, q), kuriai galima priskirti skirtingas vertes modifikuoti modelį ir pritaikyti jį įvairiais būdais. Kai kurie modelio apribojimai yra jo priklausomybė nuo duomenų rinkimo ir rankinis bandymų ir klaidų procesas, reikalingas norint nustatyti geriausiai tinkančias parametrų vertes.
Daugiau išteklių
Finansai siūlo atestuotą bankininkystės ir kredito analitiką (CBCA) grąžinimai ir dar daugiau. sertifikavimo programa tiems, kurie nori pakelti savo karjerą į kitą lygį. Norint toliau mokytis ir tobulėti karjeroje, bus naudingi šie šaltiniai:
- Koreguota beta koreguota beta koreguota beta versija paprastai vertina būsimą vertybinių popierių beta versiją. Tai yra istorinė beta versija, pakoreguota atsižvelgiant į beta tendenciją grįžti į vidų - CAPM
- Ne atrankos klaida Ne atrankos klaida Ne atrankos klaida reiškia klaidą, atsirandančią dėl duomenų rinkimo rezultato, dėl kurio duomenys skiriasi nuo tikrųjų verčių. Jis yra kitoks
- Paprastas slenkamasis vidurkis (SMA) Paprastas slenkamasis vidurkis (SMA) Paprastas slenkamasis vidurkis (SMA) reiškia vidutinę akcijų uždarymo kainą per nurodytą laikotarpį. Vidutinė priežastis vadinama „judančia“ yra ta, kad akcijos
- Laiko eilučių duomenų analizė Laiko eilučių duomenų analizė Laiko eilučių duomenų analizė yra duomenų rinkinių, kurie keičiasi per tam tikrą laikotarpį, analizė. Laiko eilučių duomenų rinkiniai fiksuoja to paties kintamojo stebėjimus įvairiais laiko momentais. Finansų analitikai naudoja laiko eilutės duomenis, tokius kaip akcijų kainų pokyčiai ar įmonės pardavimai laikui bėgant
