Autoregresivno integrirano drseče povprečje (ARIMA) - aplikacije

Model za avtoregresivno integrirano drseče povprečje (ARIMA) uporablja podatke o časovnih vrstah in statistične analize za interpretacijo podatkov in napovedi v prihodnosti. Cilj modela ARIMA je razložiti podatke z uporabo podatkov o časovnih vrstah o njegovih preteklih vrednostih in uporablja linearno regresijo Večkratna linearna regresija Večkratna linearna regresija se nanaša na statistično tehniko, ki se uporablja za napovedovanje izida odvisne spremenljivke na podlagi vrednosti neodvisnih spremenljivk za napovedovanje .

Autoregresivno integrirano drseče povprečje (ARIMA)

Razumevanje modela ARIMA

Naslednja opisna kratica pojasnjuje pomen vsake ključne komponente modela ARIMA:

  • " AR " v ARIMA pomeni avtoregresijo , kar pomeni, da model uporablja odvisno razmerje med trenutnimi podatki in njihovimi preteklimi vrednostmi. Z drugimi besedami, kaže, da so podatki regresirani glede na pretekle vrednosti.
  • " I " pomeni integrirano , kar pomeni, da podatki mirujejo. Stacionarni podatki se nanašajo na podatke o časovnih vrstah, ki so postali "mirujoči" z odštevanjem opazovanj od prejšnjih vrednosti.
  • " MA " pomeni model drsečega povprečja, kar pomeni, da je napoved ali izid modela linearno odvisen od preteklih vrednosti. Pomeni tudi, da so napake pri napovedovanju linearne funkcije preteklih napak. Upoštevajte, da se modeli drsečega povprečja razlikujejo od statističnih drsečih povprečij.

Vsaka komponenta AR, I in MA je v model vključena kot parameter Parameter Parameter A je koristen sestavni del statistične analize. Nanaša se na značilnosti, ki se uporabljajo za opredelitev določene populacije. Navajeno je. Parametrom se dodelijo določene celoštevilske vrednosti, ki označujejo vrsto modela ARIMA. Splošni zapis parametrov ARIMA je prikazan in razložen spodaj:

ARIMA ( p, d, q )

  • Parameter p je število avtoregresivnih izrazov ali število "opazovanj zamika". Imenuje se tudi »zaporedje zamika« in z določanjem zaostalih podatkovnih točk določa rezultat modela.
  • Parameter d je znan kot stopnja razlike. označuje, kolikokrat so bili odšteti zaostali kazalniki, da se podatki ustavijo.
  • Parameter q je število napovednih napak v modelu in se imenuje tudi velikost okna drsečega povprečja.

Parametri imajo vrednost celih števil in jih je treba definirati, da model deluje. Lahko imajo tudi vrednost 0, kar pomeni, da v modelu ne bodo uporabljeni. Na ta način lahko model ARIMA spremenimo v:

  • Model ARMA (brez stacionarnih podatkov, d = 0 )
  • Model AR (brez drsečih povprečij ali stacionarnih podatkov, samo samodejna regresija na pretekle vrednosti, d = 0, q = 0 )
  • Model MA (model drsečega povprečja brez avtoregresije ali stacionarnih podatkov, p = 0, d = 0)

Zato je mogoče modele ARIMA opredeliti kot:

  • ARIMA (1, 0, 0) - znan kot avtoregresivni model prvega reda
  • ARIMA (0, 1, 0) - znan kot model naključnega sprehoda
  • ARIMA (1, 1, 0) - znan kot diferencialni avtoregresivni model prvega reda itd.

Ko so parametri ( p, d, q ) opredeljeni, je namen modela ARIMA oceniti koeficiente α in θ , kar je rezultat uporabe prejšnjih podatkovnih točk za napovedovanje vrednosti.

Uporabe modela ARIMA

V poslovnem in finančnem smislu lahko ARIMA model uporabimo za napovedovanje prihodnjih količin (ali celo cen) na podlagi preteklih podatkov. Da bi bil model zato zanesljiv, morajo biti podatki zanesljivi in ​​morajo kazati sorazmerno dolgo časovno obdobje, v katerem so bili zbrani. Nekatere aplikacije modela ARIMA v poslu so navedene spodaj:

  • Napovedovanje količine blaga, potrebnega za naslednje časovno obdobje, na podlagi preteklih podatkov.
  • Napovedovanje prodaje in interpretacija sezonskih sprememb prodaje
  • Ocena učinka tržnih dogodkov Model AIDA Model AIDA, ki pomeni model Pozor, Zanimanje, Želja in Akcija, je model oglaševalskega učinka, ki opredeljuje faze, ki jih posamezni izdelek, nov izdelek itd.

Modele ARIMA je mogoče ustvariti v programski opremi za analizo podatkov in podatkovne znanosti, kot sta R in Python.

Omejitve modela ARIMA

Čeprav so modeli ARIMA lahko zelo natančni in zanesljivi pod ustreznimi pogoji in razpoložljivostjo podatkov, je ena ključnih omejitev modela ta, da je treba parametre ( p, d, q ) določiti ročno; zato je iskanje najbolj natančnega prileganja lahko dolg postopek poskusov in napak.

Podobno je model močno odvisen od zanesljivosti preteklih podatkov in razlike med njimi. Pomembno je zagotoviti, da so bili podatki zbrani natančno in v daljšem časovnem obdobju, tako da model zagotavlja natančne rezultate in napovedi.

Povzetek

Model ARIMA uporablja statistične analize v kombinaciji z natančno zbranimi zgodovinskimi podatkovnimi točkami za napovedovanje prihodnjih trendov in poslovnih potreb. Za podjetja jo lahko uporabljamo za napovedovanje sezonskih sprememb prodaje, napoved zalog, potrebnih za naslednji prodajni cikel, in oceno vpliva dogodkov in lansiranja novih izdelkov.

Model ARIMA je običajno označen s parametri ( p, d, q ), ki jim je mogoče dodeliti različne vrednosti za spreminjanje modela in njegovo uporabo na različne načine. Nekatere omejitve modela so odvisnost od zbiranja podatkov in ročni postopek poskusov in napak, potreben za določitev vrednosti parametrov, ki najbolje ustrezajo.

Več virov

Finance ponujajo pooblaščenega bančnega in kreditnega analitika (CBCA) ™ Certifikat CBCA ™. Akreditacija pooblaščenega bančnega in kreditnega analitika (CBCA) ™ je globalni standard za kreditne analitike, ki zajema finance, računovodstvo, kreditno analizo, analizo denarnega toka, modeliranje zavez, posojila odplačila in še več. certifikacijski program za tiste, ki želijo svojo kariero dvigniti na višjo raven. Za nadaljnje učenje in napredovanje v karieri vam bodo v pomoč naslednji viri:

  • Prilagojena beta Prilagojena beta Prilagojena beta ponavadi ocenjuje prihodnjo beta varnosti. Gre za zgodovinsko različico beta, prilagojeno, da odraža težnjo beta, da se povprečno vrača - CAPM
  • Nevzorčna napaka Nevzorčna napaka Nevzorčna napaka se nanaša na napako, ki izhaja iz rezultata zbiranja podatkov, zaradi česar se podatki razlikujejo od dejanskih vrednosti. Drugače je
  • Enostavno drseče povprečje (SMA) Enostavno drseče povprečje (SMA) Enostavno drseče povprečje (SMA) se nanaša na povprečno zapiralno ceno delnice v določenem obdobju. Razlog, da se povprečje imenuje "giblje", je ta, da je zaloga
  • Analiza podatkov časovnih vrst Analiza podatkov časovnih vrst Analiza podatkov časovnih vrst je analiza naborov podatkov, ki se spreminjajo v določenem časovnem obdobju. Podatkovni nizi časovnih vrst beležijo opazovanja iste spremenljivke v različnih časovnih obdobjih. Finančni analitiki uporabljajo podatke o časovnih vrstah, kot so gibanja tečajev delnic ali prodaja podjetja skozi čas

Zadnje objave