Mikä on automaattinen edistyksellinen integroitu keskiarvo?
Autoregressiivinen integroitu liikkuva keskiarvo tai ARIMA on tilastollinen analyysimalli, joka käyttää aikasarjatietoja joko tietojoukon ymmärtämiseksi paremmin tai tulevaisuuden suuntausten ennustamiseksi.
Autoregressiivisen integroidun liikkuvan keskiarvon (ARIMA) ymmärtäminen
Autoregressiivinen integroitu liikkuva keskimääräinen malli on regressioanalyysin muoto, joka mittaa yhden riippuvan muuttujan vahvuuden suhteessa muihin muuttuviin muuttujiin. Mallin tavoitteena on ennustaa tulevia arvopapereita tai rahoitusmarkkinoiden liikkeitä tutkimalla sarjojen arvojen eroja todellisten arvojen sijasta.
ARIMA-malli voidaan ymmärtää hahmottamalla jokainen sen komponentti seuraavasti:
- Autoregressio (AR) viittaa malliin, joka näyttää muuttuvan muuttujan, joka regressoi omilla viivästyneillä tai aikaisemmilla arvoillaan. Integroitu (I) edustaa raa'ien havaintojen erottelua, jotta aikasarjat pysyisivät paikallaan, ts. Data-arvot korvataan data-arvojen ja aikaisempien arvojen välisellä erolla. Liikuva keskiarvo (MA) sisältää havainnon ja jäännösvirheen välisen riippuvuuden liikkuvan keskiarvon mallista, jota käytetään viivästyneisiin havaintoihin.
Jokainen komponentti toimii parametrina vakiomerkinnällä. ARIMA-malleissa tavanomainen merkintä olisi ARIMA, jossa p, d ja q, joissa kokonaislukuarvot korvaavat parametrit osoittamaan käytetyn ARIMA-mallin tyypin. Parametrit voidaan määritellä seuraavasti:
- p : viivehavaintojen lukumäärä mallissa; tunnetaan myös nimellä viivejärjestys. d : kuinka monta kertaa raakahavainnot on erotettu; tunnetaan myös nimellä erotusaste.q: liikkuvan keskimääräisen ikkunan koko; tunnetaan myös liikkuvan keskiarvon järjestyksessä.
Esimerkiksi lineaarisessa regressiomallissa termien lukumäärä ja tyyppi sisältyvät. 0-arvo, jota voidaan käyttää parametrina, tarkoittaisi, että tiettyä komponenttia ei tulisi käyttää mallissa. Tällä tavalla ARIMA-malli voidaan rakentaa suorittamaan ARMA-mallin tai jopa yksinkertaisten AR-, I- tai MA-mallien toiminta.
Autoregressiivinen integroitu liikkuva keskiarvo ja paikallaisuus
Autoregressiivisessa integroidussa liikkuvassa keskiarvomallissa tiedot erotetaan toisistaan sen tekemiseksi paikallaan. Paikallaan pysyvyyttä osoittava malli osoittaa, että datalle on pysyvyys ajan mittaan. Suurin osa taloudellisista ja markkinatiedoista osoittaa suuntauksia, joten erottelun tarkoituksena on poistaa kaikki suuntaukset tai vuodenaikojen rakenteet.
Kausivaihtelu tai kun tiedot osoittavat säännöllisiä ja ennustettavissa olevia malleja, jotka toistuvat kalenterivuoden aikana, voivat vaikuttaa negatiivisesti regressiomalliin. Jos suuntaus ilmenee ja paikallaisuus ei ole ilmeinen, monia koko prosessin laskennoista ei voida tehdä erittäin tehokkaasti.
