Mikä on Box-Jenkins -malli?
Box-Jenkins-malli on matemaattinen malli, joka on suunniteltu ennustamaan data-alueita tietyn aikasarjan syötteiden perusteella. Box-Jenkins -malli pystyy analysoimaan monen tyyppisiä aikasarjatietoja ennustamista varten.
Sen metodologia käyttää eroja tietopisteiden välillä tulosten määrittämisessä. Menetelmä antaa mallille mahdollisuuden tunnistaa trendit autoregression, liukuvien keskiarvojen ja kausierottelun avulla ennusteiden tuottamiseksi. Autoregressiiviset integroidut liikkuvat keskimääräiset (ARIMA) mallit ovat eräs muoto Box-Jenkins-malleista. Termejä ARIMA ja Box-Jenkins Model voidaan käyttää keskenään.
Avainsanat
- Box-Jenkins -malli on ennustamismenetelmä, jossa käytetään regressiotutkimuksia.Metodologiaa käytetään parhaiten tietokoneella laskettuun ennusteeseen, joka perustuu aikasarjadatan regressioon.Se soveltuu parhaiten ennusteeseen 18 kuukauden tai sitä lyhyemmässä ajassa.Modernisti ARIMA-laskelmat tehdään hienostuneilla työkaluilla, kuten ohjelmoitavilla tilastollisilla ohjelmistoilla R-ohjelmointikielellä.
Box-Jenkins -mallin ymmärtäminen
Box-Jenkins -malleja käytetään ennustamaan useita ennakoituja datapisteitä tai tietoalueita, mukaan lukien yritystiedot ja tulevaisuuden tietoturvahinnat.
Box-Jenkins-mallin ovat luoneet kaksi matemaatikko George Box ja Gwilym Jenkins. Kaksi matemaatikkoa keskustelivat tämän mallin käsitteistä 1970-luvun julkaisussa "Aikasarjan analyysi: ennustaminen ja hallinta".
Box-Jenkins-mallin parametrien arviointi voi olla erittäin monimutkainen. Siksi, samoin kuin muut aikasarjan regressiomallit, parhaat tulokset saavutetaan tyypillisesti ohjelmoitavien ohjelmistojen avulla. Box-Jenkins-malli sopii yleensä parhaiten myös lyhytaikaiseen, enintään 18 kuukauden ennusteeseen.
Box-Jenkins -menetelmä
Box-Jenkins -malli on yksi monista aikasarjojen analysointimalleista, jotka ennustaja kohtaa käytettäessä ohjelmoitua ennusteohjelmistoa. Monissa tapauksissa ohjelmisto ohjelmoidaan käyttämään automaattisesti parhaiten sopivaa ennustemenetelmää ennustettavien aikasarjatietojen perusteella. Box-Jenkinsin on ilmoitettu olevan ylin valinta tietojoukkoille, jotka ovat enimmäkseen vakaita alhaisella volatiliteetilla.
Box-Jenkins -malli ennustaa tietoja käyttämällä kolmea periaatetta, automaattista kehitystä, eriytymistä ja liukuvaa keskiarvoa. Nämä kolme periaatetta tunnetaan vastaavasti p, d ja q. Jokaista periaatetta käytetään Box-Jenkins-analyysissä ja yhdessä ne esitetään yhdessä ARIMA-muodossa (p, d, q).
Autoregression (p) -prosessi testaa datan paikkansa pysyvyyden. Jos käytetty data on paikallaan, se voi yksinkertaistaa ennusteprosessia. Jos käytetty data ei ole paikallaan, se on erotettava (d). Tiedot testataan myös niiden liukuvan keskimääräisen sopivuuden suhteen, mikä tehdään analyysiprosessin osassa q. Kaiken kaikkiaan datan alustava analyysi valmistelee sen ennustamiseen määrittämällä parametrit (p, d ja q), joita käytetään ennusteen kehittämiseen.
Ennustetaan osakekursseja
Yksi käyttö Box-Jenkins Model -analyysiin on osakehintojen ennustaminen. Tämä analyysi on tyypillisesti rakennettu ja koodattu R-ohjelmiston kautta. Analyysi johtaa logaritmiseen tulokseen, jota voidaan soveltaa tietojoukkoon ennakoitujen hintojen tuottamiseksi tietyn ajanjakson ajan tulevaisuudessa.
