Što je automatski progresivni integrirani pomični prosjek?
Autoregresivni integrirani pomični prosjek, ili ARIMA, model je statističke analize koji koristi podatke vremenske serije kako bi se bolje razumio skup podataka ili predvidio buduće trendove.
Razumijevanje autoregresivnog integriranog pokretnog prosjeka (ARIMA)
Autoregresivni integrirani pomični prosječni model oblik je regresijske analize koja mjeri snagu jedne ovisne varijable u odnosu na ostale promjenjive varijable. Cilj modela je predvidjeti buduće poteze vrijednosnih papira ili financijsko tržište ispitivanjem razlika između vrijednosti u nizu umjesto kroz stvarne vrijednosti.
Model ARIMA može se razumjeti ako iznesete svaku njegovu komponentu na sljedeći način:
- Autoregresija (AR) odnosi se na model koji pokazuje promjenjivu varijablu koja regresira na vlastite zaostale ili prethodne vrijednosti. Integrirani (I) predstavlja razlikovanje sirovih opažanja kako bi se omogućilo da vremenski niz nepomičan, tj. Da se vrijednosti podataka zamijene s razlikom između vrijednosti podataka i prethodnih vrijednosti. Pomični prosjek (MA) uključuje ovisnost između promatranja i zaostale pogreške modela pomičnog prosjeka primijenjenog na zaostala promatranja.
Svaka komponenta funkcionira kao parametar sa standardnom notacijom. Za ARIMA modele standardna notacija bi bila ARIMA s p, d i q, gdje cjelobrojne vrijednosti zamjenjuju parametre koji ukazuju na tip korištenog ARIMA modela. Parametri se mogu definirati kao:
- p : broj opažanja zaostajanja u modelu; poznat i kao redoslijed zaostajanja. d : broj razlika u neobrađenim opažanjima; poznat i kao stupanj razlikovanja.q: veličina pomičnog prosjeka; poznat i kao redoslijed pomičnog prosjeka.
Na primjer, u modelu linearne regresije uključeni su broj i vrsta pojmova. Vrijednost 0, koja se može koristiti kao parametar, značila bi da se određena komponenta ne bi trebala koristiti u modelu. Na taj se način ARIMA model može konstruirati za obavljanje funkcije ARMA modela, ili čak jednostavnih AR, I ili MA modela.
Automatsko integrirani pokretni prosjek i stacionarnost
U autoregresivnom integriranom modelu pokretnih prosjeka podaci se razlikuju kako bi se učinili nepokretnim. Model koji pokazuje stacionarnost je onaj koji pokazuje da postoji stalnost podataka tijekom vremena. Većina ekonomskih i tržišnih podataka pokazuje trendove, tako da je svrha razlikovanja ukloniti sve trendove ili sezonske strukture.
Sezonalnost ili kada podaci pokazuju redovite i predvidljive obrasce koji se ponavljaju tijekom kalendarske godine, mogli bi negativno utjecati na regresijski model. Ako se pojavi trend i stacionarnost nije evidentna, mnogi se računi tijekom procesa ne mogu napraviti s velikom učinkovitošću.
