Co je autoregresivní integrovaný klouzavý průměr?
Autoregresivní integrovaný klouzavý průměr (ARIMA) je statistický analytický model, který využívá data časových řad k lepšímu porozumění datové sadě nebo k předpovídání budoucích trendů.
Pochopení autoregresivního integrovaného klouzavého průměru (ARIMA)
Autoregresivní model integrovaného klouzavého průměru je forma regresní analýzy, která měří sílu jedné závislé proměnné vzhledem k jiným měnícím se proměnným. Cílem modelu je předpovídat budoucí pohyby cenných papírů nebo finančních trhů zkoumáním rozdílů mezi hodnotami v řadě namísto skutečných hodnot.
ARIMA modelu lze chápat tak, že nastíní každou ze svých složek takto:
- Autoregrese (AR) označuje model, který ukazuje měnící se proměnnou, která regresuje podle svých vlastních zpožděných nebo předchozích hodnot. Integrovaný (I) představuje diferenciaci prvotních pozorování, aby se umožnilo stání časové řady, tj. Datové hodnoty jsou nahrazeny rozdílem mezi datovými hodnotami a předchozími hodnotami. Klouzavý průměr (MA) zahrnuje závislost mezi pozorováním a zbytkovou chybou z modelu klouzavého průměru aplikovaného na zpožděná pozorování.
Každá komponenta funguje jako parametr se standardním zápisem. Pro modely ARIMA by standardní notace byla ARIMA s p, d a q, kde celočíselné hodnoty nahrazují parametry k označení typu použitého modelu ARIMA. Parametry lze definovat jako:
- p : počet zpožděných pozorování v modelu; také známý jako objednávka zpoždění. d : kolikrát se hrubá pozorování liší; také známý jako stupeň diferenciace.q: velikost okna s pohyblivým průměrem; také známý jako pořadí klouzavého průměru.
V modelu lineární regrese je například zahrnut počet a typ termínů. Hodnota 0, kterou lze použít jako parametr, by znamenala, že konkrétní komponenta by neměla být v modelu použita. Tímto způsobem lze model ARIMA zkonstruovat tak, aby vykonával funkci modelu ARMA nebo dokonce jednoduchých modelů AR, I nebo MA.
Autoregresivní integrovaný klouzavý průměr a stacionářnost
V autoregresivním modelu integrovaného klouzavého průměru se data liší, aby byla nehybná. Model, který ukazuje stacionaritu, je model, který ukazuje, že je časová stálost dat. Většina ekonomických údajů a údajů o trhu ukazuje trendy, a proto účelem rozlišování je odstranit veškeré trendy nebo sezónní struktury.
Sezónnost, nebo když údaje vykazují pravidelné a předvídatelné vzorce, které se opakují v průběhu kalendářního roku, by mohlo negativně ovlivnit regresní model. Pokud se objeví trend a stacionarita není zřejmá, nelze mnoho výpočtů v průběhu procesu provádět s velkou účinností.
