Kas ir autoregresīvs integrēts mainīgais vidējais rādītājs?
Autoregresīvs integrēts mainīgais vidējais lielums jeb ARIMA ir statistiskās analīzes modelis, kas izmanto laika rindu datus, lai labāk izprastu datu kopu vai prognozētu nākotnes tendences.
Izpratne par autoregresīvo integrēto mainīgo vidējo rādītāju (ARIMA)
Autoregresīvs integrēts mainīgais vidējais modelis ir regresijas analīzes forma, kas mēra viena atkarīgā mainīgā stiprumu attiecībā pret citiem mainīgajiem mainīgajiem. Modeļa mērķis ir paredzēt nākotnes vērtspapīrus vai finanšu tirgus pārmaiņas, pārbaudot atšķirības starp sērijas vērtībām, nevis faktiskajām vērtībām.
ARIMA modeli var saprast, aprakstot katru tā sastāvdaļu šādi:
- Autoregression (AR) attiecas uz modeli, kas parāda mainīgu mainīgo lielumu, kas regresē pēc savām atpalikušajām vai iepriekšējām vērtībām. Integrētais (I) apzīmē neapstrādātu novērojumu diferenciāciju, lai laika rindas kļūtu nekustīgas, ti, datu vērtības tiek aizstātas ar starpību starp datu vērtībām un iepriekšējām vērtībām. Mainīgā vidējā vērtība (MA) ietver atkarību starp novērojumu un atlikušo kļūdu no mainīgā vidējā modeļa, ko piemēro novājētiem novērojumiem.
Katrs komponents darbojas kā parametrs ar standarta apzīmējumu. ARIMA modeļiem parastais apzīmējums būtu ARIMA ar p, d un q, kur parametru vietā aizstāj skaitļus, kas norāda izmantotā ARIMA modeļa tipu. Parametrus var definēt šādi:
- p : nokavēto novērojumu skaits modelī; pazīstams arī kā nobīdes kārtība. d : sākotnējo novērojumu atšķirības reižu skaits; pazīstams arī kā diferencēšanas pakāpe.q: mainīgā vidējā loga izmērs; pazīstams arī kā mainīgā vidējā secība.
Piemēram, lineārās regresijas modelī ir iekļauts terminu skaits un tips. 0 vērtība, ko var izmantot kā parametru, nozīmētu, ka konkrētais komponents modelī nav jāizmanto. Tādā veidā ARIMA modeli var izveidot tā, lai tas veiktu ARMA modeļa vai pat vienkāršu AR, I vai MA modeļa funkcijas.
Autoregresīva integrēta mainīgā vidējā un stacionaritāte
Autoregresīvā integrētā mainīgā vidējā modelī dati tiek diferencēti, lai tie būtu nekustīgi. Stacionāri raksturojošs modelis parāda, ka laika gaitā pastāv datu pastāvība. Lielākā daļa ekonomikas un tirgus datu parāda tendences, tāpēc diferencēšanas mērķis ir noņemt visas tendences vai sezonālās struktūras.
Sezonalitāte vai ja dati parāda regulārus un paredzamus modeļus, kas atkārtojas kalendārā gada laikā, tas varētu negatīvi ietekmēt regresijas modeli. Ja parādās tendence un nekustīgums nav acīmredzams, daudzus aprēķinus visā procesā nevar veikt ar lielu efektivitāti.
