Model autoregresywnej zintegrowanej średniej ruchomej (ARIMA) wykorzystuje dane szeregów czasowych i analizę statystyczną do interpretacji danych i prognozowania na przyszłość. Model ARIMA ma na celu wyjaśnienie danych za pomocą danych szeregów czasowych dotyczących ich przeszłych wartości i wykorzystuje regresję liniową. .
Zrozumienie modelu ARIMA
Poniższy akronim opisowy wyjaśnia znaczenie każdego z kluczowych elementów modelu ARIMA:
- „ AR ” w ARIMA oznacza autoregresję , wskazując, że model wykorzystuje zależną zależność między danymi bieżącymi a ich przeszłymi wartościami. Innymi słowy, pokazuje, że dane są regresowane do ich przeszłych wartości.
- „ I ” oznacza zintegrowane , co oznacza, że dane są nieruchome. Dane stacjonarne odnoszą się do danych szeregów czasowych, które zostały ustalone jako „stacjonarne” przez odjęcie obserwacji od poprzednich wartości.
- „ MA ” oznacza model średniej ruchomej, wskazując, że prognoza lub wynik modelu zależy liniowo od przeszłych wartości. Oznacza to również, że błędy prognozowania są funkcjami liniowymi błędów przeszłości. Należy zauważyć, że modele średniej ruchomej różnią się od statystycznych średnich ruchomych.
Każdy z komponentów AR, I i MA jest uwzględniony w modelu jako parametr. Parametr Parametr jest użytecznym składnikiem analizy statystycznej. Odnosi się do cech, które służą do definiowania danej populacji. Jest do tego przyzwyczajony. Do parametrów przypisane są określone wartości całkowite, które wskazują typ modelu ARIMA. Wspólny zapis parametrów ARIMA jest pokazany i wyjaśniony poniżej:
ARIMA ( p, d, q )
- Parametr p to liczba terminów autoregresyjnych lub liczba „obserwacji opóźnień”. Nazywa się to również „kolejnością opóźnień” i określa wynik modelu poprzez dostarczanie opóźnionych punktów danych.
- Parametr d jest znany jako stopień różnicowania. wskazuje, ile razy opóźnione wskaźniki zostały odjęte w celu unieruchomienia danych.
- Parametr q oznacza liczbę błędów prognozy w modelu i jest również określany jako rozmiar okna średniej ruchomej.
Parametry przyjmują wartość liczb całkowitych i muszą być zdefiniowane, aby model działał. Mogą również przyjmować wartość 0, co oznacza, że nie będą używane w modelu. W ten sposób model ARIMA można zamienić na:
- Model ARMA (brak danych stacjonarnych, d = 0 )
- Model AR (brak średnich ruchomych lub danych stacjonarnych, tylko autoregresja przeszłych wartości, d = 0, q = 0 )
- Model MA (model średniej ruchomej bez autoregresji lub danych stacjonarnych, p = 0, d = 0)
Dlatego modele ARIMA można zdefiniować jako:
- ARIMA (1, 0, 0) - znany jako model autoregresyjny pierwszego rzędu
- ARIMA (0, 1, 0) - znany jako model spaceru losowego
- ARIMA (1, 1, 0) - znany jako zróżnicowany model autoregresyjny pierwszego rzędu i tak dalej.
Po zdefiniowaniu parametrów ( p, d, q ) model ARIMA dąży do oszacowania współczynników α i θ , co jest wynikiem wykorzystania wcześniejszych punktów danych do prognozowanych wartości.
Zastosowania modelu ARIMA
W biznesie i finansach model ARIMA może służyć do prognozowania przyszłych ilości (lub nawet cen) na podstawie danych historycznych. Dlatego, aby model był wiarygodny, dane muszą być wiarygodne i muszą wykazywać stosunkowo długi okres czasu, w którym zostały zebrane. Poniżej wymieniono niektóre zastosowania modelu ARIMA w biznesie:
- Prognozowanie ilości towaru potrzebnego na następny okres na podstawie danych historycznych.
- Prognozowanie sprzedaży i interpretacja sezonowych zmian sprzedaży
- Szacowanie wpływu wydarzeń marketingowych Model AIDA Model AIDA, czyli model uwagi, zainteresowania, pragnienia i działania, jest modelem efektu reklamowego, który identyfikuje etapy, na których dana osoba, nowy produkt jest wprowadzana na rynek i tak dalej.
Modele ARIMA można tworzyć w oprogramowaniu do analizy danych i nauki o danych, takim jak R i Python.
Ograniczenia modelu ARIMA
Chociaż modele ARIMA mogą być bardzo dokładne i niezawodne w odpowiednich warunkach i dostępności danych, jednym z kluczowych ograniczeń modelu jest to, że parametry ( p, d, q ) muszą być definiowane ręcznie; dlatego znalezienie najdokładniejszego dopasowania może być długim procesem prób i błędów.
Podobnie model zależy w dużym stopniu od wiarygodności danych historycznych i różnicowania danych. Ważne jest, aby upewnić się, że dane były gromadzone dokładnie i przez długi czas, aby model zapewniał dokładne wyniki i prognozy.
Podsumowanie
Model ARIMA wykorzystuje analizy statystyczne w połączeniu z dokładnie zebranymi punktami danych historycznych do przewidywania przyszłych trendów i potrzeb biznesowych. W przypadku firm może być używany do przewidywania sezonowych zmian w sprzedaży, prognozowania zapasów potrzebnych do następnego cyklu sprzedaży oraz szacowania wpływu wydarzeń i wprowadzenia nowych produktów.
Model ARIMA jest zwykle oznaczony parametrami ( p, d, q ), którym można przypisać różne wartości, aby zmodyfikować model i zastosować go na różne sposoby. Niektóre z ograniczeń modelu to zależność od gromadzenia danych oraz ręczny proces prób i błędów wymagany do określenia najlepiej dopasowanych wartości parametrów.
Więcej zasobów
Finance oferuje Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certification Akredytacja Certified Banking & Credit Analyst (CBCA) ™ to globalny standard dla analityków kredytowych obejmujący finanse, rachunkowość, analizę kredytową, analizę przepływów pieniężnych, modelowanie zobowiązań, pożyczki spłaty i nie tylko. program certyfikacji dla tych, którzy chcą przenieść swoją karierę na wyższy poziom. Aby kontynuować naukę i rozwijać swoją karierę, pomocne będą następujące zasoby:
- Dostosowana beta Dostosowana beta Dostosowana beta zazwyczaj szacuje przyszłą wersję beta zabezpieczeń. Jest to historyczna beta dostosowana tak, aby odzwierciedlała tendencję beta do przywracania średniej - CAPM
- Błąd niezwiązany z próbkowaniem Błąd niezwiązany z próbkowaniem Błąd niezwiązany z próbkowaniem odnosi się do błędu wynikającego z gromadzenia danych, który powoduje, że dane różnią się od prawdziwych wartości. To jest inne
- Prosta średnia krocząca (SMA) Prosta średnia krocząca (SMA) Prosta średnia krocząca (SMA) odnosi się do średniej ceny zamknięcia akcji w określonym okresie. Powodem, dla którego średnia nazywana jest „ruchomą”, jest to, że akcje
- Analiza danych szeregów czasowych Analiza danych szeregów czasowych Analiza danych szeregów czasowych jest analizą zbiorów danych, które zmieniają się w czasie. Zestawy danych szeregów czasowych rejestrują obserwacje tej samej zmiennej w różnych punktach czasu. Analitycy finansowi używają danych szeregów czasowych, takich jak ruchy cen akcji lub sprzedaż firmy w czasie
