Autoregresīvā integrētā mainīgā vidējā (ARIMA) modelis izmanto laika rindu datus un statistisko analīzi, lai interpretētu datus un veiktu nākotnes prognozes. ARIMA modeļa mērķis ir izskaidrot datus, izmantojot laika rindu datus par tā iepriekšējām vērtībām, un tiek izmantota lineārā regresija Multiple Linear Regression Daudzkārtēja lineārā regresija attiecas uz statistikas paņēmienu, ko izmanto, lai prognozētu atkarīgo mainīgo, pamatojoties uz neatkarīgo mainīgo vērtību, lai veiktu prognozes. .
Izpratne par ARIMA modeli
Šis aprakstošais akronīms izskaidro ARIMA modeļa katras galvenās sastāvdaļas nozīmi:
- “AR”ARIMA apzīmē autoregresija, norādot, ka modelis izmanto atkarīgo saistību starp pašreizējiem datiem un tā iepriekšējām vērtībām. Citiem vārdiem sakot, tas parāda, ka dati ir regresēti par iepriekšējām vērtībām.
- “Es”Apzīmē integrēts, kas nozīmē, ka dati ir stacionāri. Stacionārie dati attiecas uz laika rindu datiem, kas ir veikti “stacionāri”, no iepriekšējām vērtībām atņemot novērojumus.
- “MA”Apzīmē slīdošā vidējā modeļa, norādot, ka modeļa prognoze vai rezultāts ir lineāri atkarīgs no iepriekšējām vērtībām. Tas arī nozīmē, ka prognozēšanas kļūdas ir iepriekšējo kļūdu lineāras funkcijas. Ņemiet vērā, ka slīdošā vidējā modeļi atšķiras no statistiskajiem mainīgajiem vidējiem.
Katrs no AR, I un MA komponentiem ir iekļauts modelī kā parametrs. Parametrs Parametrs ir noderīga statistiskās analīzes sastāvdaļa. Tas attiecas uz raksturlielumiem, kas tiek izmantoti, lai definētu noteiktu populāciju. Pie tā pierasts. Parametriem tiek piešķirtas noteiktas veselu skaitļu vērtības, kas norāda ARIMA modeļa tipu. Tālāk parādīts un izskaidrots kopīgs ARIMA parametru apzīmējums:
ARIMA (p, d, q)
- Parametrs lpp ir autoregresīvu terminu vai “lag novērojumu” skaits. To sauc arī par “lag order”, un tas nosaka modeļa iznākumu, nodrošinot atpaliekošos datu punktus.
- Parametrs d ir pazīstams kā diferenciācijas pakāpe. tas norāda, cik reižu atņemtie rādītāji ir atņemti, lai dati būtu stacionāri.
- Parametrs q ir prognozes kļūdu skaits modelī, un to sauc arī par mainīgā vidējā loga lielumu.
Parametri ņem veselu skaitļu vērtību un ir jādefinē, lai modelis darbotos. Viņi var arī ņemt vērtību 0, kas nozīmē, ka tie netiks izmantoti modelī. Šādā veidā ARIMA modeli var pārveidot par:
- ARMA modelis (nav stacionāru datu, d = 0)
- AR modelis (nav kustīgu vidējo rādītāju vai stacionāru datu, ir tikai autoregresija par iepriekšējām vērtībām, d = 0, q = 0)
- MA modelis (slīdošā vidējā modelis bez autoregresijas vai stacionāriem datiem, lpp = 0, d = 0)
Tāpēc ARIMA modeļus var definēt kā:
- ARIMA (1, 0, 0) - pazīstams kā pirmās kārtas autoregresīvais modelis
- ARIMA (0, 1, 0) - pazīstams kā izlases pastaigas modelis
- ARIMA (1, 1, 0) - pazīstams kā diferencēts pirmās kārtas autoregresīvais modelis, un tā tālāk.
Kad parametri (p, d, q), ARIMA modeļa mērķis ir novērtēt koeficientus α un θ, kas ir rezultāts iepriekšējo datu punktu izmantošanai prognožu vērtībām.
ARIMA modeļa pielietojums
Biznesā un finansēs ARIMA modeli var izmantot, lai prognozētu nākotnes daudzumus (vai pat cenas), pamatojoties uz vēsturiskiem datiem. Tāpēc, lai modelis būtu uzticams, datiem jābūt ticamiem un tiem jāparāda salīdzinoši ilgs laika posms, kurā tie ir apkopoti. Daži no ARIMA modeļa pielietojumiem uzņēmējdarbībā ir uzskaitīti zemāk:
- Nākamajam laika periodam nepieciešamās preces daudzuma prognozēšana, pamatojoties uz vēsturiskajiem datiem.
- Pārdošanas prognozēšana un pārdošanas sezonālo izmaiņu interpretēšana
- Mārketinga notikumu ietekmes novērtēšana AIDA modelis AIDA modelis, kas apzīmē uzmanību, interesi, vēlmi un darbību, ir reklāmas efekta modelis, kas identificē atsevišķa, jauna produkta izlaišanas posmus utt.
ARIMA modeļus var izveidot datu analīzē un datu zinātnes programmatūrā, piemēram, R un Python.
ARIMA modeļa ierobežojumi
Lai gan ARIMA modeļi atbilstošos apstākļos un datu pieejamībā var būt ļoti precīzi un uzticami, viens no modeļa galvenajiem ierobežojumiem ir tas, ka parametri (p, d, q) ir jādefinē manuāli; tāpēc visprecīzākās atbilstības atrašana var būt ilgs izmēģinājumu un kļūdu process.
Tāpat modelis ir ļoti atkarīgs no vēsturisko datu ticamības un datu atšķirības. Ir svarīgi nodrošināt, ka dati tika savākti precīzi un ilgākā laika posmā, lai modelis sniegtu precīzus rezultātus un prognozes.
Kopsavilkums
ARIMA modelī tiek izmantotas statistikas analīzes kopā ar precīzi savāktiem vēsturiskiem datu punktiem, lai prognozētu nākotnes tendences un biznesa vajadzības. Uzņēmumiem to var izmantot, lai prognozētu sezonālās pārdošanas izmaiņas, prognozētu nākamajam pārdošanas ciklam nepieciešamos krājumus un novērtētu notikumu un jaunu produktu izlaišanas ietekmi.
ARIMA modeli parasti apzīmē ar parametriem (p, d, q), kam var piešķirt dažādas vērtības, lai modificētu modeli un pielietotu to dažādos veidos. Daži modeļa ierobežojumi ir tā atkarība no datu vākšanas un manuāls izmēģinājumu un kļūdu process, kas nepieciešams, lai noteiktu parametru vērtības, kas vislabāk atbilst.
Vairāk resursu
Finanses piedāvā sertificētu banku un kredītu analītiķu (CBCA) ™ CBCA ™ sertifikātu sertificēto banku un kredītu analītiķu (CBCA) ™ akreditācija ir globāls kredītiķu analītiķu standarts, kas aptver finanses, grāmatvedību, kredītu analīzi, naudas plūsmas analīzi, paktu modelēšanu, aizdevumu atmaksas un vairāk. sertifikācijas programma tiem, kas vēlas karjeru pārcelt uz nākamo līmeni. Lai turpinātu mācīties un virzīt savu karjeru, noderēs šādi resursi:
- Pielāgota Beta Pielāgota Beta Pielāgota beta mēdz novērtēt vērtspapīra nākotnes beta versiju. Tā ir vēsturiska beta versija, kas pielāgota, lai atspoguļotu beta tendenci būt atgriezeniskai - CAPM
- Neatlases kļūda Neatlasīšanas kļūda Neatlasīšanas kļūda attiecas uz kļūdu, kas rodas datu vākšanas rezultātā, kuras dēļ dati atšķiras no patiesajām vērtībām. Tas ir savādāk
- Vienkāršais slīdošais vidējais (SMA) Vienkāršais slīdošais vidējais (SMA) Vienkāršais slīdošais vidējais (SMA) attiecas uz akciju vidējo slēgšanas cenu noteiktā laika posmā. Iemesls, kāpēc vidējo sauc par "kustīgu", ir tas, ka akcijas
- Laika rindu datu analīze Laika rindu datu analīze Laika rindu datu analīze ir datu kopu analīze, kas mainās noteiktā laika periodā. Laika rindu datu kopas reģistrē viena mainīgā novērojumus dažādos laika punktos. Finanšu analītiķi izmanto tādus laikrindu datus kā akciju cenu kustība vai uzņēmuma pārdošanas apjomi laika gaitā
