Autoregressiivinen integroitu liukuva keskiarvo (ARIMA) -malli käyttää aikasarjatietoja ja tilastollista analyysiä tietojen tulkitsemiseksi ja tulevaisuuden ennusteiden tekemiseksi. ARIMA-mallin tarkoituksena on selittää tietoja käyttämällä aikaisempien arvojensa aikasarjatietoja ja käyttää lineaarista regressiota Moninkertainen lineaarinen regressio Moninkertainen lineaarinen regressio viittaa tilastolliseen tekniikkaan, jota käytetään ennustamaan riippuvan muuttujan tulos riippumattomien muuttujien arvon perusteella ennusteiden tekemiseen. .
ARIMA-mallin ymmärtäminen
Seuraava kuvaileva lyhenne selittää ARIMA-mallin kunkin avainkomponentin merkityksen:
- "AR”ARIMA: ssa tarkoittaa autoregressio, mikä osoittaa, että malli käyttää riippuvaa suhdetta nykyisten tietojen ja sen aikaisempien arvojen välillä. Toisin sanoen, se osoittaa, että tiedot ovat regressiivisiä aiempiin arvoihinsa.
- "Minä" tarkoittaa integroitu, mikä tarkoittaa, että data on paikallaan. Paikallisdata viittaa aikasarjatietoihin, jotka on tehty "paikallaan" vähentämällä havainnot edellisistä arvoista.
- "MA" tarkoittaa liukuva keskiarvomalli, osoittaa, että mallin ennuste tai tulos riippuu lineaarisesti menneistä arvoista. Se tarkoittaa myös, että ennustamisen virheet ovat menneiden virheiden lineaarisia funktioita. Huomaa, että liikkuvan keskiarvon mallit eroavat tilastollisista liukuvista keskiarvoista.
Kukin AR-, I- ja MA-komponenteista sisältyy malliin parametrina. Parametri Parametri on hyödyllinen komponentti tilastollisessa analyysissä. Se viittaa ominaisuuksiin, joita käytetään tietyn populaation määrittelemiseen. Se on tottunut. Parametreille määritetään tietyt kokonaislukuarvot, jotka osoittavat ARIMA-mallin tyypin. Yhteinen merkintä ARIMA-parametreille on esitetty ja selitetty alla:
ARIMA (p, d, q)
- Parametri s on autoregressiivisten termien määrä tai ”viivehavaintojen” lukumäärä. Sitä kutsutaan myös "viivejärjestykseksi" ja se määrittää mallin lopputuloksen toimittamalla viivästyneet datapisteet.
- Parametri d tunnetaan erotusasteena. se osoittaa, kuinka monta kertaa viivästyneet indikaattorit on vähennetty, jotta data olisi paikallaan.
- Parametri q on ennustevirheiden määrä mallissa ja sitä kutsutaan myös liikkuvan keskiarvon ikkunan kooksi.
Parametrit ottavat kokonaislukujen arvon, ja ne on määriteltävä, jotta malli toimisi. Ne voivat myös ottaa arvon 0, mikä tarkoittaa, että niitä ei käytetä mallissa. Tällä tavalla ARIMA-mallista voidaan tehdä:
- ARMA-malli (ei paikallaan olevia tietoja, d = 0)
- AR-malli (ei liikkuvia keskiarvoja tai paikallaan olevaa dataa, vain autoregressio aiempiin arvoihin, d = 0, q = 0)
- MA-malli (liikkuva keskiarvomalli, jossa ei ole autoregressiota tai paikallaan olevia tietoja, s = 0, d = 0)
Siksi ARIMA-mallit voidaan määritellä seuraavasti:
- ARIMA (1, 0, 0) - tunnetaan nimellä ensiluokkainen autoregressiivinen malli
- ARIMA (0, 1, 0) - tunnetaan nimellä satunnainen kävely malli
- ARIMA (1, 1, 0) - tunnetaan nimellä erilainen ensimmäisen asteen autoregressiivinen malli, ja niin edelleen.
Kun parametrit (p, d, q) on määritelty, ARIMA-mallin tarkoituksena on arvioida kertoimet a ja θ, joka on seurausta aikaisempien datapisteiden käytöstä ennustearvoihin.
ARIMA-mallin sovellukset
Liiketoiminnassa ja rahoituksessa ARIMA-mallia voidaan käyttää ennustamaan tulevia määriä (tai jopa hintoja) historiallisten tietojen perusteella. Siksi, jotta malli olisi luotettava, tietojen on oltava luotettavia ja niiden on osoitettava suhteellisen pitkä ajanjakso, jonka aikana ne on kerätty. Jotkut ARIMA-mallin sovelluksista liiketoiminnassa on lueteltu alla:
- Ennakoidaan seuraavaa ajanjaksoa varten tarvittavan tavaran määrä historiallisten tietojen perusteella.
- Myynnin ennustaminen ja myynnin kausivaihtelujen tulkinta
- Markkinointitapahtumien vaikutusten arviointi AIDA-malli AIDA-malli, joka tarkoittaa huomiota, kiinnostusta, halua ja toimintamallia, on mainosvaikutusmalli, joka yksilöi yksittäisen, uuden tuotteen lanseeraamat vaiheet ja niin edelleen.
ARIMA-malleja voidaan luoda data-analytiikassa ja datatiedeohjelmistoissa, kuten R ja Python.
ARIMA-mallin rajoitukset
Vaikka ARIMA-mallit voivat olla erittäin tarkkoja ja luotettavia asianmukaisissa olosuhteissa ja tietojen saatavuudessa, yksi mallin keskeisistä rajoituksista on, että parametrit (p, d, q) on määriteltävä manuaalisesti; siksi tarkimman sopivuuden löytäminen voi olla pitkä kokeiluvirhe.
Vastaavasti malli riippuu suuresti historiallisten tietojen luotettavuudesta ja tietojen erilaistumisesta. On tärkeää varmistaa, että tiedot on kerätty tarkasti ja pitkällä aikavälillä, jotta malli antaa tarkat tulokset ja ennusteet.
Yhteenveto
ARIMA-malli käyttää tilastollisia analyyseja yhdessä tarkasti kerättyjen historiallisten tietopisteiden kanssa ennustamaan tulevia trendejä ja liiketoiminnan tarpeita. Yrityksille sitä voidaan käyttää ennustamaan myynnin kausivaihtelut, ennakoimaan seuraavaa myyntisykliä varten tarvittavat varastot ja arvioimaan tapahtumien ja uusien tuotteiden lanseerausten vaikutukset.
ARIMA-malli on tyypillisesti merkitty parametreilla (p, d, q), jolle voidaan antaa erilaisia arvoja mallin muokkaamiseksi ja soveltamiseksi eri tavoin. Jotkut mallin rajoituksista ovat sen riippuvuus tiedonkeräämisestä ja manuaalinen kokeiluvirhe-prosessi, jota tarvitaan parhaiten sopivien parametriarvojen määrittämiseen.
Lisää resursseja
Rahoitus tarjoaa Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ -sertifikaatin Certified Banking & Credit Analyst (CBCA) ™ -sertifikaatti on maailmanlaajuinen luottotietojen analyytikoiden standardi, joka kattaa rahoituksen, kirjanpidon, luottotutkimukset, kassavirta-analyysit, kovenanttimallinnukset, lainat takaisinmaksut ja paljon muuta. sertifiointiohjelma niille, jotka haluavat viedä uransa seuraavalle tasolle. Seuraavat resurssit ovat hyödyllisiä oppimisen jatkamiseksi ja urasi edistämiseksi:
- Oikaistu beeta Oikaistu beetaohjattu beeta arvioi arvopaperin tulevan beetan. Se on historiallinen beeta, joka on mukautettu vastaamaan beetan taipumusta palata keskiarvoon - CAPM: n
- Ei näytteistysvirhe Ei näytteistysvirhe Ei näytteistysvirhe viittaa virheeseen, joka syntyy tiedonkeruun tuloksesta, joka saa tiedon eroamaan todellisista arvoista. Se on erilainen
- Yksinkertainen liukuva keskiarvo (SMA) Yksinkertainen liukuva keskiarvo (SMA) Yksinkertainen liukuva keskiarvo (SMA) tarkoittaa osakkeen keskimääräistä päätöskurssia tiettynä ajanjaksona. Syy keskiarvolle on nimeltään "liikkuva", koska varastossa
- Aikasarjan tietojen analysointi Aikasarjojen tietojen analysointi Aikasarjojen data-analyysi on tietyn ajanjakson aikana muuttuvien tietojoukkojen analyysi. Aikasarjatiedostot tallentavat saman muuttujan havaintoja eri ajankohtina. Rahoitusanalyytikot käyttävät aikasarjatietoja, kuten osakekurssimuutoksia tai yrityksen myyntiä ajan myötä
