Модел ауторегресивног интегрисаног покретног просека (АРИМА) користи податке временских серија и статистичку анализу за интерпретацију података и прављење будућих предвиђања. АРИМА модел има за циљ да објасни податке коришћењем података временских серија о његовим прошлим вредностима и користи линеарну регресију Вишеструка линеарна регресија Вишеструка линеарна регресија односи се на статистичку технику која се користи за предвиђање исхода зависне променљиве на основу вредности независних променљивих за прављење предвиђања .
Разумевање АРИМА модела
Следећа дескриптивна кратица објашњава значење сваке од кључних компоненти АРИМА модела:
- „АР”У АРИМА је кратица ауторегресија, што указује на то да модел користи зависни однос између тренутних података и његових прошлих вредности. Другим речима, показује да су подаци регресирани у односу на своје прошле вредности.
- „Ја" означава интегрисани, што значи да су подаци непокретни. Стационарни подаци се односе на податке о временским серијама који су учињени „непокретним“ одузимањем запажања од претходних вредности.
- „МА" означава модел покретног просека, што указује да прогноза или исход модела линеарно зависе од прошлих вредности. Такође, то значи да су грешке у предвиђању линеарне функције прошлих грешака. Имајте на уму да се модели покретног просека разликују од статистичких покретних просека.
Свака од компонената АР, И и МА укључена је у модел као параметар Параметар А параметар је корисна компонента статистичке анализе. Односи се на карактеристике које се користе за дефинисање дате популације. Навикло је на. Параметрима се додељују одређене целобројне вредности које указују на тип АРИМА модела. Уобичајена нотација за параметре АРИМА приказана је и објашњена у наставку:
АРИМА (п, д, к)
- Параметар стр је број ауторегресивних термина или број „заосталих запажања“. Такође се назива „редослед заостајања“ и одређује исход модела пружајући заостале тачке података.
- Параметар д познат је као степен разликовања. указује на број одузимања заосталих индикатора да би подаци постали стационарни.
- Параметар к је број грешака предвиђања у моделу и назива се и величином прозора покретног просека.
Параметри узимају вредност целих бројева и морају бити дефинисани да би модел функционисао. Такође могу узети вредност 0, што имплицира да се неће користити у моделу. На тај начин се АРИМА модел може претворити у:
- АРМА модел (нема стационарних података, д = 0)
- АР модел (без покретних просека или стационарних података, само ауторегресија на прошле вредности, д = 0, к = 0)
- МА модел (модел покретног просека без ауторегресије или стационарних података, стр = 0, д = 0)
Стога се АРИМА модели могу дефинисати као:
- АРИМА (1, 0, 0) - позната као ауторегресивни модел првог реда
- АРИМА (0, 1, 0) - позната као модел случајног хода
- АРИМА (1, 1, 0) - позната као диференцијални ауторегресивни модел првог реда, и тако даље.
Једном када параметри (п, д, к) су дефинисани, АРИМА модел има за циљ процену коефицијената α и θ, што је резултат коришћења претходних тачака података за предвиђање вредности.
Примене АРИМА модела
У послу и финансијама АРИМА модел се може користити за предвиђање будућих количина (или чак цена) на основу историјских података. Стога, да би модел био поуздан, подаци морају бити поуздани и морају показивати релативно дуг временски распон током којег су прикупљени. Неке од примена АРИМА модела у пословању наведене су у наставку:
- Предвиђање количине робе потребне за наредни временски период на основу историјских података.
- Предвиђање продаје и тумачење сезонских промена у продаји
- Процена утицаја маркетиншких догађаја АИДА модел АИДА модел, који означава модел Пажња, Интерес, Жеља и Акција, је модел ефекта оглашавања који идентификује фазе које појединац, нови производ лансира итд.
АРИМА модели могу се креирати у софтверу за аналитику података и науку о подацима као што су Р и Питхон.
Ограничења АРИМА модела
Иако АРИМА модели могу бити изузетно прецизни и поуздани под одговарајућим условима и доступношћу података, једно од кључних ограничења модела је да параметри (п, д, к) треба ручно дефинисати; стога проналажење најтачнијег уклапања може бити дуг поступак покушаја и грешака.
Слично томе, модел у великој мери зависи од поузданости историјских података и разлике података. Важно је осигурати да се подаци прикупљају тачно и током дужег временског периода како би модел пружио тачне резултате и прогнозе.
Резиме
АРИМА модел користи статистичке анализе у комбинацији са тачно прикупљеним историјским тачкама података за предвиђање будућих трендова и пословних потреба. За предузећа се може користити за предвиђање сезонских промена у продаји, предвиђање залиха потребних за следећи продајни циклус и процену утицаја догађаја и лансирања нових производа.
АРИМА модел се обично означава параметрима (п, д, к), којима се могу доделити различите вредности за модификовање модела и примену на различите начине. Нека од ограничења модела су његова зависност од прикупљања података и ручни поступак покушаја и погрешака потребан за одређивање вредности параметара које најбоље одговарају.
Више ресурса
Финанце нуди сертификованог банкарског и кредитног аналитичара (ЦБЦА) ™ ЦБЦА ™ сертификат Цертифиед Банкинг & Цредит Аналист (ЦБЦА) ™ акредитација је глобални стандард за кредитне аналитичаре који покрива финансије, рачуноводство, кредитну анализу, анализу новчаног тока, моделирање уговора, зајмове отплате и још много тога. програм сертификације за оне који желе да своју каријеру подигну на виши ниво. Да бисте наставили учити и напредовати у каријери, следећи ресурси ће вам бити од помоћи:
- Прилагођена бета Прилагођена бета Прилагођена бета настоји да процени будућу бета вредност безбедности. То је историјска бета прилагођена да одражава тенденцију бета да се враћа у средњу вредност - ЦАПМ
- Грешка без узорковања Грешка без узорковања Грешка без узорковања односи се на грешку која настаје као резултат прикупљања података, због чега се подаци разликују од стварних вредности. То је другачије
- Једноставан покретни просек (СМА) Једноставни покретни просек (СМА) Једноставно покретни просек (СМА) односи се на просечну цену затварања акције током одређеног периода. Разлог због којег се просек назива „покретним“ је тај што је залиха
- Анализа података временских серија Анализа података временских серија Анализа података временских серија је анализа скупова података који се мењају током одређеног временског периода. Скупови података временских серија бележе запажања исте променљиве током различитих временских тачака. Финансијски аналитичари користе податке из временских серија, попут кретања цена акција или продаје компаније током времена
