ค่าเฉลี่ยเคลื่อนที่แบบเคลื่อนไหวอัตโนมัติ (arima)

Autoregressive Integrated Moving Average คืออะไร?

ค่าเฉลี่ยเคลื่อนที่เคลื่อนที่อัตโนมัติหรือ ARIMA เป็นรูปแบบการวิเคราะห์ทางสถิติที่ใช้ข้อมูลอนุกรมเวลาเพื่อทำความเข้าใจชุดข้อมูลหรือทำนายแนวโน้มในอนาคตได้ดียิ่งขึ้น

การทำความเข้าใจ Autoregressive Integrated Moving Average (ARIMA)

แบบจำลองค่าเฉลี่ยเคลื่อนที่แบบบูรณาการ autoregressive เป็นรูปแบบของการวิเคราะห์การถดถอยที่วัดความแข็งแกร่งของตัวแปรตามหนึ่งเมื่อเทียบกับตัวแปรเปลี่ยนแปลงอื่น ๆ เป้าหมายของโมเดลคือการทำนายหลักทรัพย์ในอนาคตหรือการเคลื่อนไหวของตลาดการเงินโดยการตรวจสอบความแตกต่างระหว่างค่าในซีรีส์แทนที่จะผ่านค่าจริง

โมเดล ARIMA สามารถเข้าใจได้โดยการสรุปส่วนประกอบแต่ละอย่างดังนี้:

• Autoregression (AR) หมายถึงรูปแบบที่แสดงตัวแปรที่เปลี่ยนแปลงซึ่งถดถอยด้วยค่า lagged ของตนเองหรือก่อนหน้า รวม (I) แสดงถึงความแตกต่างของการสังเกตแบบดิบเพื่อให้อนุกรมเวลากลายเป็นเครื่องเขียนเช่นค่าข้อมูลจะถูกแทนที่ด้วยความแตกต่างระหว่างค่าข้อมูลและค่าก่อนหน้า ค่าเฉลี่ยเคลื่อนที่ (MA) รวมการพึ่งพาระหว่างการสังเกตและข้อผิดพลาดที่เหลือจากแบบจำลองค่าเฉลี่ยเคลื่อนที่ที่ใช้กับการสังเกตที่ล้าหลัง

แต่ละองค์ประกอบทำหน้าที่เป็นพารามิเตอร์ที่มีสัญกรณ์มาตรฐาน สำหรับโมเดล ARIMA สัญกรณ์มาตรฐานจะเป็น ARIMA ด้วย p, d, และ q โดยที่ค่าจำนวนเต็มแทนพารามิเตอร์เพื่อระบุประเภทของแบบจำลอง ARIMA ที่ใช้ พารามิเตอร์สามารถกำหนดเป็น:

• p : จำนวนการสังเกตความล่าช้าในตัวแบบ หรือที่เรียกว่าคำสั่งล่าช้า d : จำนวนครั้งที่การสังเกตแบบดิบแตกต่างกัน หรือที่เรียกว่าระดับของ differencing.q: ขนาดของหน้าต่างเฉลี่ยเคลื่อนที่; หรือที่เรียกว่าคำสั่งของค่าเฉลี่ยเคลื่อนที่

ในรูปแบบการถดถอยเชิงเส้นตัวอย่างเช่นจำนวนและชนิดของคำศัพท์ที่รวมอยู่ ค่า 0 ซึ่งสามารถใช้เป็นพารามิเตอร์ได้หมายความว่าส่วนประกอบเฉพาะไม่ควรใช้ในโมเดล ด้วยวิธีนี้แบบจำลอง ARIMA สามารถสร้างขึ้นเพื่อทำหน้าที่ของแบบจำลอง ARMA หรือแบบจำลอง AR, I หรือ MA แบบง่าย ๆ

Autoregressive Integrated Moving Average และเครื่องเขียนอัตโนมัติ

ในโมเดลค่าเฉลี่ยเคลื่อนที่เคลื่อนที่อัตโนมัติแบบผสมผสานข้อมูลจะแตกต่างกันเพื่อทำให้มันอยู่กับที่ รูปแบบที่แสดงให้เห็นถึงความคงที่คือรูปแบบที่แสดงว่ามีความมั่นคงของข้อมูลอยู่ตลอดเวลา ข้อมูลทางเศรษฐกิจและการตลาดส่วนใหญ่แสดงแนวโน้มดังนั้นจุดประสงค์ของความแตกต่างคือการลบแนวโน้มหรือโครงสร้างตามฤดูกาล

ฤดูกาลหรือเมื่อข้อมูลแสดงรูปแบบปกติและคาดการณ์ได้ที่ทำซ้ำในปีปฏิทินอาจส่งผลเสียต่อรูปแบบการถดถอย หากแนวโน้มปรากฏขึ้นและความชัดเจนไม่ชัดเจนการคำนวณจำนวนมากตลอดทั้งกระบวนการไม่สามารถทำได้อย่างมีประสิทธิภาพ