Het Autoregressive Integrated Moving Average (ARIMA) -model gebruikt tijdreeksgegevens en statistische analyse om de gegevens te interpreteren en toekomstige voorspellingen te doen. Het ARIMA-model is bedoeld om gegevens te verklaren door gebruik te maken van tijdreeksgegevens over eerdere waarden en maakt gebruik van lineaire regressie Meervoudige lineaire regressie Meervoudige lineaire regressie verwijst naar een statistische techniek die wordt gebruikt om de uitkomst van een afhankelijke variabele te voorspellen op basis van de waarde van onafhankelijke variabelen om voorspellingen te doen .
Inzicht in het ARIMA-model
Het volgende beschrijvende acroniem verklaart de betekenis van elk van de belangrijkste componenten van het ARIMA-model:
- De " AR " in ARIMA staat voor autoregressie , wat aangeeft dat het model de afhankelijke relatie gebruikt tussen huidige gegevens en eerdere waarden. Met andere woorden, het laat zien dat de gegevens worden teruggebracht op de waarden uit het verleden.
- De " I " staat voor geïntegreerd , wat betekent dat de gegevens stationair zijn. Stationaire gegevens verwijzen naar tijdreeksgegevens die "stationair" zijn gemaakt door de waarnemingen af te trekken van de vorige waarden.
- De " MA " staat voor moving average model, wat aangeeft dat de voorspelling of uitkomst van het model lineair afhangt van de waarden uit het verleden. Het betekent ook dat de fouten in prognoses lineaire functies zijn van fouten uit het verleden. Merk op dat de voortschrijdend-gemiddelde-modellen verschillen van statistische voortschrijdende gemiddelden.
Elk van de AR-, I- en MA-componenten is in het model opgenomen als een parameter. Parameter Een parameter is een nuttig onderdeel van statistische analyse. Het verwijst naar de kenmerken die worden gebruikt om een bepaalde populatie te definiëren. Het is gewend. De parameters krijgen specifieke integerwaarden toegewezen die het type ARIMA-model aangeven. Een algemene notatie voor de ARIMA-parameters wordt hieronder weergegeven en uitgelegd:
ARIMA ( p, d, q )
- De parameter p is het aantal autoregressieve termen of het aantal 'vertragingswaarnemingen'. Het wordt ook wel de "lag-order" genoemd en het bepaalt de uitkomst van het model door vertraagde datapunten te leveren.
- De parameter d staat bekend als de mate van differentiëren. het geeft aan hoe vaak de vertraagde indicatoren zijn afgetrokken om de gegevens stationair te maken.
- De parameter q is het aantal voorspellingsfouten in het model en wordt ook wel de grootte van het voortschrijdend-gemiddelde-venster genoemd.
De parameters hebben de waarde van gehele getallen en moeten worden gedefinieerd om het model te laten werken. Ze kunnen ook de waarde 0 hebben, wat inhoudt dat ze niet in het model zullen worden gebruikt. Op deze manier kan het ARIMA-model worden omgezet in:
- ARMA-model (geen stationaire gegevens, d = 0 )
- AR-model (geen voortschrijdende gemiddelden of stationaire gegevens, alleen een autoregressie op eerdere waarden, d = 0, q = 0 )
- MA-model (een voortschrijdend-gemiddelde-model zonder autoregressie of stationaire gegevens, p = 0, d = 0)
Daarom kunnen ARIMA-modellen worden gedefinieerd als:
- ARIMA (1, 0, 0) - bekend als het autoregressieve model van de eerste orde
- ARIMA (0, 1, 0) - bekend als het random walk-model
- ARIMA (1, 1, 0) - bekend als het gedifferentieerde eerste-orde autoregressieve model , enzovoort.
Zodra de parameters ( p, d, q ) zijn gedefinieerd, beoogt het ARIMA-model de coëfficiënten α en θ te schatten , wat het resultaat is van het gebruik van eerdere gegevenspunten om waarden te voorspellen.
Toepassingen van het ARIMA-model
In het bedrijfsleven en de financiële wereld kan het ARIMA-model worden gebruikt om toekomstige hoeveelheden (of zelfs prijzen) te voorspellen op basis van historische gegevens. Om het model betrouwbaar te laten zijn, moeten de gegevens daarom betrouwbaar zijn en een relatief lange tijdspanne laten zien waarover ze zijn verzameld. Enkele van de toepassingen van het ARIMA-model in het bedrijfsleven worden hieronder vermeld:
- Het voorspellen van de hoeveelheid van een goed die nodig is voor de volgende periode op basis van historische gegevens.
- Omzet voorspellen en seizoensveranderingen in de verkoop interpreteren
- De impact van marketingevenementen schatten AIDA-model Het AIDA-model, dat staat voor Attention, Interest, Desire, and Action-model, is een advertentie-effectmodel dat de fasen identificeert waarin een individu een nieuw product lanceert, enzovoort.
ARIMA-modellen kunnen worden gemaakt in data-analyse en data science-software zoals R en Python.
Beperkingen van het ARIMA-model
Hoewel ARIMA-modellen zeer nauwkeurig en betrouwbaar kunnen zijn onder de juiste omstandigheden en beschikbaarheid van gegevens, is een van de belangrijkste beperkingen van het model dat de parameters ( p, d, q ) handmatig moeten worden gedefinieerd; daarom kan het vinden van de meest nauwkeurige pasvorm een langdurig proces van vallen en opstaan zijn.
Evenzo is het model sterk afhankelijk van de betrouwbaarheid van historische gegevens en het verschil in gegevens. Het is belangrijk om ervoor te zorgen dat gegevens nauwkeurig en gedurende een lange periode zijn verzameld, zodat het model nauwkeurige resultaten en voorspellingen oplevert.
Overzicht
Het ARIMA-model gebruikt statistische analyses in combinatie met nauwkeurig verzamelde historische gegevenspunten om toekomstige trends en zakelijke behoeften te voorspellen. Voor bedrijven kan het worden gebruikt om seizoensveranderingen in de verkoop te voorspellen, de voorraad te voorspellen die nodig is voor de volgende verkoopcyclus en de impact van evenementen en nieuwe productlanceringen te schatten.
Het ARIMA-model wordt typisch aangeduid met de parameters ( p, d, q ), waaraan verschillende waarden kunnen worden toegekend om het model te wijzigen en op verschillende manieren toe te passen. Enkele van de beperkingen van het model zijn de afhankelijkheid van gegevensverzameling en het handmatige trial-and-error-proces dat nodig is om de parameterwaarden te bepalen die het beste passen.
Meer middelen
Finance biedt de Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ -certificering De Certified Banking & Credit Analyst (CBCA) ™ -accreditatie is een wereldwijde standaard voor kredietanalisten die betrekking heeft op financiën, boekhouding, kredietanalyse, cashflowanalyse, convenantmodellering, lening terugbetalingen, en meer. certificeringsprogramma voor diegenen die hun carrière naar een hoger niveau willen tillen. Om te blijven leren en uw carrière vooruit te helpen, zijn de volgende bronnen nuttig:
- Aangepaste bèta Aangepaste bèta Aangepaste bèta geeft een schatting van de toekomstige bèta van een beveiliging. Het is een historische bèta die is aangepast om de neiging van bèta om het gemiddelde terug te draaien weer te geven - de CAPM's
- Niet-bemonsteringsfout Niet-bemonsteringsfout Niet-bemonsteringsfout verwijst naar een fout die voortkomt uit het resultaat van gegevensverzameling, waardoor de gegevens verschillen van de werkelijke waarden. Het is anders
- Simple Moving Average (SMA) Simple Moving Average (SMA) Simple Moving Average (SMA) verwijst naar de gemiddelde slotkoers van een aandeel over een bepaalde periode. De reden dat het gemiddelde "bewegend" wordt genoemd, is dat de voorraad
- Tijdreeksgegevensanalyse Tijdreeksgegevensanalyse Tijdreeksgegevensanalyse is de analyse van gegevenssets die in de loop van de tijd veranderen. Tijdreeksdatasets registreren waarnemingen van dezelfde variabele over verschillende tijdstippen. Financiële analisten gebruiken tijdreeksgegevens zoals koersbewegingen van aandelen of de verkopen van een bedrijf in de loop van de tijd
