نماذج الانحدار الذاتي المتكامل للانحدار الذاتي

تحليل السلاسل الزمنية: تحليل سلسلة الوقت التمهيدي هو موضوع معقد، وباختصار، عندما نستخدم تقنياتنا المستعرضة المعتادة مثل الانحدار على بيانات السلاسل الزمنية، يمكن أن تظهر المتغيرات أكثر أهمية مما هي عليه حقا، ونحن لا نستفيد من المعلومات التي يوفرها الارتباط المتسلسل في البيانات. ما هي سلسلة الوقت العديد من مجموعات البيانات هي مستعرضة وتمثل شريحة واحدة من الوقت. ومع ذلك، لدينا أيضا البيانات التي تم جمعها على مدى فترات عديدة - بيانات المبيعات الأسبوعية، على سبيل المثال. هذا مثال على بيانات السلاسل الزمنية. تحليل السلاسل الزمنية هو فرع متخصص من الإحصاءات المستخدمة على نطاق واسع في مجالات مثل الاقتصاد القياسي وبحوث العمليات. لسوء الحظ، فإن معظم الباحثين التسويق وعلماء البيانات لا يزال لديهم التعرض قليلا لذلك. كما نرى، لديها العديد من التطبيقات الهامة جدا للمسوقين. فقط للحصول على شروطنا مباشرة، وفيما يلي مثال بسيط على ما يبدو ملف البيانات سلسلة زمنية مثل. العمود المسمى ديت هو متغير التاريخ ويتطابق مع معرف المستفتى في بيانات أبحاث المسح. ويك، وهو رقم تسلسل كل أسبوع، يتم تضمينه لأن استخدام هذا العمود بدلا من التواريخ الفعلية يمكن أن يجعل الرسوم البيانية أقل تشوش. ويمكن أيضا أن يكون رقم التتابع بمثابة متغير الاتجاه في أنواع معينة من نماذج السلاسل الزمنية. المبيعات هي عدد العبوات التي تباع في كل أسبوع. وأود أن أشير إلى أن وحدة التحليل لا يجب أن تكون علامات تجارية ويمكن أن تشمل المستهلكين الأفراد أو مجموعات من المستهلكين الذين يتبع سلوكهم مع مرور الوقت. ولكن أولا، لماذا نحتاج إلى التمييز بين تحليل المقطع العرضي والتحليل الزمني لعدة أسباب، أحدها هو أن أهدافنا البحثية ستكون عادة مختلفة. آخر هو أن معظم الأساليب الإحصائية التي نتعلمها في الكلية والاستفادة من البحوث التسويقية تهدف إلى بيانات مستعرضة، وإذا طبقنا على البيانات سلسلة زمنية النتائج التي نحصل عليها قد تكون مضللة. الوقت هو بعد في البيانات التي نحتاج إلى أن تأخذ بعين الاعتبار. تحليل السلاسل الزمنية هو موضوع معقد، وباختصار، عندما نستخدم تقنياتنا المستعرضة المعتادة مثل الانحدار على بيانات السلاسل الزمنية: الأخطاء القياسية يمكن أن تكون بعيدة. في كثير من الأحيان تكون قيم P صغيرة جدا ويمكن أن تظهر المتغيرات أكثر أهمية مما هي عليه في بعض الحالات. يمكن أن تكون معاملات الانحدار متحيزة بشكل خطير ونحن لا نستفيد من المعلومات التي يوفرها الارتباط المتسلسل في البيانات. وللرجوع إلى بيانات المثال، قد يكون أحد الأهداف هو توقع مبيعات علامتنا التجارية. هناك العديد من الطرق للقيام بذلك، والأكثر وضوحا هو تحليل متغير الأحجام، والذي نحن أساسا استقراء البيانات المستقبلية من البيانات الماضية. وهناك طريقتان شائعتان متفرغتان من المتسلسلة الزمنية هما التماسك الأسي (مثل هولت-وينترس) و أريما (المتوسط ​​المتحرك المتكامل للانحدار الذاتي). في المثال المبين في الشكل 1، تم استخدام سنة واحدة (52 أسبوعا) من بيانات المبيعات التاريخية للتنبؤ بالمبيعات ربع (12 أسبوعا) قدما مع نموذج أريما. ومن الواضح أن هناك مخاطر في افتراض أن المستقبل سيكون مثل الماضي، ولكن لحسن الحظ، يمكننا أيضا أن تشمل المتغيرات السببية (التنبؤ) للمساعدة في التخفيف من هذه المخاطر. ولكن إلى جانب تحسين دقة توقعاتنا، قد يكون هدف آخر هو فهم أي أنشطة التسويق تؤثر على المبيعات. وعادة ما تتضمن المتغيرات السببية بيانات مثل غربس والسعر، ويمكن أن تتضمن أيضا بيانات من استطلاعات المستهلكين أو متغيرات خارجية مثل الناتج المحلي الإجمالي. ويطلق على هذه الأنواع من التحليلات اسم "استجابة السوق" أو "مزيج المزيج التسويقي"، وهي عنصر أساسي في تحليل "العائد على الاستثمار التسويقي". ويمكن اعتبارها تحليلا رئيسيا للسائق للبيانات الزمنية. وغالبا ما تستخدم النتائج في المحاكاة في محاولة للعثور على مزيج التسويق الأمثل. نقل نماذج الوظائف. أرماكس والانحدار الديناميكي هي المصطلحات التي تشير إلى إجراءات الانحدار المتخصصة المتقدمة للبيانات سلسلة زمنية. هناك أساليب أكثر تطورا، بالإضافة إلى ذلك، ومسة سوء على عدد قليل في قليلا. سلسلة زمنية متعددة قد تحتاج إلى تحليل سلاسل زمنية متعددة في وقت واحد، على سبيل المثال. مبيعات العلامات التجارية الخاصة بك والمنافسين الرئيسيين. الشكل 2 أدناه هو مثال ويظهر بيانات المبيعات الأسبوعية لمدة ثلاث علامات تجارية على مدى سنة واحدة. وبما أن حركات مبيعات العلامات التجارية التي تتنافس مع بعضها البعض سوف ترتبط عادة بمرور الوقت، فإنه غالبا ما يكون من المنطقي، وأن تكون أكثر دقة من الناحية الإحصائية، لتشمل البيانات لجميع العلامات التجارية الرئيسية في نموذج واحد بدلا من تشغيل نماذج منفصلة لكل علامة تجارية. إن الانحدار التلقائي المتجه (فار)، ونموذج تصحيح الخطأ في المتجهات (فيسم)، والإطار العام العام للفضاء، هي ثلاثة نهج مستخدمة بشكل متكرر في تحليل سلاسل زمنية متعددة. يمكن تضمين البيانات السببية والاستجابة السوقمزيج مزيج التسويق التي أجريت. هناك العديد من الأساليب الإضافية ذات الصلة لبحوث التسويق وعلوم البيانات إيل وصف الآن لفترة وجيزة. نماذج لوحة تشمل المقاطع العرضية في تحليل سلسلة زمنية. فبيانات المبيعات والتسويق للعديد من العلامات التجارية، على سبيل المثال، يمكن أن تكون مكدسة فوق بعضها البعض وتحليلها في وقت واحد. تسمح نماذج النماذج بالتحليل على مستوى الفئة كما أنها تأتي في متناول اليدين عندما تكون البيانات غير متكررة (على سبيل المثال شهريا أو ربع سنوي). التحليل الطولي هو مصطلح عام و مربك في بعض الأحيان يمكن أن يشير إلى نمذجة لوحة مع عدد قليل من الفترات (لوحات قصيرة)، فضلا عن تدابير متكررة، تحليل منحنى النمو أو تحليل متعدد المستويات. بمعنی حرفي، یحتوي علی تحلیل السلاسل الزمنیة، ولکن العدید من السلطات تحتفظ بھذا المصطلح لتحلیل البیانات مع العدید من الفترات الزمنیة (علی سبیل المثال غ 25). النمذجة المعادلة الهيكلية (سيم) هي طريقة واحدة تستخدم على نطاق واسع في نمذجة منحنى النمو والتحليلات الطولية الأخرى. تحليل البقاء على قيد الحياة هو فرع من الإحصاءات لتحليل طول المتوقع من الوقت حتى حدث واحد أو أكثر يحدث مثل الموت في الكائنات الحية البيولوجية والفشل في النظم الميكانيكية. وتسمى أيضا تحليل المدة في الاقتصاد وتحليل تاريخ الحدث في علم الاجتماع. وغالبا ما تستخدم في تحليل العملاء زبد. في بعض الحالات لن يتناسب نموذج واحد مع سلسلة كاملة بسبب التغييرات الهيكلية داخل السلسلة، وسوف تختلف معلمات النموذج عبر الزمن. هناك العديد من اختبارات ونقاط التوقف (على سبيل المثال، فضاء الدولة، تبديل الانحدار) المتاحة لهذه الظروف. قد تلاحظ أيضا أن المبيعات، نشاط مركز الاتصال أو غيرها من سلسلة البيانات التي تتبع تتبع مجموعات من التقلب. أي أنه قد تكون هناك فترات تتحرك فيها الأرقام صعودا وهبوطا بطريقة أكثر تطرفا من الفترات الأخرى. الشكل 3 يعطي مثالا على هذا النوع من النمط. في هذه الحالات، يجب عليك أن تنظر في فئة من النماذج مع الاسم المحظور من غارتش (متغاير الانحدار الذاتي الشرطية متغايرة الشرطية). وقد تم تطوير نماذج أرش و غارتش في الأصل للأسواق المالية، ولكن يمكن استخدامها في أنواع أخرى من بيانات السلاسل الزمنية عندما يكون التقلب موضع اهتمام. التقلبات يمكن أن تقع في العديد من الأنماط، وبالتالي، هناك العديد من النكهات من نماذج غارتش. يمكن تضمين المتغيرات السببية. هناك أيضا ملحقات متعددة المتغيرات (مغارتش) إذا كان لديك سلسلة أو أكثر ترغب في تحليلها بشكل مشترك. غير القياسي القياسي القياسي هو نهج مختلف جدا لدراسة السلاسل الزمنية والبيانات الطولية التي تتلقى الآن الكثير من الاهتمام بسبب البيانات الكبيرة وقوة الحوسبة أكبر نتمتع الآن. هذه الطرق قابلة للتطبيق على نحو متزايد ومفيدة كبديل للطرق الأكثر دراية مثل تلك الموضحة في هذه المقالة. تعلم الآلات (مثل الشبكات العصبية الاصطناعية) مفيد أيضا في بعض الظروف ولكن يمكن أن يكون من الصعب تفسير النتائج - أنها تتنبأ بشكل جيد ولكن قد لا تساعدنا على فهم الآلية التي تم إنشاؤها للبيانات (لماذا). وإلى حد ما، ينطبق هذا العيب أيضا على التقنيات غير البارامترية. معظم الطرق إيف المذكورة هي تقنيات المجال الزمني. مجموعة أخرى من الطرق المعروفة باسم نطاق التردد. يلعب دورا أكثر محدودية في بحوث التسويق. لقد بالكاد خدش سطح مجموعة غنية ومتعددة الأوجه من التقنيات التي هي جديدة لمعظم الباحثين التسويق وعلماء البيانات، ولكن أهمية متزايدة لعملنا. للقراء الراغبين في معرفة المزيد عن هذه الأساليب، وهناك الآن دورات على الانترنت والعديد من الكتب التمهيدي ممتازة المتاحة، فضلا عن تلك التي تغطي مواضيع محددة في العمق. بيو: كيفين غراي هو رئيس كانون كانون. وهي علوم تسويقية واستشارات تحليلية. أصلي. (p، d، q) نماذج لتحليل السلاسل الزمنية في المجموعة السابقة من المقالات (الجزءان 1 و 2 و 3) ذهبنا إلى تفاصيل هامة حول أر (p)، ما (q ) و أرما (p، q) نماذج سلسلة الوقت الخطي. وقد استخدمنا هذه النماذج لتوليد مجموعات بيانات محاكية، ونماذج مجهزة لاستعادة المعلمات ثم طبقنا هذه النماذج على بيانات الأسهم المالية. في هذه المقالة سنناقش امتدادا لنموذج أرما، أي نموذج المتوسط ​​المتحرك المتكامل للانحدار الذاتي، أو نموذج أريما (p، d، q). وسوف نرى أنه من الضروري النظر في نموذج أريما عندما يكون لدينا سلسلة غير ثابتة. هذه السلسلة تحدث في وجود اتجاهات مؤشر ستوكاستيك. خلاصة سريعة والخطوات التالية حتى الآن قمنا بالنظر في النماذج التالية (الروابط سوف يأخذك إلى المواد المناسبة): لقد بنيت بشكل مطرد فهمنا من سلسلة زمنية مع مفاهيم مثل الترابط التسلسلي، ستراتاريتي، الخطي، بقايا، كوريلوغرامز، محاكاة، المناسب، الموسمية، غير متجانسة الشرطية واختبار الفرضية. وحتى الآن لم ننفذ أي تنبؤ أو التنبؤ من نماذج لدينا وحتى لم يكن لديك أي آلية لإنتاج نظام التداول أو منحنى الأسهم. وبمجرد دراستنا أريما (في هذه المقالة)، أرش و غارتش (في المقالات القادمة)، سنكون في وضع يمكنها من بناء استراتيجية التداول الأساسية طويلة الأجل على أساس التنبؤ بعائدات مؤشر سوق الأسهم. على الرغم من حقيقة أنني قد ذهبت إلى الكثير من التفاصيل حول النماذج التي نعلم أنها لن يكون في نهاية المطاف الأداء العظيم (أر، ما، أرما)، ونحن الآن على دراية جيدة في عملية النمذجة سلسلة زمنية. وهذا يعني أنه عندما نأتي لدراسة النماذج الأحدث (وحتى تلك الموجودة حاليا في الأدبيات البحثية)، سيكون لدينا قاعدة معرفة كبيرة يمكن رسمها، من أجل تقييم هذه النماذج بفعالية بدلا من معاملتها كمفتاح دوران وصفة طبية أو الصندوق الأسود. الأهم من ذلك، أنها سوف توفر لنا الثقة لتوسيع وتعديلها من تلقاء نفسها وفهم ما نقوم به عندما نفعل ذلك إد مثل أشكركم على التحلي بالصبر حتى الآن، كما قد يبدو أن هذه المواد هي بعيدة عن العمل الحقيقي للتداول الفعلي. ومع ذلك، البحوث التجارية الكمي صحيح هو دقيق، وقياس ويأخذ وقتا كبيرا للحصول على الحق. ليس هناك حل سريع أو الحصول على مخطط الأغنياء في التداول الكمي. كانت مستعدة تقريبا للنظر في نموذج التداول الأول، والذي سيكون خليط من أريما و غارتش، لذلك فمن الضروري أن نقضي بعض الوقت في فهم نموذج أريما جيدا بمجرد أن نبني نموذج التداول الأول لدينا، ونحن سوف تنظر في أكثر نماذج متقدمة مثل عمليات الذاكرة الطويلة، ونماذج فضاء الفضاء (أي مرشح كالمان) ونماذج الانتكاس الذاتي (فار)، والتي سوف تقودنا إلى استراتيجيات تداول أكثر تطورا. المتوسط ​​المتحرك المتكامل الانحدار الذاتي (أريما) نماذج النماذج p، d، q يتم استخدام نماذج أريما لأنها يمكن أن تقلل السلسلة غير الثابتة إلى سلسلة ثابتة باستخدام سلسلة من خطوات الاختلاف. يمكننا أن نتذكر من المادة على الضوضاء البيضاء والمشي العشوائي أنه إذا طبقنا عامل الاختلاف إلى سلسلة المشي العشوائي (سلسلة غير ثابتة) نحن نترك مع الضوضاء البيضاء (سلسلة ثابتة): بدء نابله شت شت - x وت (أريما) تؤدي هذه الوظيفة أساسا، ولكنها تفعل ذلك مرارا وتكرارا، د مرات، من أجل الحد من سلسلة غير ثابتة إلى واحدة ثابتة. ومن أجل التعامل مع أشكال أخرى من عدم الترابط خارج الاتجاهات العشوائية يمكن استخدام نماذج إضافية. ويمكن معالجة تأثيرات الموسمية (مثل تلك التي تحدث في أسعار السلع) مع نموذج أريما الموسمية (ساريما)، ولكننا لن نناقش ساريما كثيرا في هذه السلسلة. يمكن معالجة التأثيرات غير المتجانسة المشروطة (كما هو الحال مع تجميع التقلبات في مؤشرات الأسهم) مع أرشغارتش. في هذه المقالة سوف ننظر في سلسلة غير ثابتة مع اتجاهات مؤشر ستوكاستيك وتناسب نماذج أريما لهذه السلسلة. وسوف نصدر أخيرا توقعات لسلسلة المالية لدينا. التعريفات قبل تحديد عمليات أريما نحتاج إلى مناقشة مفهوم سلسلة متكاملة: سلسلة متكاملة من النظام د يتم دمج سلسلة زمنية من أجل د. I (d)، إف: بدء نابلاد شت وت نهاية هذا هو، إذا كنا الفرق سلسلة د مرات نتلقى سلسلة الضوضاء البيضاء منفصلة. بدلا من ذلك، باستخدام مشغل التحول المتخلف شرطا مكافئا هو: الآن بعد أن قمنا بتعريف سلسلة متكاملة يمكننا تعريف عملية أريما نفسها: الانحدار الانحداري المتكامل نموذج المتوسط ​​المتحرك للنظام p، d، q سلسلة زمنية هي نموذج الانحدار الذاتي المتكامل الانحدار الذاتي من الترتيب p، d، q. أريما (p، d، q). إذا كان نابلاد شت هو متوسط ​​متحرك الانحدار الذاتي لترتيب p، q، أرما (p، q). وهذا هو، إذا كانت سلسلة ديسنسد d مرات، ثم يتبع أرما (p، q) العملية، ثم هو أريما (p، d، q) سلسلة. إذا استخدمنا التدوين متعدد الحدود من الجزء 1 والجزء 2 من سلسلة أرما، يمكن كتابة عملية أريما (p، d، q) من حيث مشغل التحول المتخلف. : حيث wt هو سلسلة الضوضاء البيضاء منفصلة. وهناك بعض النقاط التي يجب أن نلاحظها بشأن هذه التعريفات. منذ يتم إعطاء المشي العشوائي من قبل شت x وت يمكن أن ينظر إليه أن (1) هو تمثيل آخر، منذ nabla1 شت وزن. إذا كنا نتوقع اتجاها غير خطي فإننا قد نتمكن من استخدام الاختلاف المتكرر (أي د غ 1) لتقليل سلسلة إلى الضوضاء البيضاء الثابتة. في R يمكننا استخدام الأمر ديف مع معلمات إضافية، على سبيل المثال. ديف (x، d3) لتنفيذ الاختلافات المتكررة. المحاكاة و كوريلوغرام و نموذج المناسب منذ قمنا بالفعل باستخدام الأمر arima. sim لمحاكاة عملية أرما (p، q)، فإن الإجراء التالي سوف تكون مماثلة لتلك التي نفذت في الجزء 3 من سلسلة أرما. الفرق الرئيسي هو أننا سنقوم الآن بتعيين d1، أي أننا سوف تنتج سلسلة زمنية غير ثابتة مع عنصر تتجه العشوائية. كما كان من قبل سوف تناسب نموذج أريما لبياناتنا محاكاة، ومحاولة لاسترداد المعلمات، وخلق فترات الثقة لهذه المعلمات، وإنتاج الرسم البياني لبقايا النموذج المجهزة، وأخيرا إجراء اختبار لجونغ بوكس ​​لتحديد ما إذا كان لدينا مناسبة جيدة. سنقوم بمحاكاة نموذج أريما (1،1،1)، مع معامل الانحدار الذاتي alpha0.6 ومعامل المتوسط ​​المتحرك بيتا-0.5. هنا هو رمز R لمحاكاة ومؤامرة مثل هذه السلسلة: الآن أن لدينا سلسلة محاكاة لدينا ونحن نذهب لمحاولة تناسب نموذج أريما (1،1،1) لذلك. ونظرا لأننا نعرف النظام سنقوم ببساطة بتحديده في صالح: يتم احتساب فترات الثقة على النحو التالي: كل من تقديرات المعلمة تقع ضمن فترات الثقة وقريبة من القيم المعلمة الحقيقية لسلسلة أريما محاكاة. وبالتالي، لا ينبغي لنا أن يفاجأ لرؤية البقايا تبدو وكأنها تحقيق الضوضاء البيضاء منفصلة: وأخيرا، يمكننا تشغيل اختبار يجونغ بوكس ​​لتقديم أدلة إحصائية على تناسب جيد: يمكننا أن نرى أن قيمة P أكبر بكثير من 0.05 وعلى هذا النحو يمكننا أن نذكر أن هناك أدلة قوية لضوضاء بيضاء منفصلة كونها مناسبة لبقايا. وبالتالي، فإن نموذج أريما (1،1،1) هو مناسبا، كما هو متوقع. البيانات المالية والتنبؤ في هذا القسم سنقوم بتكييف نماذج أريما لأمازون، وشركة (أمزن) ومؤشر الأسهم الأمريكية SampP500 (غسك، في ياهو المالية). وسوف نستفيد من مكتبة التوقعات، التي كتبها روب J هيندمان. دعونا المضي قدما وتثبيت المكتبة في R: الآن يمكننا استخدام كوانتمود لتحميل سلسلة الأسعار اليومية من الأمازون من بداية عام 2013. وبما أننا سوف اتخذت بالفعل الاختلافات النظام من الدرجة الأولى، و أريما صالح نفذت قريبا لا تتطلب d غ 0 للمكون المتكامل: كما هو الحال في الجزء 3 من سلسلة أرما، ونحن الآن ذاهب إلى حلقة من خلال مجموعات من p و d و q، للعثور على نموذج أريما (p، d، q) الأمثل. من خلال الأمثل نعني الجمع بين النظام الذي يقلل من معيار المعلومات أكيك (إيك): يمكننا أن نرى أن تم اختيار أمر P4، d0، q4. على وجه الخصوص d0، كما سبق لنا أن اتخذت أولا الفروق ترتيب أعلاه: إذا كنا مؤامرة الرسم البياني من بقايا يمكننا أن نرى إذا كان لدينا دليل لسلسلة الضوضاء البيضاء منفصلة: هناك قممان هامة، وهي في K15 و K21، على الرغم من أننا يجب نتوقع أن نرى قمم ذات دلالة إحصائية ببساطة بسبب اختلاف العينات 5 من الوقت. يتيح إجراء اختبار لجونغ بوكس ​​(انظر المقالة السابقة) ومعرفة ما إذا كان لدينا دليل على تناسب جيد: كما يمكننا أن نرى قيمة P أكبر من 0.05 وهكذا لدينا أدلة على تناسب جيد في مستوى 95. يمكننا الآن استخدام أمر التنبؤ من مكتبة التوقعات من أجل التنبؤ قبل 25 يوما لسلسلة عودة الأمازون: يمكننا أن نرى توقعات نقطة لل 25 يوما القادمة مع 95 (الأزرق الداكن) و 99 (الضوء الأزرق) العصابات الخطأ . وسوف نستخدم هذه التوقعات في أول استراتيجية تداول سلسلة زمنية لدينا عندما نأتي إلى الجمع بين أريما و غارتش. يتيح تنفيذ نفس الإجراء ل SampP500. أولا نحصل على البيانات من كوانتمود وتحويلها إلى سجل عودة اليومية تيار: نحن تناسب نموذج أريما من خلال حلقات على قيم p، d و q: إيك يخبرنا أن أفضل نموذج هو أريما (2،0، 1) نموذج. لاحظ مرة أخرى أن d0، ونحن قد اتخذت بالفعل الفروق من الدرجة الأولى من سلسلة: يمكننا رسم بقايا النموذج المجهزة لمعرفة ما إذا كان لدينا دليل على الضوضاء البيضاء منفصلة: و كوريلوغرام تبدو واعدة، وبالتالي فإن الخطوة التالية هي لتشغيل اختبار يجونغ بوكس ​​وتأكيد أن لدينا نموذج جيد يصلح: منذ قيمة P أكبر من 0.05 لدينا دليل على نموذج صالح جيدة. لماذا هو أنه في المقالة السابقة لدينا اختبار لجونغ بوكس ​​ل SampP500 أظهرت أن أرما (3،3) كان مناسبا لتراجع سجل اليومية لاحظ أن أنا عمدا اقتطاع البيانات SampP500 لبدء من عام 2013 فصاعدا في هذه المقالة ، الذي يستبعد بشكل ملائم الفترات المتقلبة في الفترة 2007-2008. وبالتالي قمنا باستبعاد جزء كبير من SampP500 حيث كان لدينا مجموعة التقلب المفرط. وهذا يؤثر على الترابط المتسلسل للسلسلة، ومن ثم فإن تأثيره يجعل السلسلة تبدو أكثر استقرارا مما كانت عليه في الماضي. هذه نقطة مهمة جدا. عند تحليل السلاسل الزمنية نحن بحاجة إلى أن نكون حذرين للغاية من سلسلة هيتيروسوسداستيك مشروط، مثل مؤشرات سوق الأسهم. في التمويل الكمي، غالبا ما يعرف محاولة تحديد فترات التقلب المختلفة ككشف النظام. انها واحدة من المهام الأصعب لتحقيق حسنا مناقشة هذه النقطة مطولا في المادة القادمة عندما نأتي للنظر في نماذج أرش و غارتش. يتيح الآن مؤامرة توقعات لمدة 25 يوما القادمة من عودة سجل SampP500 اليومية: الآن أن لدينا القدرة على تناسب وتوقع نماذج مثل أريما، كانت قريبة جدا من أن تكون قادرة على خلق مؤشرات استراتيجية للتداول. الخطوات التالية في المقالة التالية سوف نلقي نظرة على نموذج التباين الشرطي المتغاير الانضباطي (غارتش) المعمم واستخدامه لشرح المزيد من الارتباط المتسلسل في بعض مؤشرات الأسهم والأسهم. وبمجرد أن نناقش غارتش سنكون في وضع يمكنها من الجمع بينه وبين نموذج أريما وخلق مؤشرات إشارة وبالتالي استراتيجية التداول الكمي الأساسية. انقر أدناه لمعرفة المزيد حول. المعلومات الواردة في هذا الموقع هو رأي المؤلفين الفرديين بناء على ملاحظاتهم الشخصية وبحوثهم وسنوات الخبرة. الناشر ومؤلفيه ليست مسجلة مستشارين الاستثمار، والمحامين، كباس أو غيرها من المهنيين الخدمات المالية ولا تقدم القانونية والضريبية والمحاسبية، وتقديم المشورة الاستثمارية أو غيرها من الخدمات المهنية. المعلومات التي يقدمها هذا الموقع هو التعليم العام فقط. ولأن كل حالة من الحالات الواقعية تختلف عن ذلك، ينبغي للقارئ أن يلتمس مستشاره الشخصي. لا يتحمل المؤلف أو الناشر أي مسؤولية أو مسؤولية عن أي أخطاء أو سهو، ولا يتحمل أي مسؤولية أو مسؤولية تجاه أي شخص أو كيان فيما يتعلق بالأضرار التي يتسبب فيها أو يزعم أنها ناجمة بشكل مباشر أو غير مباشر عن المعلومات الواردة في هذا الموقع. استخدام على مسؤوليتك الخاصة. بالإضافة إلى ذلك، قد يتلقى هذا الموقع تعويضا ماليا من الشركات المذكورة من خلال الإعلانات، والبرامج التابعة لها أو غير ذلك. تتغير الأسعار والعروض المقدمة من المعلنين الذين يظهرون على هذا الموقع بشكل متكرر، وأحيانا دون إشعار. في حين أننا نسعى جاهدين للحفاظ على المعلومات في الوقت المناسب ودقيقة، قد تكون تفاصيل العرض قديمة. ولذلك ينبغي للزائرين التحقق من شروط أي من هذه العروض قبل المشاركة فيها. يتحمل المؤلف وناشره المسؤولية عن تحديث المعلومات وإخلاء المسؤولية عن محتوى الطرف الثالث ومنتجاته وخدماته بما في ذلك عند الوصول إليه من خلال الارتباطات التشعبية والإعلانات على هذا الموقع (مهملة) التنبؤ - الانحدار الذاتي المتوسط ​​المتحرك المتكامل (أريما) إن ميكروسوفت داتاماركيت هو ويجري تقاعده وقد تم إهمال واجهة برمجة التطبيقات هذه. وتنفذ هذه الخدمة المتوسط ​​المتحرك المتكامل للانحدار الذاتي (أريما) لإنتاج التنبؤات استنادا إلى البيانات التاريخية المقدمة من قبل المستخدم. هل الطلب على منتج معين زيادة هذا العام يمكن أن أتوقع مبيعات المنتجات بلدي لموسم عيد الميلاد، حتى أستطيع أن تخطط بفعالية بلدي المخزون نماذج التنبؤ هي عرضة لمعالجة مثل هذه الأسئلة. وبالنظر إلى البيانات السابقة، فإن هذه النماذج تدرس الاتجاهات المخفية والموسمية للتنبؤ بالاتجاهات المستقبلية. محاولة أزور آلة التعلم مجانا لا بطاقة الائتمان أو أزور الاشتراك المطلوبة. ابدأ الآن غ يمكن استخدام خدمة الويب هذه من قبل المستخدمين المحتملين من خلال تطبيق جوال أو من خلال موقع ويب أو حتى على جهاز كمبيوتر محلي، على سبيل المثال. ولكن الغرض من خدمة الويب هو أيضا ليكون بمثابة مثال على كيفية أزور آلة التعلم يمكن استخدامها لإنشاء خدمات الويب على رأس رمز R. مع بضعة أسطر فقط من رمز R والنقرات على زر داخل أزور آلة التعلم استوديو، يمكن إنشاء تجربة مع رمز R ونشرها كخدمة ويب. ويمكن بعد ذلك نشر خدمة الويب إلى أزور ماركتبليس وتستهلك من قبل المستخدمين والأجهزة في جميع أنحاء العالم مع أي إعداد البنية التحتية من قبل مؤلف خدمة الويب. استهلاك خدمة الويب تقبل هذه الخدمة 4 وسيطات وتحسب توقعات أريما. وسيطات الإدخال هي: التردد - يشير إلى وتيرة البيانات الخام (دايليويكليمونثليكوارتيرليارلي). الأفق - توقعات المستقبل الإطار الزمني. التاريخ - إضافة في البيانات سلسلة زمنية جديدة للوقت. القيمة - أضف قيم بيانات السلاسل الزمنية الجديدة. ويتمثل ناتج الخدمة في قيم التنبؤ المحسوبة. إدخال عينة يمكن أن يكون: التردد - 12 الأفق - 12 التاريخ - 115201221520123152012415201251520126152012715201281520129152012101520121115201212152012 115201321520133152013415201351520136152013715201381520139152013101520131115201312152013 115201421520143152014415201451520146152014715201481520149152014 القيمة - 3.4793.683.8323.9413.7973.5863.5083.7313.9153.8443.6343.5493.5573.7853.7823.6013.5443.5563.653.7093.6823.511 3.4293.513.5233.5253.6263.6953.7113.7113.6933 .5713.509 هذه الخدمة، كما تمت استضافتها في أزور ماركتبليس، هي خدمة أوداتا قد يتم استدعاؤها من خلال طرق بوست أو جيت. هناك طرق متعددة لاستهلاك الخدمة بطريقة تلقائية (مثال التطبيق هنا). بدء كود C لاستهلاك خدمة الويب: إنشاء خدمة ويب تم إنشاء خدمة الويب هذه باستخدام أزور ماشين ليارنينغ. للحصول على نسخة تجريبية مجانية، بالإضافة إلى مقاطع فيديو تمهيدية حول إنشاء التجارب ونشر خدمات الويب. يرجى الاطلاع أزوريمل. في ما يلي لقطة شاشة للتجربة التي أنشأت خدمة الويب ورمز المثال لكل وحدة من الوحدات داخل التجربة. من داخل أزور ماشين ليارنينغ، تم إنشاء تجربة فارغة جديدة. تم تحميل بيانات إدخال العينة باستخدام مخطط بيانات محدد مسبقا. ويرتبط مخطط البيانات وحدة نمطية تنفيذ R سكريبت، الذي يولد نموذج التنبؤ أريما باستخدام وظائف auto. arima والتنبؤ من R. تدفق التجربة: القيود هذا هو مثال بسيط جدا للتنبؤ أريما. كما يمكن أن يرى من المثال المثال أعلاه، لم يتم تنفيذ أي خطأ في الصيد، وتفترض الخدمة أن جميع المتغيرات هي القيم المستمرة، وينبغي أن يكون عدد صحيح أكبر من 1. يجب أن يكون طول التاريخ وناقلات القيمة هي نفسها . يجب أن يتقيد متغير التاريخ بتنسيق مدييي. للأسئلة الشائعة حول استهلاك خدمة الويب أو النشر إلى السوق، انظر هنا.