Model Autoregressive Integrated Moving Average (ARIMA) menggunakan data siri masa dan analisis statistik untuk mentafsirkan data dan membuat ramalan masa depan. Model ARIMA bertujuan untuk menjelaskan data dengan menggunakan data siri masa pada nilai masa lalu dan menggunakan regresi linear Regresi Linear Berganda Regresi linear merujuk kepada teknik statistik yang digunakan untuk meramalkan hasil pemboleh ubah bersandar berdasarkan nilai pemboleh ubah bebas untuk membuat ramalan .
Memahami Model ARIMA
Akronim deskriptif berikut menerangkan maksud setiap komponen utama model ARIMA:
- " AR " dalam ARIMA adalah singkatan dari autoregresi , yang menunjukkan bahawa model menggunakan hubungan yang bergantung antara data semasa dan nilai masa lalu. Dengan kata lain, ini menunjukkan bahawa data mundur pada nilai masa lalu.
- “ I ” bermaksud terpadu , yang artinya data tidak bergerak. Data pegun merujuk kepada data siri masa yang telah dibuat "pegun" dengan mengurangkan pengamatan dari nilai sebelumnya.
- " MA " adalah singkatan dari model rata-rata bergerak, menunjukkan bahawa ramalan atau hasil model bergantung secara linear pada nilai masa lalu. Juga, ini bermaksud bahawa kesalahan dalam ramalan adalah fungsi linear dari kesalahan masa lalu. Perhatikan bahawa model purata bergerak berbeza dengan purata bergerak statistik.
Setiap komponen AR, I, dan MA dimasukkan ke dalam model sebagai parameter Parameter Parameter A adalah komponen analisis statistik yang berguna. Ia merujuk kepada ciri-ciri yang digunakan untuk menentukan populasi tertentu. Ia digunakan untuk. Parameter diberikan nilai integer tertentu yang menunjukkan jenis model ARIMA. Notasi umum untuk parameter ARIMA ditunjukkan dan dijelaskan di bawah:
ARIMA ( p, d, q )
- Parameter p adalah bilangan istilah autoregresif atau jumlah "pemerhatian ketinggalan." Ini juga disebut "urutan lag" dan itu menentukan hasil model dengan memberikan titik data tertinggal.
- Parameter d dikenali sebagai tahap pembezaan. ini menunjukkan berapa kali indikator tertinggal dikurangkan untuk menjadikan data tidak bergerak.
- Parameter q adalah jumlah kesalahan ramalan dalam model dan juga disebut sebagai ukuran tetingkap rata-rata bergerak.
Parameter mengambil nilai bilangan bulat dan mesti ditentukan agar model berfungsi. Mereka juga dapat mengambil nilai 0, menyiratkan bahawa mereka tidak akan digunakan dalam model. Dengan cara sedemikian, model ARIMA dapat diubah menjadi:
- Model ARMA (tanpa data pegun, d = 0 )
- Model AR (tiada purata atau data bergerak, hanya autoregression nilai-nilai sejarah, bergerak d = 0, q = 0 )
- Model MA (model purata bergerak tanpa autorgresi atau data pegun, p = 0, d = 0)
Oleh itu, model ARIMA boleh didefinisikan sebagai:
- ARIMA (1, 0, 0) - dikenali sebagai model autoregresif pesanan pertama
- ARIMA (0, 1, 0) - dikenali sebagai model jalan rawak
- ARIMA (1, 1, 0) - dikenali sebagai model autoregresif pesanan pertama yang berbeza , dan sebagainya.
Setelah parameter ( p, d, q ) telah ditentukan, model ARIMA bertujuan untuk menganggar pekali α dan θ , yang merupakan hasil penggunaan titik data sebelumnya untuk meramalkan nilai.
Aplikasi Model ARIMA
Dalam perniagaan dan kewangan, model ARIMA dapat digunakan untuk meramalkan jumlah masa depan (atau bahkan harga) berdasarkan data sejarah. Oleh itu, agar model boleh dipercayai, data mesti dipercayai dan mesti menunjukkan jangka masa yang agak lama di mana ia dikumpulkan. Beberapa aplikasi model ARIMA dalam perniagaan disenaraikan di bawah:
- Meramalkan kuantiti barang yang diperlukan untuk jangka masa seterusnya berdasarkan data sejarah.
- Meramalkan penjualan dan menafsirkan perubahan musim dalam penjualan
- Menganggar kesan peristiwa pemasaran Model AIDA Model AIDA, yang bermaksud model Perhatian, Minat, Keinginan, dan Tindakan, adalah model kesan iklan yang mengenal pasti tahap-tahap yang dilancarkan oleh seseorang, produk baru, dan sebagainya.
Model ARIMA dapat dibuat dalam analisis data dan perisian sains data seperti R dan Python.
Batasan Model ARIMA
Walaupun model ARIMA sangat tepat dan boleh dipercayai dalam keadaan dan ketersediaan data yang sesuai, salah satu batasan utama model adalah bahawa parameter ( p, d, q ) perlu ditentukan secara manual; oleh itu, mencari kesesuaian yang paling tepat boleh menjadi proses percubaan dan ralat yang panjang.
Begitu juga, model sangat bergantung pada kebolehpercayaan data sejarah dan perbezaan data. Penting untuk memastikan bahawa data dikumpulkan dengan tepat dan dalam jangka masa yang panjang agar model memberikan hasil dan ramalan yang tepat.
Ringkasan
Model ARIMA menggunakan analisis statistik dalam kombinasi dengan titik data sejarah yang dikumpulkan dengan tepat untuk meramalkan trend masa depan dan keperluan perniagaan. Untuk perniagaan, ia dapat digunakan untuk memprediksi perubahan musim dalam penjualan, meramalkan persediaan yang diperlukan untuk kitaran penjualan berikutnya, dan memperkirakan kesan peristiwa dan pelancaran produk baru.
Model ARIMA biasanya dilambangkan dengan parameter ( p, d, q ), yang dapat diberikan nilai yang berbeda untuk mengubah model dan menerapkannya dengan cara yang berbeda. Beberapa batasan model adalah ketergantungannya pada pengumpulan data dan proses percubaan-dan-kesalahan manual yang diperlukan untuk menentukan nilai parameter yang paling sesuai.
Lebih Banyak Sumber
Kewangan menawarkan perakuan Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ The Certified Banking & Credit Analyst (CBCA) ™ akreditasi adalah standard global untuk penganalisis kredit yang merangkumi kewangan, perakaunan, analisis kredit, analisis aliran tunai, pemodelan perjanjian, pinjaman pembayaran balik, dan lain-lain. program pensijilan bagi mereka yang ingin mengambil kerjaya ke peringkat seterusnya. Untuk terus belajar dan memajukan kerjaya anda, sumber berikut akan sangat berguna:
- Beta yang Diselaraskan Beta yang Diselaraskan Beta cenderung untuk menganggar beta masa depan keselamatan. Ini adalah beta bersejarah yang disesuaikan untuk mencerminkan kecenderungan beta menjadi pemalas - CAPM
- Ralat Bukan Pensampelan Ralat Bukan Pensampelan Ralat bukan pensampelan merujuk kepada ralat yang timbul dari hasil pengumpulan data, yang menyebabkan data berbeza dari nilai sebenarnya. Ia berbeza
- Purata Pergerakan Sederhana (SMA) Purata Pergerakan Sederhana (SMA) Purata Pergerakan Sederhana (SMA) merujuk kepada harga tutup purata stok dalam jangka masa yang ditentukan. Sebab rata-rata disebut "bergerak" adalah bahawa stok
- Analisis Data Siri Masa Analisis Data Siri Masa Analisis data siri masa adalah analisis set data yang berubah dalam jangka masa tertentu. Set data siri masa mencatat pemerhatian pemboleh ubah yang sama sepanjang pelbagai titik masa. Penganalisis kewangan menggunakan data siri masa seperti pergerakan harga saham, atau penjualan syarikat dari masa ke masa
