تعريف نموذج المتوسط المتحرك للانحدار الذاتي

معدل التحرك الانحداري للإنحدار الذاتي أرما (p، q) نماذج تحليل السلاسل الزمنية - الجزء 3 هذه هي الوظيفة الثالثة والنهائية في السلسلة المصغرة على نماذج متوسط ​​الانحدار التلقائي (أرما) لتحليل السلاسل الزمنية. قدمنا ​​نماذج الانحدار الذاتي ونماذج المتوسط ​​المتحرك في المقالات السابقة. الآن حان الوقت للجمع بينهما لإنتاج نموذج أكثر تطورا. في نهاية المطاف هذا سوف يقودنا إلى نماذج أريما و غارتش التي من شأنها أن تسمح لنا للتنبؤ عائدات الأصول وتوقع التقلبات. وستشكل هذه النماذج أساس إشارات التداول وتقنيات إدارة المخاطر. إذا كنت قد قرأت الجزء 1 والجزء 2 كنت قد رأيت أننا نميل إلى اتباع نمط لتحليلنا من نموذج سلسلة زمنية. سوء تكرار ذلك باختصار هنا: المبررات - لماذا نحن مهتمون في هذا النموذج معين تعريف - تعريف رياضي للحد من الغموض. كوريلوغرام - رسم عينة الرسم البياني لتصور سلوك النماذج. المحاكاة والمناسب - تركيب نموذج للمحاكاة، من أجل ضمان فهمنا النموذج بشكل صحيح. البيانات المالية الحقيقية - تطبيق نموذج لأسعار الأصول التاريخية الحقيقية. التنبؤ - توقعات القيم اللاحقة لبناء إشارات التداول أو الفلاتر. من أجل متابعة هذه المقالة فإنه من المستحسن أن نلقي نظرة على المواد السابقة على تحليل السلاسل الزمنية. ويمكن العثور عليها جميعا هنا. معيار معلومات بايزي في الجزء 1 من هذه المقالة سلسلة نظرنا في معيار المعلومات أكايك (إيك) كوسيلة لمساعدتنا على الاختيار بين أفضل نماذج أفضل سلسلة زمنية. وهناك أداة وثيقة الصلة هي معيار معلومات بايزي (بيك). أساسا لها سلوك مماثل ل إيك في أنه يعاقب نماذج وجود الكثير من المعلمات. وهذا قد يؤدي إلى الإفراط في الإمداد. والفرق بين بيك و إيك هو أن بيك أكثر صرامة مع فرض عقوبات إضافية على المعلمات. معيار معلومات بايزي إذا أخذنا وظيفة الاحتمال لنموذج إحصائي، الذي يحتوي على معلمات k، و L يزيد من احتمال. ثم يعطى معيار معلومات بايزي من قبل: حيث n هو عدد نقاط البيانات في السلاسل الزمنية. سنستخدم إيك و بيك أدناه عند اختيار نماذج أرما المناسبة (p، q). لتجونغ بوكس ​​بوكس ​​في الجزء 1 من هذه المقالة سلسلة راجان المذكورة في تعليقات ديسكوس أن اختبار لجونغ بوكس ​​كان أكثر ملاءمة من استخدام معيار المعلومات أكايك لمعيار المعلومات بايزي في تقرير ما إذا كان نموذج أرما كان مناسبا لوقت سلسلة. اختبار يجونغ بوكس ​​هو اختبار الفرضية الكلاسيكية التي تم تصميمها لاختبار ما إذا كانت مجموعة من أوتوكوريلاتيونس من نموذج سلسلة زمنية مجهزة تختلف اختلافا كبيرا عن الصفر. الاختبار لا يختبر كل تأخر الفردية عن العشوائية، وإنما اختبار العشوائية على مجموعة من التأخر. يجونغ-بوكس تيست نحدد الفرضية الفارغة على النحو التالي: إن بيانات السلاسل الزمنية عند كل تأخر هي i. i.d .. أي أن الارتباطات بين قيم السلسلة السكانية هي صفر. نحدد الفرضية البديلة على النحو التالي: إن بيانات السلاسل الزمنية ليست i. i.d. وتمتلك ارتباطا مسلسليا. نحسب إحصائية الاختبار التالية. س: حيث n هو طول عينة السلاسل الزمنية، فإن القبعة k هي الترابط الذاتي للعينة عند التأخر k و h هو عدد التأخيرات تحت الاختبار. وقاعدة القرار فيما يتعلق برفض الفرضية الصفرية هي التحقق مما إذا كانت Q غ تشي ch2، لتوزيع مربعات تشي مع h درجة من الحرية عند 100 (1 ألفا) من النسبة المئوية. في حين أن تفاصيل الاختبار قد تبدو معقدة قليلا، يمكننا في الواقع استخدام R لحساب الاختبار بالنسبة لنا، وتبسيط الإجراء إلى حد ما. المتوسط ​​المتحرك المتحرك التلقائي (أرما) نماذج النظام p، q الآن بعد أن ناقشنا اختبار بيك واختبار بوكس، كنا مستعدين لمناقشة نموذجنا المختلط الأول، وهو المتوسط ​​المتحرك للانحدار الذاتي للترتيب p أو q أو أرما (p، ف). وقد نظرنا حتى الآن في عمليات الانحدار الذاتي والمتوسط ​​المتحرك. ويعتبر النموذج السابق سلوكه السابق كمدخلات للنموذج، وبهذه المحاولات للقبض على آثار المشاركين في السوق، مثل الزخم ومتوسط ​​الانتعاش في تداول الأسهم. يستخدم هذا النموذج الأخير لتوصيف معلومات الصدمة لسلسلة، مثل إعلان مفاجئ للأرباح أو حدث غير متوقع (مثل انسكاب النفط بب ديبواتر هوريزون). وبالتالي، يحاول نموذج أرما التقاط كل من هذه الجوانب عند نمذجة السلاسل الزمنية المالية. لاحظ أن نموذج أرما لا يأخذ في الاعتبار تجميع التقلبات، وهو ظواهر تجريبية رئيسية للعديد من السلاسل الزمنية المالية. وهي ليست نموذجا غير متجانسة مشروطا. لذلك سنحتاج إلى الانتظار لنماذج أرش و غارتش. تعريف نموذج أرما (p، q) هو مزيج خطي من نموذجين خطيين، وبالتالي فهو في حد ذاته لا يزال خطي: ​​الانحدار الذاتي المتوسط ​​المتحرك نموذج النظام p، q نموذج السلاسل الزمنية، هو نموذج الانحدار الذاتي الانحداري للنظام p، q . أرما (p، q)، إف: ستارت alpha1 x alpha2 x لدوتس وت beta1 w beta2 w لدوتس بيتاق w إند حيث الضوضاء البيضاء مع E (وت) 0 والتباين sigma2. إذا نظرنا إلى مشغل التحول المتخلف. (انظر مقال سابق) ثم يمكننا إعادة كتابة أعلاه كدالة ثيتا و فاي من: يمكننا أن نرى بشكل مباشر أنه من خلال وضع p نيق 0 و q0 نحن استعادة أر (p) نموذج. وبالمثل إذا وضعنا p 0 و q نيق 0 نحن استرداد ما (q) نموذج. واحدة من السمات الرئيسية للنموذج أرما هو أنه شاذ ومزدوج في معلماته. وهذا يعني أن نموذج أرما غالبا ما يتطلب معلمات أقل من نموذج أر (p) أو ما (q) وحده. بالإضافة إلى ذلك إذا أعدنا كتابة المعادلة من حيث بسو، فإن ثيتا و فيي متعددة الحدود يمكن أن تشترك في بعض الأحيان عامل مشترك، مما يؤدي إلى نموذج أبسط. المحاكاة و كوريلوغرامز كما هو الحال مع نماذج الانحدار الذاتي والمتوسط ​​المتحرك سنقوم الآن بمحاكاة مختلف سلسلة أرما ثم محاولة لتناسب نماذج أرما لهذه الإنجازات. نقوم بتنفيذ ذلك لأننا نريد أن نضمن أن نفهم الإجراء المناسب، بما في ذلك كيفية حساب فترات الثقة للنماذج، وكذلك التأكد من أن الإجراء فعلا استعادة تقديرات معقولة للمعلمات أرما الأصلية. في الجزء 1 والجزء 2 قمنا ببناء سلسلة أر و ما يدويا عن طريق رسم N عينات من التوزيع الطبيعي ومن ثم صياغة نموذج سلسلة زمنية محددة باستخدام فترات تأخر هذه العينات. ومع ذلك، هناك طريقة أكثر مباشرة لمحاكاة أر، ما، أرما وحتى البيانات أريما، وذلك ببساطة عن طريق استخدام طريقة arima. sim في R. دعونا تبدأ مع أبسط نموذج أرما غير تافهة ممكن، وهي أرما (1،1 ) نموذج. وهذا هو، نموذج الانحدار الذاتي للنظام واحد جنبا إلى جنب مع نموذج المتوسط ​​المتحرك للنظام واحد. مثل هذا النموذج له معاملين فقط، ألفا وبيتا، والتي تمثل الفواصل الأولى من السلسلة الزمنية نفسها وشروط الضوضاء البيضاء الصدمة. ويعطى هذا النموذج من قبل: نحن بحاجة إلى تحديد المعاملات قبل المحاكاة. يتيح أخذ ألفا 0.5 وبيتا -0.5: الإخراج هو كما يلي: يتيح أيضا رسم الرسم البياني: يمكننا أن نرى أنه لا يوجد ارتباط ذاتي كبير، والذي هو متوقع من نموذج أرما (1،1). وأخيرا، يتيح محاولة تحديد المعاملات والأخطاء القياسية باستخدام الدالة أريما: يمكننا حساب فترات الثقة لكل معلمة باستخدام الأخطاء القياسية: فترات الثقة لا تحتوي على قيم المعلمة الحقيقية لكلا الحالتين، ولكن يجب أن نلاحظ أن 95 فواصل الثقة واسعة جدا (نتيجة للأخطاء المعيارية الكبيرة المعقولة). يتيح الآن محاولة أرما (2،2) نموذج. وهذا هو، أر (2) نموذج جنبا إلى جنب مع ما (2) نموذج. نحن بحاجة إلى تحديد أربع معلمات لهذا النموذج: alpha1، ألفا 2، beta1 و beta2. دعونا تأخذ alpha1 0.5، alpha2-0.25 beta10.5 و beta2-0.3: إخراج أرما لدينا (2،2) نموذج على النحو التالي: و أوتوكوريلاتيون المقابلة: يمكننا الآن محاولة تركيب أرما (2،2) نموذج إلى البيانات: يمكننا أيضا حساب فترات الثقة لكل معلمة: لاحظ أن فترات الثقة لمعاملات العنصر المتوسط ​​المتحرك (beta1 و beta2) لا تحتوي في الواقع على قيمة المعلمة الأصلية. ويوضح ذلك خطورة محاولة وضع النماذج على البيانات، حتى عندما نعرف قيم المعلمة الحقيقية ومع ذلك، فإننا نحتاج فقط لأغراض تجارية إلى أن تكون لها قدرة تنبؤية تتجاوز فرصة الإنتاج وتنتج ربحا كافيا فوق تكاليف المعاملات، لكي تكون مربحة في على المدى الطويل. الآن بعد أن رأينا بعض الأمثلة على نماذج أرما محاكاة نحن بحاجة إلى آلية لاختيار قيم p و q عند المناسب للنماذج إلى البيانات المالية الحقيقية. اختيار أفضل نموذج أرما (p، q) من أجل تحديد الترتيب p، q من نموذج أرما مناسب لسلسلة، نحتاج إلى استخدام إيك (أو بيك) عبر مجموعة فرعية من القيم p و q و ثم تطبيق اختبار لجونغ بوكس ​​لتحديد ما إذا كان قد تم تحقيق تناسب جيد، لقيم معينة من p، س. لإظهار هذه الطريقة سنقوم أولا بمحاكاة عملية أرما (p، q) معينة. سنقوم ثم حلقة على جميع القيم الزوجية p في و q في وحساب إيك. وسوف نختار النموذج مع أدنى إيك ثم قم بتشغيل اختبار لجونغ بوكس ​​على البقايا لتحديد ما إذا كنا قد حقق مناسبا. دعونا نبدأ من خلال محاكاة سلسلة أرما (3،2): سنقوم الآن بإنشاء كائن النهائي لتخزين أفضل نموذج تناسب وأدنى قيمة إيك. نحن حلقة على مختلف p، مجموعات q واستخدام الكائن الحالي لتخزين تناسب نموذج أرما (ط، ي)، لمتغيرات حلقة ط و j. إذا كان إيك الحالي أقل من أي إيك المحسوبة سابقا قمنا بتعيين إيك النهائي لهذه القيمة الحالية وحدد هذا الطلب. عند إنهاء حلقة لدينا ترتيب نموذج أرما المخزنة في final. order و أريما (p، د، ف) تناسب نفسها (مع مجموعة مكون المتكاملة ل 0) المخزنة كما نهائي.: لا يتيح إخراج إيك ، والنظام ومعاملات أريما: يمكننا أن نرى أن النظام الأصلي من نموذج أرما محاكاة تم استردادها، وهي P3 و Q2. يمكننا رسم مخطط المخلفات من نموذج لمعرفة ما إذا كانت تبدو وكأنها تحقيق الضوضاء البيضاء منفصلة (دون): و كوريلوغرام تبدو فعلا مثل تحقيق دون. وأخيرا، نحن إجراء اختبار يجونغ بوكس ​​لمدة 20 تأخر لتأكيد هذا: لاحظ أن قيمة P أكبر من 0.05، التي تنص على أن المخلفات مستقلة على مستوى 95 وبالتالي أرما (3،2) نموذج يوفر نموذج جيد صالح. ومن الواضح أنه يجب أن يكون هذا هو الحال منذ أن تم محاكاة البيانات أنفسنا ومع ذلك، هذا هو بالضبط الإجراء الذي سوف نستخدم عندما نأتي لتناسب أرما (ص، ف) نماذج إلى مؤشر SampP500 في القسم التالي. البيانات المالية الآن بعد أن حددنا الإجراء لاختيار نموذج السلسلة الزمنية المثلى لسلسلة محاكاة، فمن السهل إلى حد ما لتطبيقه على البيانات المالية. لهذا المثال سوف نختار مرة أخرى مؤشر الأسهم الأمريكية SampP500. يتيح تحميل أسعار الإغلاق اليومية باستخدام كوانتمود ثم إنشاء سجل عوائد تيار: يتيح تنفيذ الإجراء المناسب نفسه كما في محاكاة أرما (3،2) سلسلة أعلاه على سجل يعود سلسلة من SampP500 باستخدام إيك: أفضل نموذج المناسب لديه أمر أرما (3،3): يتيح مؤامرة بقايا النموذج المجهزة ل SampP500 سجل تيار العوائد اليومية: لاحظ أن هناك بعض قمم كبيرة، وخاصة في فترات تأخر أعلى. وهذا يدل على سوء صالح. دعونا إجراء اختبار لجونغ بوكس ​​لمعرفة ما إذا كان لدينا أدلة إحصائية لهذا: كما نشتبه، قيمة P أقل من 0.05 وعلى هذا النحو لا يمكننا أن نقول أن بقايا هي تحقيق الضوضاء البيضاء منفصلة. وبالتالي هناك علاقة ذاتية إضافية في المخلفات التي لم يتم تفسيرها من قبل أرما المجهزة نموذج (3،3). الخطوات التالية كما ناقشنا على طول في هذه المقالة سلسلة شهدنا أدلة على التغايرية المشروط (تجميد التقلب) في سلسلة SampP500، وخاصة في الفترات 2007-2007. عندما نستخدم نموذج غارتش في وقت لاحق في سلسلة المقال سوف نرى كيفية القضاء على هذه أوتوكوريلاتيونس. في الممارسة العملية، نماذج أرما هي عادة لا يناسب بشكل جيد لعائدات الأسهم سجل. نحن بحاجة إلى أن نأخذ بعين الاعتبار عدم التفاوت المشروط واستخدام مزيج من أريما و غارتش. ستنظر المقالة التالية أريما وتبين كيف يختلف المكون المتكامل عن نموذج أرما الذي كنا ننظر فيه في هذه المقالة. انقر أدناه لمعرفة المزيد حول. المعلومات الواردة في هذا الموقع هو رأي المؤلفين الفرديين استنادا إلى 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 مسؤولية تحديث المعلومات وإخلاء المسؤولية عن محتوى الطرف الثالث ومنتجاته وخدماته بما في ذلك عندما يتم الوصول إليه من خلال الارتباطات التشعبية والإعلانات على هذا الموقع. المستند هو المتوسط ​​غير المشروط للعملية و x03C8 (L) هو عقلانية، لا حصر له درجة متخلفة متعدد الحدود، (1 x03C8 1 L x03C8 2 L 2 x2026). ملاحظة: الخاصية الثابتة لعنصر نموذج أريما يتوافق مع c. وليس المتوسط ​​غير المشروط 956. بواسطة التحلل ولدز 1. المعادلة 5-12 يتوافق مع عملية عشوائية عشوائية قدمت معاملات x03C8 ط سومابل تماما. هذا هو الحال عندما يكون متعدد الحدود أر، x03D5 (L). غير مستقر . وهذا يعني كل جذورها تقع خارج دائرة الوحدة. بالإضافة إلى ذلك، فإن العملية السببية شريطة تعدد الحدود ما هو قابل للانعكاس. وهذا يعني كل جذورها تقع خارج دائرة الوحدة. الاقتصاد القياسي أدوات يفرض الاستقرار والقابلية للعمليات أرما. عند تحديد نموذج أرما باستخدام أريما. تحصل على خطأ إذا قمت بإدخال المعاملات التي لا تتوافق مع متعدد الحدود أر مستقرة أو متعدد الحدود لا عكسية. وبالمثل، فإن التقدير يفرض قيودا على الاستبانة وقابلية التقلب أثناء التقدير. المراجع 1 ولد، H. دراسة في تحليل السلاسل الزمنية الثابتة. أوبسالا، سويدن: ألمكفيست أمب ويكسيل، 1938. اختر بلدك متوسط ​​التحرك الانعكاسي أرما (p، q) نماذج لتحليل سلسلة الوقت - الجزء 1 في المقالة الأخيرة نظرنا في المشي العشوائي والضوضاء البيضاء كنماذج زمنية أساسية لسلسلة من الأدوات المالية ، مثل أسعار الأسهم اليومية وأسهم مؤشرات الأسهم. ووجدنا أن نموذج المشي العشوائي في بعض الحالات لم يكن كافيا للقبض على سلوك الترابط الذاتي الكامل للصك الذي يحفز نماذج أكثر تطورا. في المقالين المقبلين سنناقش ثلاثة أنواع من النموذج، وهي نموذج الانحدار الذاتي (أر) من النظام p، نموذج المتوسط ​​المتحرك (ما) للنظام q ونموذج التحرك التلقائي الانتقائي المختلط (أرما) ، ف. وستساعدنا هذه النماذج في محاولة التقاط أو تفسير المزيد من الترابط المتسلسل الموجود داخل الأداة. في نهاية المطاف سوف توفر لنا وسيلة للتنبؤ الأسعار في المستقبل. ومع ذلك، فمن المعروف جيدا أن السلاسل الزمنية المالية تمتلك عقارا يعرف بتجمعات التقلب. أي أن تقلب الصك ليس ثابتا في الوقت المناسب. المصطلح التقني لهذا السلوك يعرف بالتغايرية المشروطة المشروطة. وبما أن نماذج أر و ما و أرما ليست متغايرة بشكل مشروط، أي أنها لا تأخذ في الاعتبار تجميع التقلب، فإننا سوف نحتاج في نهاية المطاف إلى نموذج أكثر تطورا لتوقعاتنا. وتشمل هذه النماذج نموذج هيتيروسكيداستيك أوتوغرسيف الشرطي (أرتش) ونموذج خطي متعلق بالتغاير الشرطي (غارتش)، والعديد من المتغيرات. غارتش معروفة بشكل خاص في التمويل الكمي وتستخدم أساسا لمحاكاة السلاسل الزمنية المالية كوسيلة لتقدير المخاطر. ومع ذلك، كما هو الحال مع جميع المواد كوانتستارت، أريد أن بناء على هذه النماذج من إصدارات أبسط بحيث يمكننا أن نرى كيف كل تغيير جديد يتغير القدرة التنبؤية لدينا. على الرغم من أن أر، ما و أرما هي نماذج سلسلة زمنية بسيطة نسبيا، فهي أساس نماذج أكثر تعقيدا مثل المتوسط ​​المتحرك المتكامل الانحدار (أريما) والأسرة غارتش. وبالتالي من المهم أن ندرسها. واحدة من استراتيجيات التداول الأولى لدينا في سلسلة المادة سلسلة الوقت سوف يكون الجمع بين أريما و غارتش من أجل التنبؤ الأسعار ن فترات مقدما. ومع ذلك، سيكون علينا أن ننتظر حتى ناقشنا كل من أريما و غارتش بشكل منفصل قبل أن نطبقها على استراتيجية حقيقية كيف سوف نبدأ في هذه المقالة نحن ذاهبون إلى الخطوط العريضة لبعض المفاهيم سلسلة زمنية جديدة التي تحتاج جيدا للطرق المتبقية، وهي صارمة (أيك). في أعقاب هذه المفاهيم الجديدة سوف تتبع النمط التقليدي لدراسة نماذج السلاسل الزمنية الجديدة: الأساس المنطقي - المهمة الأولى هي توفير سبب لماذا كانت مهتمة في نموذج معين، كما كوانتس. لماذا نعرض نموذج السلاسل الزمنية ما هي الآثار التي يمكن أن تلتقطها ماذا نكتسب (أو نفقد) بإضافة تعقيد إضافي التعريف - نحن بحاجة إلى تقديم التعريف الرياضي الكامل (والترميز المرتبط به) لنموذج السلاسل الزمنية من أجل التقليل إلى أدنى حد أي غموض. خصائص النظام الثاني - سنناقش (وفي بعض الحالات نشتق) خصائص الترتيب الثاني لنموذج السلاسل الزمنية، التي تتضمن متوسطها، تباينها ووظيفة الارتباط الذاتي. كوريلوغرام - سوف نستخدم خصائص الترتيب الثاني لرسم رسم تخطيطي لإدراك نموذج السلاسل الزمنية من أجل تصور سلوكها. محاكاة - ونحن سوف محاكاة تحقيقات من سلسلة السلاسل الزمنية ومن ثم تناسب النموذج لهذه المحاكاة لضمان لدينا تطبيقات دقيقة وفهم عملية المناسب. البيانات المالية الحقيقية - نحن سوف تناسب نموذج السلاسل الزمنية للبيانات المالية الحقيقية والنظر في الرسم البياني للمخلفات من أجل معرفة كيف يحسب نموذج الارتباط المتسلسل في السلسلة الأصلية. التنبؤ - سنقوم بإنشاء N - خطوة إلى الأمام التوقعات لنموذج سلسلة زمنية لتحقيقات معينة من أجل إنتاج إشارات تجارية في نهاية المطاف. تقريبا كل من مقالات أنا أكتب على نماذج سلسلة الوقت سوف تقع في هذا النمط، وسوف تسمح لنا بسهولة مقارنة الاختلافات بين كل نموذج كما نضيف المزيد من التعقيد. كانت ستبدأ من خلال النظر في الاستقرارية الصارمة و إيك. ستريكتلي ستاتيوناري قدمنا ​​تعريف الاستبانة في المادة على الارتباط المتسلسل. ومع ذلك، لأننا سوف ندخل عالم العديد من سلسلة المالية، مع ترددات مختلفة، ونحن بحاجة للتأكد من أن لدينا (في نهاية المطاف) نماذج تأخذ في الاعتبار التقلب الزمني متغير من هذه السلسلة. على وجه الخصوص، نحن بحاجة إلى النظر في عدم تغايرها. سوف نواجه هذه المسألة عندما نحاول أن تناسب نماذج معينة لسلسلة التاريخية. وبوجه عام، لا يمكن حساب كل الترابط المتسلسل في بقايا النماذج المجهزة دون مراعاة التباين المتغاير. وهذا يعيدنا إلى الاستبانة. السلسلة ليست ثابتة في التباين إذا كان لديها تقلب متغير الوقت، بحكم التعريف. وهذا يحفز تعريف أكثر صرامة من الاستقرارية، وهي ستراتياريتي صارمة: سلسلة ثابتة بشكل صارم نموذج سلسلة زمنية، هو ثابت ثابتة إذا كان التوزيع الإحصائي المشترك للعناصر x، لدوتس، x هو نفسه من أن شم، لدوتس، شم، فورال تي، m. يمكن للمرء أن يفكر في هذا التعريف على أنه ببساطة أن توزيع السلاسل الزمنية لم يتغير لأي تحول عابر في الزمن. وعلى وجه الخصوص، فإن المتوسط ​​والتباين ثابتان في الوقت المناسب لسلسلة ثابتة بدقة، ويعتمد التباين الذاتي بين شت و شس (ساي) على الفرق المطلق لل t و s، t-s. سنقوم بمراجعة سلسلة ثابتة بدقة في الوظائف المستقبلية. أكايك معايير المعلومات ذكرت في المواد السابقة أننا في نهاية المطاف بحاجة إلى النظر في كيفية اختيار بين أفضل نماذج منفصلة. هذا صحيح ليس فقط من تحليل السلاسل الزمنية، ولكن أيضا من التعلم الآلي، وعلى نطاق أوسع، الإحصاءات بشكل عام. والطريقتان الرئيسيتان اللتان سنستخدمهما (في الوقت الحاضر) هما معيار معلومات أكايك ومعيار معلومات بايزي (كما نتقدم أكثر مع مقالاتنا حول إحصائيات بايزي). أيضا النظر لفترة وجيزة في إيك، كما سيتم استخدامه في الجزء 2 من المادة أرما. إيك هو في الأساس أداة للمساعدة في اختيار النموذج. وهذا هو، إذا كان لدينا مجموعة مختارة من النماذج الإحصائية (بما في ذلك سلسلة زمنية)، ثم إيك يقدر نوعية كل نموذج، بالنسبة للآخرين التي لدينا المتاحة. لأنه يقوم على نظرية المعلومات. وهو موضوع مثير جدا للاهتمام، وعميق أن للأسف لا يمكننا الذهاب إلى الكثير من التفاصيل حول. وهو يحاول تحقيق التوازن بين تعقيد النموذج، الذي يعني في هذه الحالة عدد المعلمات، مع مدى تناسبها البيانات. يتيح تعريف: أكايك إنفورماتيون كريتريون إذا أخذنا وظيفة الاحتمال لنموذج إحصائي، والذي يحتوي على معلمات k، و L يزيد من الاحتمالية. ثم يتم إعطاء معيار المعلومات أكيك من قبل: النموذج المفضل، من مجموعة مختارة من النماذج، لديه إيك مينيوم للمجموعة. يمكنك أن ترى أن إيك ينمو كما عدد المعلمات، k، الزيادات، ولكن يتم تقليل إذا زاد احتمال سجل السلبي. أساسا فإنه يعاقب النماذج التي هي الزائدة. ونحن نذهب إلى خلق أر، ما و أرما نماذج من أوامر متفاوتة وطريقة واحدة لاختيار أفضل نموذج تناسب مجموعة معينة من البيانات هو استخدام إيك. هذا هو ما يجب القيام به في المقالة القادمة، في المقام الأول لنماذج أرما. نماذج الانحدار الذاتي (أر) نماذج النظام p كان النموذج الأول الذي سينظر فيه، والذي يشكل أساس الجزء 1، هو نموذج الانحدار الذاتي للترتيب p، الذي يقصر عادة على أر (p). في المقالة السابقة اعتبرنا المشي العشوائي. حيث كل مصطلح، شت يعتمد فقط على المصطلح السابق، س و مصطلح الضوضاء البيضاء العشوائية، بالوزن: نموذج الانحدار الذاتي هو مجرد امتداد للمشي العشوائي الذي يتضمن مصطلحات أخرى مرة أخرى في الوقت المناسب. هيكل النموذج هو الخطية. وهذا هو النموذج يعتمد خطيا على المصطلحات السابقة، مع معاملات لكل مصطلح. هذا هو المكان الذي يأتي الانحداري من الانحدار الذاتي. هو في الأساس نموذج الانحدار حيث المصطلحات السابقة هي التنبؤات. الانحدار الذاتي نموذج الترتيب p نموذج سلسلة زمنية، هو نموذج الانحدار الذاتي للترتيب p. أر (p)، إف: بيجين شت alpha1 x لدوتس ألفاب x ووت سوم p ألفاي x وت إند حيث هو الضوضاء البيضاء و ألفاي في ماثب، مع ألفاب نيق 0 ل p - النظام عملية الانحدار الذاتي. إذا نظرنا إلى مشغل التحول المتخلف. (انظر المقالة السابقة) ثم يمكننا إعادة كتابة أعلاه كدالة ثيتا من: بدء ثيتاب () شت (1 - alpha1 - alpha2 2 - لدوتس - ألفاب) شت وت نهاية ربما أول شيء لاحظت حول أر (p) نموذج هو أن المشي العشوائي هو ببساطة أر (1) مع alpha1 يساوي الوحدة. كما ذكرنا أعلاه، فإن النموذج الذاتي هو امتداد للمشي العشوائي، لذلك هذا منطقي فمن السهل إجراء تنبؤات مع نموذج أر (p)، في أي وقت t، كما مرة واحدة لدينا معاملات ألفاي المحددة، تقديرنا يصبح ببساطة: بدء قبعة t ألفا 1 × لدوتس ألفاب x نهاية وبالتالي يمكننا أن نجعل ن خطوة خطوة التوقعات من خلال إنتاج قبعة ر، قبعة، قبعة، الخ حتى قبعة. في الواقع، بمجرد أن نعتبر نماذج أرما في الجزء 2، سوف نستخدم وظيفة التنبؤ R لخلق توقعات (جنبا إلى جنب مع نطاقات خطأ الثقة فترة قياسي) من شأنها أن تساعدنا على إنتاج إشارات التداول. ستاتيوناريتي لعمليات الانحدار الذاتي واحدة من أهم جوانب النموذج أر (p) هو أنه ليس دائما ثابتة. والواقع أن ثبات نموذج معين يعتمد على المعلمات. إيف تطرق على هذا من قبل في مقال سابق. من أجل تحديد ما إذا كانت عملية أر (p) ثابتة أم لا نحن بحاجة إلى حل المعادلة المميزة. المعادلة المميزة هي ببساطة نموذج الانحدار الذاتي، وكتب في شكل التحول المتخلف، وتعيين إلى الصفر: نحن حل هذه المعادلة ل. ولكي تكون عملية الانحدار الذاتي محددة ثابتة، نحتاج إلى كل القيم المطلقة لجذور هذه المعادلة لتتجاوز الوحدة. هذا هو خاصية مفيدة للغاية ويسمح لنا لحساب بسرعة ما إذا كانت عملية (ع) أر ثابتة أو لا. يتيح النظر في بعض الأمثلة لجعل هذه الفكرة ملموسة: المشي العشوائي - عملية أر (1) مع alpha1 1 لديه المعادلة المميزة ثيتا 1 -. ومن الواضح أن هذا له الجذر 1 وعلى هذا النحو ليس ثابتا. أر (1) - إذا اخترنا alpha1 فراك نحصل على شت فراك x وت. هذا يعطينا معادلة مميزة من 1 - فراك 0، الذي يحتوي على الجذر 4 غ 1 وهكذا هذه أر عملية (1) معينة ثابتة. أر (2) - إذا وضعنا alpha1 alpha2 فراك ثم نحصل على شت فراك x فراك × بالوزن. وتصبح معادلة مميزة - frac () () 0، الذي يعطي جذور من 1، -2. وبما أن هذا له جذر وحدة هو سلسلة غير ثابتة. ومع ذلك، سلسلة أخرى أر (2) يمكن أن تكون ثابتة. خصائص النظام الثاني متوسط ​​عملية أر (p) هو صفر. ومع ذلك، تعطى أوتوكاريرارياتيونس و أوتوكوريلاتيونس من قبل وظائف العودية، والمعروفة باسم معادلات يول ووكر. يتم عرض الخصائص الكاملة أدناه: بدء تشغيل موكس E (شت) 0 نهاية بدء غاماك سوم p ألفاي غاما، إنسباس k 0 نهاية تبدأ روك سوم p ألفاي رو، إنسباس k 0 نهاية لاحظ أنه من الضروري معرفة قيم المعلمة ألفاي قبل حساب أوتوكوريلاتيونس. الآن بعد أن ذكرنا خصائص الترتيب الثاني يمكننا محاكاة أوامر مختلفة من أر (p) ومؤامرة كوريلوغرامز المقابلة. المحاكاة و كوريلوغرامز يتيح البدء بعملية أر (1). هذا يشبه المشي العشوائي، إلا أن alpha1 لا يجب أن يساوي الوحدة. نموذجنا سيكون لدينا alpha1 0.6. وتعطى التعليمات البرمجية R لإنشاء هذه المحاكاة على النحو التالي: لاحظ أن لدينا ل حلقة تتم من 2 إلى 100، وليس 1 إلى 100، كما شت-1 عندما t0 غير قابلة للفهرسة. وبالمثل بالنسبة لترتيبات أر (p) ذات الترتيب الأعلى، يجب أن تتراوح t من p إلى 100 في هذه الحلقة. يمكننا رسم مؤامرة تحقيق هذا النموذج و كريلوغرام المرتبطة بها باستخدام وظيفة تخطيط: دعونا الآن محاولة تركيب عملية أر (p) إلى البيانات محاكاة نتجت للتو، لمعرفة ما إذا كنا يمكن استرداد المعلمات الأساسية. قد نتذكر أننا نفذت إجراء مماثل في المادة على الضوضاء البيضاء والمشي عشوائية. كما اتضح R يوفر أمر مفيدة أر لتناسب نماذج الانحدار الذاتي. يمكننا استخدام هذه الطريقة ليقول لنا أولا أفضل ترتيب p من النموذج (كما هو محدد من قبل إيك أعلاه) وتزويدنا بتقديرات المعلمات ل ألفاي، والتي يمكننا بعد ذلك استخدامها لتشكيل فترات الثقة. لاستكمال، دعونا إعادة سلسلة x: الآن نستخدم الأمر أر لتناسب نموذج الانحدار الذاتي لدينا محاكاة أر (1) العملية، وذلك باستخدام أقصى تقدير احتمال (مل) كإجراء المناسب. سنقوم أولا باستخراج أفضل أمر تم الحصول عليه: لقد حدد الأمر أر بنجاح أن نموذج السلسلة الزمنية الأساسية لدينا هو عملية أر (1). يمكننا بعد ذلك الحصول على تقديرات المعلمة (s) ألفاي: وقد أنتجت الإجراء مل تقدير، قبعة 0.523، وهو أقل قليلا من القيمة الحقيقية لل alpha1 0.6. وأخيرا، يمكننا استخدام الخطأ القياسي (مع التباين المتناظر) لبناء 95 فترات الثقة حول المعلمات الأساسية (ق). لتحقيق ذلك، نحن ببساطة إنشاء ناقلات ج (-1.96، 1.96) ومن ثم ضربها عن طريق الخطأ القياسي: المعلمة الحقيقية تقع ضمن فاصل الثقة 95، كما توقعت من حقيقة أن تحققت تحقيقها من النموذج على وجه التحديد . ماذا عن إذا قمنا بتغيير alpha1 -0.6 كما كان من قبل يمكننا أن تناسب نموذج أر (p) باستخدام أر: مرة أخرى نحن استعادة الترتيب الصحيح للنموذج، مع تقدير جيد جدا قبعة -0.597 من ألفا 1-0.6. ونرى أيضا أن المعلمة الحقيقية تقع ضمن فترة الثقة 95 مرة أخرى. يتيح إضافة بعض التعقيد أكثر لعملياتنا الانحدار الذاتي من خلال محاكاة نموذج من النظام 2. على وجه الخصوص، وسوف نقوم بتعيين alpha10.666، ولكن أيضا تعيين alpha2 -0.333. هيريس رمز كامل لمحاكاة ورسم تحقيق، وكذلك الرسم البياني لمثل هذه السلسلة: كما كان من قبل يمكننا أن نرى أن الرسم البياني يختلف اختلافا كبيرا عن الضوضاء البيضاء، كما توقعت. هناك قمم هامة إحصائيا في k1، k3 و k4. مرة أخرى، كانوا في طريقهم لاستخدام الأمر أر لتناسب أر (p) نموذج لدينا الأساسية أر (2) تحقيق. الإجراء مماثل ل أر (1) فيت: تم استرداد النظام الصحيح وتقدر المعلمة قبعة 0.696 وقبعة -09595 ليست بعيدة جدا عن قيم المعلمة الحقيقية من alpha10.666 و alpha2-0.333. لاحظ أننا نتلقى رسالة تحذير التقارب. لاحظ أيضا أن R يستخدم في الواقع وظيفة arima0 لحساب نموذج أر. كما تعلم في مقالات لاحقة، أر (p) النماذج هي ببساطة أريما (ع، 0، 0) نماذج، وبالتالي فإن نموذج أر هو حالة خاصة من أريما مع عدم وجود عنصر متحرك (ما). كذلك أيضا استخدام الأمر أريما لخلق فترات الثقة حول المعلمات متعددة، وهذا هو السبب في أهملنا أن نفعل ذلك هنا. الآن بعد أن أنشأنا بعض البيانات محاكاة حان الوقت لتطبيق أر (p) نماذج لسلاسل الوقت الأصول المالية. البيانات المالية الأمازون شركة يتيح البدء من خلال الحصول على سعر السهم للأمازون (أمزن) باستخدام كوانتمود كما في المادة الأخيرة: المهمة الأولى هي دائما رسم ثمن الفحص البصري وجيزة. في هذه الحالة بشكل جيد باستخدام أسعار الإغلاق اليومية: يول لاحظ أن كوانتمود يضيف بعض التنسيق بالنسبة لنا، وهي التاريخ، ورسم بياني أكثر جمالا من المخططات R المعتادة: نحن الآن في طريقها إلى اتخاذ عوائد لوغاريتمي من أمزن ثم أول - ororder من سلسلة من أجل تحويل سلسلة الأسعار الأصلية من سلسلة غير ثابتة إلى واحد (يحتمل) ثابتة واحدة. هذا يسمح لنا لمقارنة التفاح إلى التفاح بين الأسهم والمؤشرات أو أي أصول أخرى، لاستخدامها في الإحصاءات متعددة المتغيرات في وقت لاحق، مثل عند حساب مصفوفة التباين المشترك. إذا كنت ترغب في الحصول على شرح مفصل حول سبب عائد السجل، فانتظر إلى هذه المقالة في "الكمية". يتيح إنشاء سلسلة جديدة، أمزنرت. لعقد لدينا عوائد سجل ديفيرنسد: مرة أخرى، يمكننا رسم سلسلة: في هذه المرحلة نريد أن رسم مخطط. كانت تبحث لمعرفة ما إذا كانت سلسلة ديفيرنسد يبدو الضوضاء البيضاء. إذا لم يكن هناك ثم هناك علاقة تسلسلية غير المبررة، والتي يمكن تفسيرها من قبل نموذج الانحدار الذاتي. نلاحظ ذروة إحصائية كبيرة في K2. وبالتالي هناك احتمال معقول من الارتباط المسلسل غير المبررة. كن على علم من ذلك، أن هذا قد يكون راجعا إلى التحيز أخذ العينات. على هذا النحو، يمكننا محاولة تركيب أر (p) نموذج لسلسلة وإنتاج فترات الثقة للمعلمات: تركيب نموذج الانحدار الذاتي أر إلى الدرجة الأولى سلسلة مختلفة من أسعار السجل تنتج أر (2) نموذج، مع قبعة -0.0278 و قبعة 0.0687. إيف أيضا إخراج التباين أيسمبتوتيك حتى نتمكن من حساب الأخطاء القياسية للمعلمات وإنتاج فترات الثقة. نريد أن نرى ما إذا كان الصفر جزء من فاصل الثقة 95، كما لو كان، فإنه يقلل من ثقتنا بأن لدينا عملية أر الحقيقية 2 () الأساسية لسلسلة أمزن. لحساب فترات الثقة عند مستوى 95 لكل معلمة، نستخدم الأوامر التالية. نحن نأخذ الجذر التربيعي للعنصر الأول من مصفوفة التباين المتناظر لإنتاج خطأ قياسي، ثم إنشاء فترات الثقة بضربه بمقدار -1.96 و 1.96 على التوالي، لمستوى 95: لاحظ أن هذا يصبح أكثر وضوحا عند استخدام الدالة أريما ، ولكن أيضا الانتظار حتى الجزء 2 قبل إدخاله بشكل صحيح. وهكذا يمكننا أن نرى أن ألفا 1 صفر موجود ضمن فاصل الثقة، في حين أن ألفا 2 صفر غير موجود في فاصل الثقة. وبالتالي يجب أن نكون حذرين جدا في التفكير أن لدينا حقا نموذج التوليدية أر (2) الكامنة ل أمزن. ونلاحظ بوجه خاص أن نموذج الانحدار الذاتي لا يأخذ في الحسبان تجميع التقلبات، الأمر الذي يؤدي إلى تجميع الترابط المتسلسل في السلاسل الزمنية المالية. عندما ننظر في نماذج أرش و غارتش في مقالات لاحقة، فإننا سوف حساب ذلك. عندما نأتي إلى استخدام وظيفة أريما كاملة في المقال القادم، وسوف نبذل تنبؤات من سلسلة السعر سجل اليومي من أجل السماح لنا لخلق إشارات التداول. SampP500 مؤشر الأسهم الأمريكية جنبا إلى جنب مع الأسهم الفردية يمكننا أيضا النظر في مؤشر الأسهم الأمريكية، و SampP500. يتيح تطبيق جميع الأوامر السابقة لهذه السلسلة وإنتاج المؤامرات كما كان من قبل: يمكننا رسم الأسعار: كما كان من قبل، وكذلك خلق الفرق النظام الأول من أسعار إغلاق السجل: مرة أخرى، يمكننا رسم سلسلة: فمن الواضح من هذا المخطط أن التقلب ليس ثابتا في الوقت المناسب. وينعكس هذا أيضا في مؤامرة من كوريلوغرام. هناك العديد من القمم، بما في ذلك k1 و k2، والتي هي ذات دلالة إحصائية خارج نموذج الضوضاء البيضاء. وبالإضافة إلى ذلك، نرى أدلة على عمليات الذاكرة طويلة كما أن هناك بعض قمم هامة إحصائيا في k16، k18 و k21: في نهاية المطاف سوف نحتاج إلى نموذج أكثر تطورا من نموذج الانحدار الذاتي من النظام ص. ومع ذلك، في هذه المرحلة لا يزال يمكننا محاولة تركيب مثل هذا النموذج. دعونا نرى ما نحصل عليه إذا فعلنا ذلك: استخدام أر تنتج نموذج أر (22)، أي نموذج مع 22 معلمات غير الصفر ماذا يفعل هذا تخبرنا وهذا يدل على أن هناك على الأرجح الكثير من التعقيد في الارتباط التسلسلي من نموذج خطي بسيط من الأسعار الماضية يمكن حساب حقا ل. ومع ذلك، كنا نعرف هذا بالفعل لأننا يمكن أن نرى أن هناك علاقة تسلسلية كبيرة في التقلب. على سبيل المثال، النظر في الفترة المتقلبة للغاية حول عام 2008. وهذا يحفز المجموعة التالية من النماذج، وهي المتوسط ​​المتحرك ما (q) والمتوسط ​​المتحرك الانحدار الانعكاسي أرما (ص، ف). تعلم جيدا عن كل من هذه في الجزء 2 من هذه المقالة. كما نذكر مرارا وتكرارا، وهذه سوف تؤدي في نهاية المطاف لنا إلى عائلة أريما و غارتش من النماذج، وكلاهما سيوفر أفضل بكثير لتعقيد الترابط التسلسلية من Samp500. وهذا سوف يسمح لنا لتحسين توقعاتنا بشكل كبير، وفي نهاية المطاف إنتاج استراتيجيات أكثر ربحية. انقر أدناه لمعرفة المزيد حول. المعلومات الواردة في هذا الموقع هو رأي المؤلفين الفرديين استنادا إلى 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 مسؤولية تحديث المعلومات وإخلاء المسؤولية عن محتوى الطرف الثالث ومنتجاته وخدماته بما في ذلك عند الدخول إليه من خلال الارتباطات التشعبية والإعلانات على هذا الموقع.