Model Box-Jenkinsa
Co to jest model Boxa-Jenkinsa?
Model Boxa-Jenkinsa to model matematyczny przeznaczony do prognozowania zakresów danych na podstawie danych wejściowych z określonego szeregu czasowego. Model Boxa-Jenkinsa może analizować wiele różnych typów danych szeregów czasowych na potrzeby prognozowania.
Jego metodologia wykorzystuje różnice między punktami danych w celu określenia wyników. Metodologia umożliwia modelowi identyfikację trendów przy użyciu autoregresji, średnich kroczących i różnicowania sezonowego w celu generowania prognoz. Modele autoregresywnej zintegrowanej średniej ruchomej (ARIMA) są formą modelu Boxa-Jenkinsa. Terminy ARIMA i Box-Jenkins Model mogą być używane zamiennie.
Kluczowe wnioski
- Model Boxa-Jenkinsa to metodologia prognozowania wykorzystująca badania regresji.
- Metodologię najlepiej stosować jako prognozę obliczaną komputerowo na podstawie regresji danych szeregów czasowych.
- Najlepiej nadaje się do prognozowania w ramach czasowych do 18 miesięcy.
- Współcześnie obliczenia ARIMA są wykonywane za pomocą zaawansowanych narzędzi, takich jak programowalne oprogramowanie statystyczne w języku programowania R.
Zrozumienie modelu Boxa-Jenkinsa
Modele Box-Jenkins są używane do prognozowania różnych przewidywanych punktów danych lub zakresów danych, w tym danych biznesowych i przyszłych cen papierów wartościowych.
Model Box-Jenkins został stworzony przez dwóch matematyków George’a Boxa i Gwilym Jenkins. Dwaj matematycy omówili koncepcje, które składają się na ten model, w publikacji z 1970 r. „Analiza szeregów czasowych: prognozowanie i kontrola”.
Oszacowanie parametrów modelu Boxa-Jenkinsa może być bardzo skomplikowane. Dlatego, podobnie jak w przypadku innych modeli regresji szeregów czasowych, najlepsze wyniki zwykle uzyskuje się przy użyciu programowalnego oprogramowania. Model Boxa-Jenkinsa również ogólnie najlepiej nadaje się do prognozowania krótkoterminowego na 18 miesięcy lub krócej.
Metodologia Boxa-Jenkinsa
Model Boxa-Jenkinsa jest jednym z kilku modeli analizy szeregów czasowych, na które napotka prognostyk podczas korzystania z zaprogramowanego oprogramowania do prognozowania. W wielu przypadkach oprogramowanie zostanie zaprogramowane tak, aby automatycznie wykorzystywało najlepiej dopasowaną metodologię prognozowania opartą na prognozowanych szeregach czasowych. Podaje się, że Box-Jenkins jest najlepszym wyborem dla zbiorów danych, które są w większości stabilne i charakteryzują się niską zmiennością.
Model Boxa-Jenkinsa prognozuje dane przy użyciu trzech zasad: autoregresji, różnicowania i średniej ruchomej. Te trzy zasady są znane odpowiednio jako p, d i q. Każda zasada jest używana w analizie Boxa-Jenkinsa i razem są one przedstawiane jako ARIMA (p, d, q).
Proces autoregresji (p) testuje dane pod kątem poziomu stacjonarności. Jeśli używane dane są stacjonarne, może to uprościć proces prognozowania. Jeśli używane dane są niestacjonarne, należy je rozróżnić (d). Dane są również testowane pod kątem dopasowania średniej ruchomej, co jest wykonywane w części q procesu analizy. Ogólnie rzecz biorąc, wstępna analiza danych przygotowuje je do prognozowania poprzez określenie parametrów (p, d i q), które są stosowane do opracowania prognozy.
Prognozowanie cen akcji
Jednym z zastosowań analizy modelu Boxa-Jenkinsa jest prognozowanie cen akcji. Ta analiza jest zwykle tworzona i kodowana za pomocą oprogramowania R. Analiza daje wynik logarytmiczny, który można zastosować do zbioru danych w celu wygenerowania prognozowanych cen na określony czas w przyszłości.