الانحدار الحركة من المتوسط رمز

تحليل سلسلة الوقت تسا statsmodels. tsa يحتوي على فئات نموذج والوظائف التي هي مفيدة لتحليل سلسلة زمنية. ويشمل هذا حاليا نماذج الانحدار الذاتي المتحد أحادي المتغير (أر) ونماذج الانحدار الذاتي المتجه (فار) ونماذج المتوسط ​​المتحرك المتحد الانحدار الذاتي (أرما). ويتضمن أيضا إحصاءات وصفية للسلاسل الزمنية، على سبيل المثال الارتباط الذاتي، وظيفة الارتباط الذاتي الجزئي و بيريودوغرام، فضلا عن الخصائص النظرية المقابلة من أرما أو العمليات ذات الصلة. ويشمل أيضا أساليب للعمل مع الانحدار الذاتي والانتقال المتوسط ​​متخلفة متعدد الحدود. بالإضافة إلى ذلك، الاختبارات الإحصائية ذات الصلة وبعض وظائف المساعد مفيدة المتاحة. يتم تقدير إما عن طريق دقيقة أو مشروطة الحد الأقصى المحتمل أو المشروط مربعات أقل، إما باستخدام كالمان تصفية أو مرشحات مباشرة. حاليا، يجب أن يتم استيراد الوظائف والطبقات من الوحدة المقابلة، ولكن سيتم توفير الفئات الرئيسية في مساحة الاسم statsmodels. tsa. هيكل الوحدة هو ضمن statsmodels. tsa هو ستاتتولس. الخصائص التجريبية والاختبارات، أسف، باسف، غرانجر السببية، أدف وحدة اختبار الجذر، يجونغ مربع اختبار وغيرها. armodel. عملية الانحدار الذاتي أحادي المتغير، تقدير مع احتمال أقصى المشروط والدقيق والمشروط المربعات الصغرى أريماموديل. عملية أرما أحادية المتغير، تقدير مع الاحتمال الأقصى المشروط والحقيقي الدقيق وناقلات المربعات الصغرى المشروطة، فار. (فار)، وتحليل استجابة النبضات، والتحلل في تباين أخطاء التنبؤ، وأدوات تصور البيانات كالمانف. وفئات تقدير ل أرما ونماذج أخرى مع مل الدقيق باستخدام كلمان تصفية أرمابروسيس. خصائص عمليات أرما مع معلمات معينة، وهذا يشمل أدوات للتحويل بين تمثيل أرما و ما و أر وكذلك أسف و باسف وكثافة طيفية ودالة استجابة النبضة و sandbox. tsa. fftarma مماثلة. على غرار أرمابروسيس ولكن تعمل في مجال الترددات تساتولس. وظائف المساعد إضافية، لإنشاء صفائف من المتغيرات المتخلفة، بناء ريجريسورس للاتجاه، ديتريند وما شابه ذلك. المرشحات. وظيفة المساعد لتصفية السلاسل الزمنية بعض الوظائف الإضافية التي هي مفيدة أيضا لتحليل سلسلة زمنية هي في أجزاء أخرى من ستاتسموديلز، على سبيل المثال اختبارات إحصائية إضافية. بعض الوظائف ذات الصلة وتتوفر أيضا في ماتلوتليب، نيتيمي، و scikits. talkbox. وقد صممت هذه الوظائف أكثر من أجل استخدامها في معالجة الإشارات حيث تتوفر سلاسل زمنية أطول وتعمل في كثير من الأحيان في مجال الترددات. يمكن وصف الإحصاءات والاختبارات الوصفية stattools. acovf (x، غير متحيز، ديمي، ففت) الانحدار الذاتي عمليات الخطأ المتوسط ​​التحرك (أخطاء أرما) والنماذج الأخرى التي تنطوي على التأخر في شروط الخطأ باستخدام بيانات فيت ومحاكاة أو التنبؤ باستخدام عبارات سولف . وغالبا ما تستخدم نماذج أرما لعملية الخطأ للنماذج ذات المخلفات ذات الصلة. يمكن استخدام الماكرو أر لتحديد نماذج مع عمليات خطأ الانحدار الذاتي. يمكن استخدام ماكرو ما لتحديد النماذج مع عمليات الخطأ المتوسط ​​المتوسط. أخطاء الانحدار الذاتي نموذج يحتوي على أخطاء الانحدار الذاتي من الدرجة الأولى، أر (1)، لديه النموذج أثناء عملية خطأ أر (2) يحتوي على النموذج وهكذا دواليك لعمليات أعلى ترتيب. لاحظ أن s مستقلة وموزعة بشكل متطابق ولها قيمة متوقعة من 0. مثال على نموذج مع عنصر أر (2) هو وهكذا دواليك لعمليات أعلى ترتيب. على سبيل المثال، يمكنك كتابة نموذج الانحدار الخطي بسيط مع ما (2) المتوسط ​​المتحرك الأخطاء حيث حيث MA1 و MA2 هي المعلمات المتوسط ​​المتحرك. لاحظ أن RESID. Y يتم تعريفها تلقائيا بواسطة بروك موديل كما يجب استخدام الدالة زلاغ لمناذج ما لاقتطاع عودة العطل. ويضمن ذلك أن تبدأ الأخطاء المتأخرة عند الصفر في طور التأخر ولا تنشر القيم الناقصة عندما تكون متغيرات فترة التأخر مفقودة، وتضمن أن تكون الأخطاء المستقبلية صفرا وليس مفقودة أثناء المحاكاة أو التنبؤ. للحصول على تفاصيل حول وظائف التأخر، راجع القسم لاغ لوجيك. هذا النموذج المكتوب باستخدام ماكرو ما هو كما يلي: النموذج العام لنماذج أرما العملية أرما (p، q) العامة لها النموذج التالي يمكن تحديد نموذج أرما (p، q) كما يلي: حيث أر i و ما j تمثل ومعدلات الانحدار الذاتي والمتوسط ​​المتحرك لمختلف الفواصل الزمنية. يمكنك استخدام أي أسماء تريدها لهذه المتغيرات، وهناك العديد من الطرق المكافئة التي يمكن أن تكون مكتوبة المواصفات. ويمكن أيضا أن يتم تقدير العمليات أرما ناقلات مع بروك نموذج. على سبيل المثال، يمكن تحديد عملية أر (1) ثنائية المتغير لأخطاء المتغيرين الداخليين Y1 و Y2 على النحو التالي: مشكلات التقارب مع نماذج أرما يمكن أن يكون من الصعب تقدير نماذج أرما. إذا لم تكن تقديرات المعلمة ضمن النطاق المناسب، تنمو النماذج المتبقية للمتوسط ​​المتحرك بشكل مطرد. ويمكن أن تكون المخلفات المحسوبة للملاحظات اللاحقة كبيرة جدا أو يمكن تجاوزها. ويمكن أن يحدث ذلك إما بسبب استخدام قيم بدء غير ملائمة أو بسبب تكرارات التكرارات بعيدا عن القيم المعقولة. يجب استخدام العناية في اختيار قيم البدء لمعلمات أرما. وتبدأ قيم البداية التي تبلغ 0.001 بالنسبة إلى معلمات أرما إذا كان النموذج يتلاءم مع البيانات جيدا وأن المشكلة مكيفة جيدا. لاحظ أن نموذج ما يمكن في كثير من الأحيان تقريب من قبل نموذج أر عالية الترتيب، والعكس بالعكس. وهذا يمكن أن يؤدي إلى علاقة خطية متداخلة عالية في نماذج أرما مختلطة، والتي بدورها يمكن أن يسبب سوء تكييف خطيرة في الحسابات وعدم استقرار تقديرات المعلمة. إذا كان لديك مشاكل التقارب أثناء تقدير نموذج مع عمليات خطأ أرما، في محاولة لتقدير في الخطوات. أولا، استخدم بيان فيت لتقدير فقط المعلمات الهيكلية مع المعلمات أرما التي عقدت إلى الصفر (أو إلى تقديرات معقولة معقولة إن وجدت). بعد ذلك، استخدم عبارة فيت أخرى لتقدير معلمات أرما فقط، باستخدام قيم المعلمات الهيكلية من التشغيل الأول. وبما أن قيم المعلمات الهيكلية من المرجح أن تكون قريبة من تقديراتها النهائية، فإن تقديرات المعلمة أرما قد تتلاقى الآن. وأخيرا، استخدم بيان فيت آخر لإنتاج تقديرات متزامنة لجميع المعلمات. وبما أن القيم الأولية للمعلمات من المرجح أن تكون قريبة جدا من تقديراتها النهائية المشتركة، ينبغي أن تتلاقى التقديرات بسرعة إذا كان النموذج مناسبا للبيانات. الشروط المبدئية أر يمكن وضع الفواصل الأولية لشروط الخطأ في نماذج أر (p) بطرق مختلفة. طرق بدء تشغيل خطأ الانحدار الذاتي التي تدعمها إجراءات ساسيتس هي التالية: المربعات الصغرى المشروطة (إجراءات أريما و موديل) المربعات الصغرى غير المشروطة (أوتوريغ، أريما، وإجراءات موديل) أقصى احتمالات (أوتوريغ، أريما، وإجراءات موديل) يول ووكر (أوتوريغ الإجراء الوحيد) هيلدريث-لو، الذي يحذف أول ملاحظات p (إجراء نموذج فقط) انظر الفصل 8، الإجراء أوتوريغ، للحصول على شرح ومناقشة مزايا مختلف أساليب بدء التشغيل أر (p). يمكن إجراء كلس، أولس، مل، و أوليتيزاتيونس من قبل بروك نموذج. بالنسبة إلى أخطاء أر (1)، يمكن إنتاج هذه التهيئة كما هو مبين في الجدول 18.2. هذه الطرق تعادل في عينات كبيرة. الجدول 18.2 التهيئة التي يتم إجراؤها بواسطة بروك النموذجي: أر (1) الأخطاء يمكن أيضا أن تكون الفواصل الأولية لشروط الخطأ في نماذج ما (q) نموذجا بطرق مختلفة. يتم دعم نماذج بدء خطأ المتوسط ​​المتوسط ​​التالية من خلال إجراءات أريما و موديل: مربعات أقل مشروطة المربعات الصغرى الشرطية طريقة المربعات الصغرى الشرطية لتقدير عبارات الخطأ المتوسط ​​المتوسط ​​ليست الأمثل لأنه يتجاهل مشكلة بدء التشغيل. وهذا يقلل من كفاءة التقديرات، على الرغم من أنها تظل غير متحيزة. ويفترض أن المخلفات الأولية المتأخرة، التي تمتد قبل بدء البيانات، هي صفر، قيمتها المتوقعة غير المشروطة. ويحدث هذا فرقا بين هذه المخلفات ومتبقي المربعات الصغرى المعمم في التباين المتوسط ​​المتحرك، الذي يستمر، خلافا لنموذج الانحدار الذاتي، من خلال مجموعة البيانات. وعادة ما يتقارب هذا الاختلاف بسرعة إلى 0، ولكن بالنسبة لعمليات المتوسط ​​المتحرك غير القابلة للتحويل تقريبا فإن التقارب بطيء جدا. لتقليل هذه المشكلة، يجب أن يكون لديك الكثير من البيانات، ويجب أن تكون تقديرات معامل المتوسط ​​المتحرك ضمن النطاق القابل للانعكاس. ويمكن تصحيح هذه المشكلة على حساب كتابة برنامج أكثر تعقيدا. ويمكن إنتاج تقديرات المربعات الصغرى غير المشروطة لعملية ما (1) من خلال تحديد النموذج على النحو التالي: يمكن أن يكون من الصعب تقدير المتوسط ​​المتحرك للأخطاء. يجب أن تفكر في استخدام تقريب أر (p) لعملية المتوسط ​​المتحرك. ويمكن عادة أن تكون عملية المتوسط ​​المتحرك مقاربة بشكل جيد من خلال عملية الانحدار الذاتي إذا لم يتم تمهيد أو اختلاف البيانات. الماكرو أر أر ساس الماكرو أر يولد بيانات البرمجة ل بروك موديل لنماذج الانحدار الذاتي. الماكرو أر هو جزء من برنامج ساسيتس، ولا حاجة إلى تعيين خيارات خاصة لاستخدام الماكرو. ويمكن تطبيق عملية الانحدار الذاتي على أخطاء المعادلة الهيكلية أو إلى سلسلة الذاتية نفسها. يمكن استخدام الماكرو أر للأنواع التالية من الانحدار الذاتي: الانحدار الذاتي غير المقيد الانحدار الذاتي المتجه المقيد الانحدار الذاتي المتغير ونيفاريت لرسم نموذج الخطأ في المعادلة كعملية الانحدار الذاتي، استخدم العبارة التالية بعد المعادلة: على سبيل المثال، لنفترض أن Y هو الدالة الخطية ل X1 و X2 و أر (2). يمكنك كتابة هذا النموذج على النحو التالي: يجب أن تأتي المكالمات إلى أر بعد كل المعادلات التي تنطبق عليها العملية. ويؤدي الاستدعاء الكلي السابق، أر (y، 2)، إلى عرض البيانات المبينة في خرج ليست في الشكل 18.58. الشكل 18.58 ليست خیار الخیار لنموذج أر (2) متغیرات أر مسبقة الصیانة ھي متغیرات برنامجیة مؤقتة مستخدمة بحیث تکون تأخیرات البقایا ھي البقایا الصحیحة ولیس تلك التي تم إعادة تعریفھا بواسطة ھذه المعادلة. لاحظ أن هذا يعادل البيانات المكتوبة بشكل صريح في المقطع نموذج عام لنماذج أرما. يمكنك أيضا تقييد المعلمات الانحدار الذاتي إلى صفر عند التأخر المحدد. على سبيل المثال، إذا أردت معلمات الانحدار الذاتي عند الفترات الزمنية 1 و 12 و 13، يمكنك استخدام العبارات التالية: تولد هذه العبارات الإخراج الموضح في الشكل 18.59. الشكل 18.59 ليست مخرجات الخيار لنموذج أر مع تأخيرات في 1 و 12 و 13 قائمة إجراءات نموذج قائمة برمجية البرمجة البرمجية المجمعة كما تم تحليلها PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y بريد. y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - بيردي) yl12 ZLAG12 (y - بيردي) yl13 ZLAG13 (y - بيردي) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y هناك الاختلافات على طريقة المربعات الصغرى المشروطة، اعتمادا على ما إذا كانت الملاحظات في بداية السلسلة تستخدم لتسخين عملية أر. وبشكل افتراضي، تستخدم طريقة المربعات الصغرى المشروطة أر جميع الملاحظات وتفترض الأصفار للتخلف الأولي لشروط الانحدار الذاتي. باستخدام الخيار M، يمكنك طلب أن أر استخدام المربعات الصغرى غير المشروطة (أولس) أو أقصى احتمال (مل) طريقة بدلا من ذلك. على سبيل المثال، يتم عرض مناقشات هذه الطرق في القسم أر الشروط الأولية. وباستخدام الخيار مكلس n، يمكنك طلب استخدام أول ملاحظات n لحساب تقديرات الفترات الزمنية الأولية للانحراف الذاتي. في هذه الحالة، يبدأ التحليل بالملاحظة n 1. على سبيل المثال: يمكنك استخدام الماكرو أر لتطبيق نموذج الانحدار الذاتي على المتغير الداخلي، بدلا من مصطلح الخطأ، وذلك باستخدام الخيار تيبيف. على سبيل المثال، إذا كنت ترغب في إضافة الفواصل الخمسة الماضية من Y إلى المعادلة في المثال السابق، يمكنك استخدام أر لإنشاء المعلمات والتخلف باستخدام العبارات التالية: البيانات السابقة توليد الإخراج هو مبين في الشكل 18.60. الشكل 18.60 ليست خرج الخوارزمية لنموذج أر من Y يتنبأ هذا النموذج Y بمزيج خطي من X1 و X2 و اعتراض وقيم Y في أحدث خمس فترات. استخلاص الانحدار غير المقيد للناقلات لنموذج مصطلحات الخطأ لمجموعة من المعادلات كعملية متجه الانحدار الذاتي، استخدم النموذج التالي من ماكرو أر بعد المعادلات: قيمة اسم العملية هي أي اسم تقدمه أر لاستخدامه في صنع أسماء الانحدار الذاتي المعلمات. يمكنك استخدام ماكرو أر لنموذج عدة عمليات أر مختلفة لمجموعات مختلفة من المعادلات باستخدام أسماء عملية مختلفة لكل مجموعة. يضمن اسم العملية أن أسماء المتغيرات المستخدمة فريدة. استخدم قيمة اسم عملية قصيرة للعملية إذا كانت تقديرات المعامل ستكتب إلى مجموعة بيانات الإخراج. يحاول الماكرو أر إنشاء أسماء معلمات أقل من أو يساوي ثمانية أحرف، ولكن هذا يقتصر طول العملية. والذي يستخدم كبادئة لأسماء معلمات أر. القيمة فاريابلليست هي قائمة المتغيرات الذاتية للمعادلات. على سبيل المثال، لنفترض أن أخطاء المعادلات Y1 و Y2 و Y3 يتم إنشاؤها بواسطة عملية الانحدار الذاتي للناقلات من الدرجة الثانية. يمكنك استخدام العبارات التالية: التي تولد التالية ل Y1 و التعليمات البرمجية مشابهة ل Y2 و Y3: يمكن استخدام الأسلوب المربعات الصغرى الشرطية (مكلس أو مكلس n) لعمليات المتجه. يمكنك أيضا استخدام نفس النموذج مع القيود التي مصفوفة معامل تكون 0 في التأخر المحدد. على سبيل المثال، تنطبق العبارات التالية عملية متجه من الدرجة الثالثة على أخطاء المعادلة مع كل المعاملات عند التأخر 2 المقيدة إلى 0 ومع المعاملات عند الفواصل الزمنية 1 و 3 غير المقيدة: يمكنك نموذج السلسلة الثلاثية Y1Y3 باعتبارها عملية الانحدار الذاتي المتجه في المتغيرات بدلا من الأخطاء باستخدام الخيار تيبيف. إذا كنت ترغب في نموذج Y1Y3 كدالة للقيم الماضية من Y1Y3 وبعض المتغيرات الخارجية أو الثوابت، يمكنك استخدام أر لتوليد البيانات لفترات التأخر. اكتب معادلة لكل متغير للجزء نونوتريغريسيف من النموذج ثم قم باستدعاء أر مع الخيار تيبيف. على سبيل المثال، يمكن أن يكون الجزء غير التخريطي للنموذج دالة للمتغيرات الخارجية، أو يمكن أن يكون معلمات اعتراض. إذا لم تكن هناك مكونات خارجية لنموذج الانحدار الذاتي للناقل، بما في ذلك عدم وجود اعتراضات، ثم قم بتعيين صفر لكل من المتغيرات. يجب أن يكون هناك تخصيص لكل من المتغيرات قبل أن يسمى أر. ويوضح هذا المثال المتجه Y (Y1 Y2 Y3) كدالة خطية فقط لقيمته في الفترتين السابقتين ومجهز خطأ ضوضاء أبيض. يحتوي النموذج على 18 (3 3 3 3) معلمات. بناء الجملة من ماكرو أر هناك حالتان من بناء الجملة لل ماكرو أر. عندما لا تكون هناك حاجة إلى قيود على عملية أر ناقلات، وبناء الجملة ماكرو أر الشكل العام يحدد بادئة أر لاستخدامها في بناء أسماء المتغيرات اللازمة لتحديد عملية أر. إذا لم يتم تحديد إندوليست، فإن القائمة الذاتية افتراضيا للاسم. والتي يجب أن تكون اسم المعادلة التي سيتم تطبيق عملية خطأ أر. لا يمكن أن تتجاوز قيمة الاسم 32 حرفا. هو ترتيب عملية أر. تحدد قائمة المعادلات التي ستطبق عليها عملية أر. إذا تم إعطاء أكثر من اسم واحد، يتم إنشاء عملية ناقلات غير مقيدة مع المخلفات الهيكلية من جميع المعادلات المدرجة على النحو المتراجعون في كل من المعادلات. إذا لم يتم تحديدها، افتراضيات إندوليست الاسم. يحدد قائمة التأخيرات التي ستضاف إليها مصطلحات أر. يتم تعيين معاملات المصطلحات في فترات التأخر غير المدرجة إلى 0. يجب أن تكون جميع الفواصل المدرجة أقل من أو تساوي نلاغ. ويجب ألا تكون هناك نسخ مكررة. إذا لم يتم تحديدها، الافتراضي لاغليست لجميع يتخلف 1 خلال نلاغ. يحدد طريقة التقدير لتنفيذها. والقيم الصالحة لل M هي كلس (تقديرات المربعات الصغرى المشروطة) و أولس (تقديرات المربعات الصغرى غير المشروطة) و مل (تقديرات الاحتمالات القصوى). مكلس هو الافتراضي. يسمح فقط مكلس عندما يتم تحديد أكثر من معادلة واحدة. ولا تدعم طرائق أر و نواقل أر من قبل أر. يحدد أن عملية أر يتم تطبيقها على المتغيرات الذاتية نفسها بدلا من المخلفات الهيكلية للمعادلات. تقييد الانتكاس التلقائي المقيد يمكنك التحكم في المعاملات التي يتم تضمينها في العملية، مع تقييد 0 تلك المعلمات التي لا تتضمنها. أولا، استخدم أر مع الخيار ديفر لإعلان قائمة المتغيرات وتحديد بعد العملية. ثم، استخدام المكالمات أر إضافية لتوليد مصطلحات للمعادلات المحددة مع المتغيرات المحددة في التأخر المحدد. وعلى سبيل المثال، فإن معادلات الخطأ المنتجة هي كما يلي: يشير هذا النموذج إلى أن أخطاء Y1 تعتمد على أخطاء كل من Y1 و Y2 (ولكن ليس Y3) عند كل من الفارقين 1 و 2، وأن الأخطاء في Y2 و Y3 تعتمد على الأخطاء السابقة لجميع المتغيرات الثلاثة، ولكن فقط في تأخر 1. أر بناء الجملة ماكرو للمتجهات المقيدة أر يسمح استخدام بديل من أر لفرض قيود على عملية أر المتجه عن طريق استدعاء أر عدة مرات لتحديد مصطلحات أر مختلفة والتخلف لمختلف المعادلات. المكالمة الأولى لها النموذج العام يحدد البادئة ل أر لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف عملية أر المتجهات. يحدد ترتيب عملية أر. تحدد قائمة المعادلات التي ستطبق عليها عملية أر. يحدد أن أر ليس لتوليد عملية أر ولكن الانتظار إلى مزيد من المعلومات المحددة في وقت لاحق أر يدعو لنفس القيمة الاسم. المكالمات اللاحقة لها الشكل العام هو نفسه كما في المكالمة الأولى. يحدد قائمة المعادلات التي ستطبق عليها المواصفات الواردة في نداء أر هذا. يمكن فقط أن تظهر الأسماء المحددة في قيمة إندوليست للمكالمة الأولى لقيمة الاسم في قائمة المعادلات في إكليست. تحدد قائمة المعادلات التي ستدرج مخلفاتها الهيكلية المتخلفة كمؤخرات في المعادلات في إكليست. يمكن فقط أن تظهر الأسماء في إندوليست المكالمة الأولى لقيمة الاسم في فارليست. إذا لم يحدد، افتراضات فارليست إلى إندوليست. يحدد قائمة التأخيرات التي ستضاف إليها مصطلحات أر. يتم تعيين معاملات المصطلحات عند التأخيرات غير المدرجة إلى 0. يجب أن تكون جميع الفواصل المدرجة أقل من أو تساوي قيمة نلاغ. ويجب ألا تكون هناك نسخ مكررة. إذا لم يتم تحديدها، لاغليست الافتراضية لجميع يتخلف 1 خلال نلاغ. ما ماكرو ساس ماكرو ماك يولد بيانات البرمجة ل بروك نموذج لنماذج المتوسط ​​المتحرك. ماكرو ما هو جزء من برنامج ساسيتس، ولا حاجة إلى خيارات خاصة لاستخدام الماكرو. ويمكن تطبيق عملية الخطأ المتوسط ​​المتوسط ​​على أخطاء المعادلة الهيكلية. بناء جملة ماكرو ما هو نفس الماكرو أر باستثناء عدم وجود وسيطة تايب. عندما كنت تستخدم ماك و أر وحدات الماكرو مجتمعة، ماكرو ما يجب اتباع ماكرو أر. تنتج عبارات ساسمل التالية عملية خطأ أرما (1، (1 3)) وحفظها في مجموعة البيانات مادات 2. وتستعمل عبارات بروك موديل التالية لتقدير معلمات هذا النموذج باستعمال أقصى بنية للخطأ المحتمل: وترد في الشكل 18.61 تقديرات المعلمات التي ينتجها هذا المدى. الشكل 18.61 تقديرات من أرما (1، (1 3)) العملية هناك حالتان من بناء الجملة ل ماكرو ما. عندما لا تكون هناك حاجة إلى قيود على عملية ما متجه، بناء جملة ماكرو ما النموذج العام يحدد بادئة ل ما لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف عملية ما وهو إندوليست الافتراضي. هو ترتيب عملية ما. يحدد المعادلات التي سيتم تطبيق عملية ما. إذا تم إعطاء أكثر من اسم واحد، يتم استخدام تقدير كلس لعملية المتجه. يحدد الفترات الزمنية التي ستضاف فيها مصطلحات ما. يجب أن تكون جميع الفترات المدرجة أقل من أو تساوي نلاغ. ويجب ألا تكون هناك نسخ مكررة. إذا لم يتم تحديدها، الافتراضي لاغليست لجميع يتخلف 1 خلال نلاغ. يحدد طريقة التقدير لتنفيذها. والقيم الصالحة لل M هي كلس (تقديرات المربعات الصغرى المشروطة) و أولس (تقديرات المربعات الصغرى غير المشروطة) و مل (تقديرات الاحتمالات القصوى). مكلس هو الافتراضي. يسمح فقط مكلس عندما يتم تحديد أكثر من معادلة واحدة في إندوليست. ما ماكرو سينتاكس فور كونستروكتد فيكتور موفينغ-أفيراج يسمح باستخدام بديل ل ما فرض قيود على عملية ما المتجه عن طريق استدعاء ما عدة مرات لتحديد شروط ما المختلفة والتخلف عن المعادلات المختلفة. المكالمة الأولى لديها النموذج العام يحدد بادئة ل ما لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف عملية ما المتجه. يحدد ترتيب عملية ما. يحدد قائمة المعادلات التي سيتم تطبيق عملية ما. يحدد أن ما ليس لتوليد عملية ما ولكن هو الانتظار للحصول على مزيد من المعلومات المحددة في ما لاحق يدعو لنفس القيمة الاسم. المكالمات اللاحقة لها الشكل العام هو نفسه كما في المكالمة الأولى. تحدد قائمة المعادلات التي ستطبق عليها المواصفات الواردة في هذه الدعوة. تحدد قائمة المعادلات التي ستدرج مخلفاتها الهيكلية المتخلفة كمؤخرات في المعادلات في إكليست. (p، q) نماذج لتحليل السلسلة الزمنية - الجزء 1 في المقالة الأخيرة نظرنا في المشي العشوائي والضوضاء البيضاء كنماذج سلسلة زمنية أساسية ل بعض األدوات المالية مثل األسهم اليومية وأسعار مؤشر األسهم. 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 لتنبؤاتنا. 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 - سنقوم 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 أن نرى 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. على وجه الخصوص، فإن المتوسط ​​والتباين ثابتان في الوقت المناسب لسلسلة ثابتة بدقة، ويعتمد التباين الذاتي بين شت و شس (ساي) فقط على الفرق المطلق بين 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 كان يمكننا 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 متوسط ​​متحرك (ما) المكون. 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 هامة 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 إنشاء 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 يقول لنا هذا هو دلالة على أنه من المرجح أن هناك 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. مجرد الشروع في العمل مع التداول الكميالتدريجي التحرك متوسط ​​محاكاة (النظام الأول) يتم تعيين مظاهرة بحيث يتم استخدام نفس سلسلة عشوائية من النقاط بغض النظر عن كيفية الثوابت وتنوعت. ومع ذلك، عندما يتم الضغط على زر كواراندوميزكوت، سيتم إنشاء سلسلة عشوائية جديدة واستخدامها. حفظ سلسلة عشوائية متطابقة يسمح للمستخدم لمعرفة بالضبط الآثار على سلسلة أرما من التغييرات في الثوابتين. ثابت يقتصر على (-1،1) لأن الاختلاف من سلسلة أرما النتائج عندما. المظاهرة هي لعملية الدرجة الأولى فقط. شروط أر إضافية تمكن سلسلة أكثر تعقيدا لتوليدها، في حين أن شروط ما إضافية تزيد من تمهيد. للحصول على وصف مفصل لعمليات أرما، انظر، على سبيل المثال، G. بوكس، G. M. جينكينز، أند G. رينزل، تحليل السلاسل الزمنية: التنبؤ والتحكم. الطبعة الثالثة. إنجليوود كليفس، نج: برنتيس-هول، 1994. روابط ذات صلة