Модель Бокс-Дженкінса
Що таке модель Бокса-Дженкінса?
Модель Бокса-Дженкінса – це математична модель, призначена для прогнозування діапазонів даних на основі входів із заданого часового ряду. Модель Бокса-Дженкінса може аналізувати багато різних типів даних часових рядів для прогнозування.
Її методологія використовує відмінності між точками даних для визначення результатів. Методологія дозволяє моделі визначати тенденції за допомогою авторегресії, ковзаючих середніх та сезонних диференціацій для формування прогнозів. Авторегресивні моделі з інтегрованою ковзною середньою (ARIMA) є формою моделі Бокса-Дженкінса. Терміни ARIMA та модель Бокса-Дженкінса можуть використовуватися як взаємозамінні.
Ключові винос
- Модель Бокса-Дженкінса – це методологія прогнозування з використанням регресійних досліджень.
- Методологію найкраще використовувати як обчислюваний комп’ютером прогноз на основі регресії даних часових рядів.
- Він найкраще підходить для прогнозування протягом 18 місяців або менше.
- Сучасні розрахунки ARIMA виконуються за допомогою складних інструментів, таких як програмоване статистичне програмне забезпечення на мові програмування R.
Розуміння моделі Бокса-Дженкінса
Моделі Box-Jenkins використовуються для прогнозування різноманітних передбачуваних точок даних або діапазонів даних, включаючи ділові дані та майбутні ціни на безпеку.
Модель Бокса-Дженкінса була створена двома математиками Джорджем Боксом та Гвілімом Дженкінсом. Два математики обговорили концепції, що складають цю модель, у публікації 1970 року “Аналіз часових рядів: прогнозування та контроль”.
Оцінки параметрів моделі Бокса-Дженкінса можуть бути дуже складними. Отже, як і в інших моделях регресії часових рядів, найкращі результати зазвичай досягаються за допомогою програмованого програмного забезпечення. Модель Бокса-Дженкінса також, як правило, найкраще підходить для короткострокового прогнозування на 18 місяців або менше.
Методика Бокса-Дженкінса
Модель Бокса-Дженкінса є однією з кількох моделей аналізу часових рядів, з якими стикається синоптик при використанні програмованого програмного забезпечення для прогнозування. У багатьох випадках програмне забезпечення буде запрограмоване на автоматичне використання найкращої методології прогнозування на основі даних часових рядів, які слід прогнозувати. Повідомляється, що Box-Jenkins є найкращим вибором для наборів даних, які в основному стабільні з низькою волатильністю.
Модель Бокса-Дженкінса прогнозує дані, використовуючи три принципи, авторегресію, диференціювання та ковзаюче середнє. Ці три принципи відомі як p, d та q відповідно. Кожен принцип використовується в аналізі Бокса-Дженкінса, і вони разом відображаються як ARIMA (p, d, q).
Процес авторегресії (p) перевіряє дані на рівень стаціонарності. Якщо дані, що використовуються, нерухомі, це може спростити процес прогнозування. Якщо дані, що використовуються, нестаціонарні, їх потрібно буде розрізнити (d). Дані також перевіряються на відповідність ковзній середній, що виконується в частині q процесу аналізу. Загалом, початковий аналіз даних готує їх до прогнозування шляхом визначення параметрів (p, d і q), які застосовуються для розробки прогнозу.
Прогнозування цін на акції
Одним із методів аналізу моделі Бокс-Дженкінса є прогнозування цін на акції. Цей аналіз, як правило, будується і кодується за допомогою програмного забезпечення R. Результат аналізу дає логарифмічний результат, який можна застосувати до набору даних для формування прогнозованих цін на певний проміжок часу в майбутньому.