Co to jest model Box-Jenkins?
Model Boxa-Jenkinsa jest modelem matematycznym zaprojektowanym do prognozowania zakresów danych na podstawie danych wejściowych z określonych szeregów czasowych. Model Boxa-Jenkinsa może analizować wiele różnych typów danych szeregów czasowych do prognozowania.
Metodologia wykorzystuje różnice między punktami danych w celu ustalenia wyników. Metodologia pozwala modelowi identyfikować trendy za pomocą autoregresji, średnich kroczących i różnicowania sezonowego w celu generowania prognoz. Modele autoregresyjnej zintegrowanej średniej ruchomej (ARIMA) są formą modelu Boxa-Jenkinsa. Terminy ARIMA i Model Box-Jenkins mogą być używane zamiennie.
Kluczowe dania na wynos
- Model Boxa-Jenkinsa to metodologia prognozowania wykorzystująca badania regresji. Metodologia ta jest najlepiej stosowana jako prognoza obliczana komputerowo na podstawie regresji danych szeregów czasowych. Najlepiej nadaje się do prognozowania w ramach czasowych 18 miesięcy lub mniej. Obliczenia ARIMA są wykonywane przy użyciu 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 bezpieczeństwa.
Model Box-Jenkins został stworzony przez dwóch matematyków George'a Boxa i Gwilym Jenkins. Dwaj matematycy omówili koncepcje składające 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 innych modelach regresji szeregów czasowych, najlepsze wyniki zazwyczaj osiąga się poprzez zastosowanie programowalnego oprogramowania. Model Boxa-Jenkinsa najlepiej nadaje się również do prognozowania krótkoterminowego na 18 miesięcy lub krócej.
Metodologia Boxa-Jenkinsa
Model Boxa-Jenkinsa jest jednym z kilku modeli analizy szeregów czasowych, z którymi spotka się prognostyk podczas korzystania z zaprogramowanego oprogramowania prognozującego. W wielu przypadkach oprogramowanie zostanie zaprogramowane do automatycznego korzystania z najlepiej dopasowanej metodologii prognozowania w oparciu o prognozowane dane szeregów czasowych. Uważa się, że Box-Jenkins jest najlepszym wyborem dla zestawów danych, które są w większości stabilne przy niskiej zmienności.
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 stosowana w analizie Boxa-Jenkinsa i razem są one wspólnie pokazane jako ARIMA (p, d, q).
Proces autoregresji (p) testuje dane pod kątem poziomu stacjonarności. Jeśli wykorzystywane dane są nieruchome, może uprościć proces prognozowania. Jeśli używane dane są niestacjonarne, należy je rozróżnić (d). Dane są również testowane pod kątem dopasowania średniej ruchomej, co odbywa się w części q procesu analizy. Ogólnie rzecz biorąc, wstępna analiza danych przygotowuje ją do prognozowania poprzez określenie parametrów (p, d i q), które są stosowane do opracowania prognozy.
Prognozowanie cen akcji
Jednym z zastosowań analizy Box-Jenkins Model jest prognozowanie cen akcji. Ta analiza jest zwykle budowana i kodowana za pomocą oprogramowania R. Analiza prowadzi do wyniku logarytmicznego, który można zastosować do zestawu danych w celu wygenerowania prognozowanych cen dla określonego okresu w przyszłości.
