자기 회귀 통합 이동 평균이란 무엇입니까?
ARIMA (Autoregressive Integrated Moving Average)는 시계열 데이터를 사용하여 데이터 세트를 더 잘 이해하거나 미래 추세를 예측하는 통계 분석 모델입니다.
자동 회귀 적산 이동 평균 (ARIMA) 이해
자동 회귀 적분 이동 평균 모델은 다른 변화하는 변수에 비해 하나의 종속 변수의 강도를 측정하는 회귀 분석의 한 형태입니다. 이 모델의 목표는 실제 가치가 아닌 계열의 가치 차이를 조사하여 미래 증권 또는 금융 시장 움직임을 예측하는 것입니다.
ARIMA 모델은 다음과 같이 각 구성 요소를 요약하여 이해할 수 있습니다.
- 자동 회귀 (AR) 는 자체 지연 또는 이전 값에서 회귀하는 변화하는 변수를 나타내는 모형을 나타냅니다. 적분 (I) 은 시계열이 고정 될 수 있도록 원시 관측치의 차이를 나타냅니다. 즉, 데이터 값이 데이터 값과 이전 값의 차이로 대체됩니다. 이동 평균 (MA) 은 지연된 관측치에 적용된 이동 평균 모델의 관측치와 잔차 오차 간의 종속성을 통합합니다.
각 구성 요소는 표준 표기법이있는 매개 변수로 기능합니다. ARIMA 모델의 경우 표준 표기법은 p, d 및 q를 사용하는 ARIMA입니다. 여기서 정수 값은 사용 된 ARIMA 모델의 유형을 나타 내기 위해 매개 변수를 대체합니다. 매개 변수는 다음과 같이 정의 할 수 있습니다.
- p : 모델에서 지연 관찰 횟수; 지연 순서라고도합니다. d : 원시 관측치의 차이 횟수; 차이의 정도라고도합니다.q: 이동 평균 창의 크기; 이동 평균의 순서라고도합니다.
예를 들어 선형 회귀 모형에는 항의 수와 유형이 포함됩니다. 매개 변수로 사용할 수있는 0 값은 모델에서 특정 구성 요소를 사용하지 않아야 함을 의미합니다. 이런 식으로 ARIMA 모델은 ARMA 모델 또는 간단한 AR, I 또는 MA 모델의 기능을 수행하도록 구성 할 수 있습니다.
자기 회귀 통합 이동 평균 및 고정
자동 회귀 적분 이동 평균 모델에서는 데이터를 고정시키기 위해 차이가 있습니다. 정상 성을 나타내는 모델은 시간이 지남에 따라 데이터에 대한 불일치가 있음을 보여주는 모델입니다. 대부분의 경제 및 시장 데이터는 추세를 보여 주므로 차이의 목적은 추세 또는 계절적 구조를 제거하는 것입니다.
계절성 또는 데이터가 1 년 동안 반복되는 규칙적이고 예측 가능한 패턴을 나타내는 경우 회귀 모델에 부정적인 영향을 줄 수 있습니다. 추세가 나타나고 정상 성이 분명하지 않은 경우 프로세스 전체의 많은 계산을 큰 효과로 만들 수 없습니다.
