Autoregressive Integrated Moving Average (ARIMA) คำนิยาม
Autoregressive Integrated Moving Average (ARIMA) คืออะไร?
ค่าเฉลี่ยเคลื่อนที่แบบรวม autoregressive หรือ ARIMA เป็นรูปแบบการวิเคราะห์ทางสถิติที่ใช้ ข้อมูลอนุกรมเวลา เพื่อทำความเข้าใจชุดข้อมูลให้ดีขึ้นหรือเพื่อคาดการณ์แนวโน้มในอนาคต
ตัวแบบทางสถิติเป็นแบบถดถอยอัตโนมัติหากคาดการณ์ค่าในอนาคตตามค่าในอดีต ตัวอย่างเช่น แบบจำลอง ARIMA อาจพยายามทำนายราคาหุ้นในอนาคตโดยพิจารณาจากประสิทธิภาพในอดีตหรือคาดการณ์รายได้ของบริษัทตามช่วงเวลาที่ผ่านมา
ประเด็นที่สำคัญ
- แบบจำลองค่าเฉลี่ยเคลื่อนที่แบบรวมการถดถอยอัตโนมัติ (ARIMA) ทำนายค่าในอนาคตตามค่าในอดีต
- ARIMA ใช้ประโยชน์จากค่าเฉลี่ยเคลื่อนที่ที่ล้าหลังเพื่อทำให้ข้อมูลอนุกรมเวลาราบรื่น
- มีการใช้กันอย่างแพร่หลายในการวิเคราะห์ทางเทคนิคเพื่อคาดการณ์ราคาหลักทรัพย์ในอนาคต
- ตัวแบบการถดถอยอัตโนมัติสันนิษฐานโดยปริยายว่าอนาคตจะคล้ายกับอดีต
- ดังนั้นจึงสามารถพิสูจน์ได้ว่าไม่ถูกต้องภายใต้สภาวะตลาดบางอย่าง เช่น วิกฤตการณ์ทางการเงินหรือช่วงเวลาของการเปลี่ยนแปลงทางเทคโนโลยีอย่างรวดเร็ว
ทำความเข้าใจเกี่ยวกับ Autoregressive Integrated Moving Average (ARIMA)
แบบจำลองค่าเฉลี่ยเคลื่อนที่แบบรวมการถดถอยอัตโนมัติเป็นรูปแบบของ
การวิเคราะห์การถดถอย ที่วัดความแข็งแกร่งของตัวแปรตามหนึ่งที่สัมพันธ์กับตัวแปรที่เปลี่ยนแปลงอื่นๆ เป้าหมายของโมเดลคือการทำนายความเคลื่อนไหวของหลักทรัพย์หรือตลาดการเงินในอนาคตโดยการตรวจสอบความแตกต่างระหว่างค่าในชุดข้อมูลแทนที่จะพิจารณาจากมูลค่าจริงแบบจำลอง ARIMA สามารถเข้าใจได้โดยสรุปองค์ประกอบแต่ละส่วนดังนี้
- การถดถอยอัตโนมัติ (AR): หมายถึงโมเดลที่แสดงตัวแปรที่เปลี่ยนแปลงซึ่งถดถอยด้วยค่าที่ล้าหลังหรือก่อนหน้า
- แบบบูรณาการ (I): แสดงถึงความแตกต่างของการสังเกตดิบเพื่อให้อนุกรมเวลาไม่คงที่ (กล่าวคือ ค่าข้อมูลจะถูกแทนที่ด้วยความแตกต่างระหว่างค่าข้อมูลและค่าก่อนหน้า)
- ค่าเฉลี่ยเคลื่อนที่ (MA): รวมการพึ่งพาระหว่างการสังเกตและข้อผิดพลาดที่เหลือจากแบบจำลองค่าเฉลี่ยเคลื่อนที่ที่ใช้กับการสังเกตที่ล่าช้า
พารามิเตอร์ ARIMA
แต่ละองค์ประกอบใน ARIMA ทำหน้าที่เป็นพารามิเตอร์พร้อมสัญกรณ์มาตรฐาน สำหรับโมเดล ARIMA สัญกรณ์มาตรฐานจะเป็น ARIMA ที่มี p, d และ q โดยที่ค่าจำนวนเต็มจะแทนที่พารามิเตอร์เพื่อระบุประเภทของโมเดล ARIMA ที่ใช้ พารามิเตอร์สามารถกำหนดได้ดังนี้:
- NS: จำนวนการสังเกตความล่าช้าในแบบจำลอง เรียกอีกอย่างว่าลำดับความล่าช้า
- NS: จำนวนครั้งที่การสังเกตดิบต่างกัน หรือที่เรียกว่าระดับของความแตกต่าง
- q: ขนาดของหน้าต่างค่าเฉลี่ยเคลื่อนที่ หรือที่เรียกว่าลำดับของเส้นค่าเฉลี่ยเคลื่อนที่
ใน การถดถอยเชิงเส้น โมเดล เช่น จำนวนและประเภทของคำที่รวมอยู่ด้วย ค่า 0 ซึ่งสามารถใช้เป็นพารามิเตอร์ได้ จะหมายความว่าส่วนประกอบนั้นไม่ควรใช้ในแบบจำลอง ด้วยวิธีนี้ แบบจำลอง ARIMA สามารถสร้างขึ้นเพื่อทำหน้าที่ของแบบจำลอง ARMA หรือแม้แต่แบบจำลอง AR, I หรือ MA แบบธรรมดา
เนื่องจากแบบจำลอง ARIMA นั้นซับซ้อนและทำงานได้ดีที่สุดกับชุดข้อมูลขนาดใหญ่ อัลกอริทึมของคอมพิวเตอร์และเทคนิคการเรียนรู้ของเครื่องจึงถูกนำมาใช้ในการคำนวณ
Autoregressive Integrated Moving Average (ARIMA) และความคงที่
ในแบบจำลองค่าเฉลี่ยเคลื่อนที่แบบรวมการถดถอยอัตโนมัติ ข้อมูลจะมีความแตกต่างกันเพื่อให้อยู่นิ่ง แบบจำลองที่แสดงความไม่คงที่คือแบบจำลองที่แสดงว่าข้อมูลมีความคงตัวเมื่อเวลาผ่านไป ข้อมูลเศรษฐกิจและการตลาดส่วนใหญ่แสดงแนวโน้ม ดังนั้นจุดประสงค์ของการสร้างความแตกต่างคือการลบแนวโน้มหรือโครงสร้างตามฤดูกาล
ฤดูกาลหรือเมื่อข้อมูลแสดงรูปแบบปกติและคาดเดาได้ซึ่งเกิดขึ้นซ้ำตลอดหนึ่งปีปฏิทิน อาจส่งผลกระทบในทางลบต่อแบบจำลองการถดถอย หากแนวโน้มปรากฏขึ้นและความไม่คงที่ไม่ชัดเจน การคำนวณจำนวนมากตลอดกระบวนการไม่สามารถทำได้อย่างมีประสิทธิภาพ
การช็อตครั้งเดียวจะส่งผลต่อค่าที่ตามมาของโมเดล ARIMA อย่างไม่สิ้นสุดในอนาคต ดังนั้น มรดกของวิกฤตการณ์ทางการเงินจึงยังคงอยู่ในรูปแบบการถดถอยอัตโนมัติในปัจจุบัน
ข้อพิจารณาพิเศษ
แบบจำลอง ARIMA อิงตามสมมติฐานที่ว่าค่าในอดีตมีผลกระทบต่อค่าปัจจุบันหรืออนาคตบางส่วน ตัวอย่างเช่น นักลงทุนที่ใช้แบบจำลอง ARIMA เพื่อคาดการณ์ราคาหุ้นจะถือว่าผู้ซื้อและผู้ขายรายใหม่จาก หุ้นนั้นได้รับอิทธิพลจากการทำธุรกรรมในตลาดล่าสุดเมื่อตัดสินใจว่าจะเสนอหรือยอมรับหลักทรัพย์จำนวนเท่าใด
แม้ว่าสมมติฐานนี้จะคงอยู่ในหลายสถานการณ์ แต่ก็ไม่เป็นเช่นนั้นเสมอไป ตัวอย่างเช่น ในปีก่อนหน้า วิกฤตการณ์ทางการเงินปี 2551นักลงทุนส่วนใหญ่ไม่ได้ตระหนักถึงความเสี่ยงที่เกิดจากพอร์ตการลงทุนขนาดใหญ่ของ หลักทรัพย์ค้ำประกัน (MBS) ถือโดยบริษัททางการเงินหลายแห่ง
ในช่วงเวลาดังกล่าว นักลงทุนใช้แบบจำลองการถดถอยอัตโนมัติเพื่อคาดการณ์ผลการดำเนินงานทางการเงินของสหรัฐฯ หุ้นคงมีเหตุผลที่ดีในการคาดการณ์แนวโน้มอย่างต่อเนื่องของราคาหุ้นที่มีเสถียรภาพหรือสูงขึ้นในสิ่งนั้น ภาค อย่างไรก็ตาม เมื่อกลายเป็นความรู้ของสาธารณชนว่าสถาบันการเงินหลายแห่งเสี่ยงต่อการล่มสลายที่ใกล้เข้ามา นักลงทุน จู่ ๆ ก็กังวลน้อยลงกับราคาล่าสุดของหุ้นเหล่านี้และกังวลมากขึ้นกับความเสี่ยงพื้นฐานของพวกเขา การรับสัมผัสเชื้อ. ดังนั้นตลาดจึงประเมินมูลค่าหุ้นทางการเงินใหม่อย่างรวดเร็วสู่ระดับที่ต่ำกว่ามาก การเคลื่อนไหวที่จะทำให้รูปแบบการถดถอยอัตโนมัติสับสนอย่างสิ้นเชิง
คำถามที่พบบ่อย
ARIMA ใช้ทำอะไร?
ARIMA เป็นวิธีการคาดการณ์หรือคาดการณ์ผลลัพธ์ในอนาคตตามอนุกรมเวลาในอดีต โดยอิงตามแนวคิดทางสถิติของความสัมพันธ์แบบอนุกรม โดยที่จุดข้อมูลในอดีตมีอิทธิพลต่อจุดข้อมูลในอนาคต
อะไรคือความแตกต่างระหว่างแบบจำลองการถดถอยอัตโนมัติและค่าเฉลี่ยเคลื่อนที่?
ARIMA รวมคุณสมบัติการถดถอยอัตโนมัติเข้ากับค่าเฉลี่ยเคลื่อนที่ ตัวอย่างเช่น กระบวนการถดถอยอัตโนมัติของ AR(1) เป็นกระบวนการที่ค่าปัจจุบันอิงตามค่าทันที ค่าก่อนหน้า ในขณะที่กระบวนการ AR(2) เป็นค่าหนึ่งซึ่งค่าปัจจุบันอิงจากสองค่าก่อนหน้า ค่า ค่าเฉลี่ยเคลื่อนที่คือการคำนวณที่ใช้ในการวิเคราะห์จุดข้อมูลโดยการสร้างชุดค่าเฉลี่ยของชุดย่อยต่างๆ ของชุดข้อมูลทั้งหมด เพื่อทำให้อิทธิพลของค่าผิดปกติมีความราบรื่น จากผลของการผสมผสานเทคนิคนี้ โมเดล ARIMA สามารถพิจารณาถึงแนวโน้ม วัฏจักร ฤดูกาล และข้อมูลประเภทอื่นๆ ที่ไม่คงที่เมื่อทำการพยากรณ์
การพยากรณ์ ARIMA ทำงานอย่างไร
การคาดการณ์ ARIMA ทำได้โดยเสียบข้อมูลอนุกรมเวลาสำหรับตัวแปรที่สนใจ ซอฟต์แวร์ทางสถิติจะระบุจำนวนความล่าช้าที่เหมาะสมหรือจำนวนความแตกต่างที่จะใช้กับข้อมูลและตรวจสอบความไม่คงที่ จากนั้นจะแสดงผลซึ่งมักจะถูกตีความในลักษณะเดียวกับแบบจำลองการถดถอยเชิงเส้นแบบพหุคูณ