Какво представлява моделът Box-Jenkins?
Моделът Box-Jenkins е математически модел, предназначен да прогнозира диапазони от данни въз основа на данни от определен времеви ред. Моделът Box-Jenkins може да анализира много различни видове данни от времеви серии за прогнозиране.
Неговата методология използва разлики между точките от данни, за да определи резултатите. Методиката позволява на модела да идентифицира тенденциите, използвайки авторегресия, движещи се средни стойности и сезонни разлики за генериране на прогнози. Авторегресивните интегрирани подвижни средни модели (ARIMA) са форма на Box-Jenkins модел. Термините ARIMA и Box-Jenkins Model могат да се използват взаимозаменяемо.
Ключови заведения
- Моделът Box-Jenkins е методика за прогнозиране, използваща регресионни проучвания. Методиката е най-добре използвана като компютърно изчислена прогноза въз основа на регресия на данните от времеви серии. Тя е най-подходяща за прогнозиране в рамките на 18 месеца или по-малко. ARIMA изчисленията се извършват със сложни инструменти като програмируем статистически софтуер на език за програмиране на R.
Разбиране на модела Box-Jenkins
Моделите Box-Jenkins се използват за прогнозиране на различни очаквани точки от данни или диапазони от данни, включително бизнес данни и бъдещи цени на сигурността.
Моделът Box-Jenkins е създаден от двама математици Джордж Бокс и Гвилим Дженкинс. Двамата математици обсъдиха концепциите, които съдържа този модел в публикация от 1970 г. „Анализ на времеви серии: прогнозиране и контрол“.
Оценките на параметрите на модела Box-Jenkins могат да бъдат много сложни. Следователно, подобно на други регресионни модели от времеви серии, най-добрите резултати обикновено се постигат чрез използване на програмируем софтуер. Моделът Box-Jenkins също е най-подходящ за краткосрочни прогнози от 18 месеца или по-малко.
Методология Box-Jenkins
Моделът Box-Jenkins е един от няколкото модела за анализ на времеви серии, с които прогнозистът ще се сблъска, когато използва програмиран софтуер за прогнозиране. В много случаи софтуерът ще бъде програмиран автоматично да използва най-подходящата методология за прогнозиране въз основа на данните от времеви редове, които трябва да бъдат прогнозирани. Съобщава се, че Box-Jenkins е най-добрият избор за масиви от данни, които са най-вече стабилни с ниска волатилност.
Моделът Box-Jenkins прогнозира данните, използвайки три принципа, авторегресия, разграничаване и средна средна стойност. Тези три принципа са известни съответно като p, d и q. Всеки принцип се използва в анализа Box-Jenkins и заедно те са показани колективно като ARIMA (p, d, q).
Процесът на авторегресия (p) тества данните за нейното ниво на стационарност. Ако използваните данни са неподвижни, това може да опрости процеса на прогнозиране. Ако използваните данни са нестационарни, трябва да бъдат разграничени (d). Данните се тестват и за средната му подвижност, която се извършва в част q от процеса на анализ. Като цяло първоначалният анализ на данните го подготвя за прогнозиране чрез определяне на параметрите (p, d и q), които се прилагат за разработване на прогноза.
Прогнозиране на цените на акциите
Една употреба за анализа на модел Box-Jenkins е прогнозиране на цените на акциите. Този анализ обикновено е изграден и кодиран чрез R софтуер. Анализът води до логаритмичен резултат, който може да бъде приложен към набора от данни за генериране на прогнозираните цени за определен период от време в бъдеще.
