Média móvel vs autoregressiva

Como um exemplo SMA, considere uma segurança com os seguintes preços de fechamento em 15 dias: Semana 1 (5 dias) 20, 22, 24, 25, 23 Semana 2 (5 dias) 26, 28, 26, 29, 27 Semana 3 (5 dias) 28, 30, 27, 29, 28 Uma MA de 10 dias seria a média dos preços de fechamento para os primeiros 10 dias como o primeiro ponto de dados. O ponto de dados seguinte iria cair o preço mais antigo, adicionar o preço no dia 11 e tomar a média, e assim por diante, como mostrado abaixo. Conforme mencionado anteriormente, MAs atraso ação preço atual, porque eles são baseados em preços passados ​​quanto maior for o período de tempo para o MA, maior o atraso. Assim, um MA de 200 dias terá um grau muito maior de atraso do que um MA de 20 dias porque contém preços nos últimos 200 dias. A duração da MA a ser utilizada depende dos objetivos de negociação, com MAs mais curtos usados ​​para negociação de curto prazo e MAs de longo prazo mais adequados para investidores de longo prazo. O MA de 200 dias é amplamente seguido por investidores e comerciantes, com quebras acima e abaixo desta média móvel considerada como sinais comerciais importantes. MAs também transmitir sinais comerciais importantes por conta própria, ou quando duas médias se cruzam. Um aumento MA indica que a segurança está em uma tendência de alta. Enquanto um declínio MA indica que ele está em uma tendência de baixa. Da mesma forma, o impulso ascendente é confirmado com um crossover de alta. Que ocorre quando um MA de curto prazo cruza acima de um MA de longo prazo. Momento descendente é confirmado com um crossover de baixa, o que ocorre quando um MA de curto prazo cruza abaixo de um longo MA. A RIMA significa Autoregressive Integrated Moving Average modelos. Univariada (vetor único) ARIMA é uma técnica de previsão que projeta os valores futuros de uma série baseada inteiramente em sua própria inércia. Sua principal aplicação é na área de previsão de curto prazo, exigindo pelo menos 40 pontos de dados históricos. Ele funciona melhor quando seus dados exibem um padrão estável ou consistente ao longo do tempo com uma quantidade mínima de outliers. Às vezes chamado Box-Jenkins (após os autores originais), ARIMA é geralmente superior às técnicas de suavização exponencial quando os dados são razoavelmente longos ea correlação entre as observações passadas é estável. Se os dados forem curtos ou altamente voláteis, então algum método de alisamento pode funcionar melhor. Se você não tiver pelo menos 38 pontos de dados, você deve considerar algum outro método que ARIMA. O primeiro passo na aplicação da metodologia ARIMA é verificar a estacionaridade. A estacionariedade implica que a série permanece a um nível razoavelmente constante ao longo do tempo. Se existe uma tendência, como na maioria das aplicações econômicas ou de negócios, os dados NÃO são estacionários. Os dados também devem mostrar uma variação constante em suas flutuações ao longo do tempo. Isto é facilmente visto com uma série que é fortemente sazonal e crescendo a um ritmo mais rápido. Nesse caso, os altos e baixos da sazonalidade se tornarão mais dramáticos ao longo do tempo. Sem que estas condições de estacionaridade sejam satisfeitas, muitos dos cálculos associados ao processo não podem ser calculados. Se um gráfico gráfico dos dados indica nonstationarity, então você deve diferenciar a série. A diferenciação é uma excelente maneira de transformar uma série não-estacionária em uma estacionária. Isto é feito subtraindo a observação no período atual do anterior. Se essa transformação é feita apenas uma vez para uma série, você diz que os dados foram primeiramente diferenciados. Este processo elimina essencialmente a tendência se sua série está crescendo em uma taxa razoavelmente constante. Se ele está crescendo a uma taxa crescente, você pode aplicar o mesmo procedimento e diferença os dados novamente. Seus dados seriam então segundo diferenciados. Autocorrelações são valores numéricos que indicam como uma série de dados está relacionada a si mesma ao longo do tempo. Mais precisamente, ele mede quão fortemente os valores de dados em um número específico de períodos separados estão correlacionados entre si ao longo do tempo. O número de períodos separados é geralmente chamado de atraso. Por exemplo, uma autocorrelação no intervalo 1 mede como os valores 1 intervalo de tempo são correlacionados um ao outro ao longo da série. Uma autocorrelação no intervalo 2 mede como os dados dois períodos separados estão correlacionados ao longo da série. As autocorrelações podem variar de 1 a -1. Um valor próximo a 1 indica uma alta correlação positiva, enquanto um valor próximo de -1 implica uma correlação negativa elevada. Essas medidas são mais frequentemente avaliadas através de gráficos gráficos chamados correlagramas. Um correlagram traça os valores de autocorrelação para uma dada série em diferentes defasagens. Isto é referido como a função de autocorrelação e é muito importante no método ARIMA. A metodologia ARIMA tenta descrever os movimentos em séries temporais estacionárias como uma função do que são chamados parâmetros auto-regressivos e de média móvel. Estes são referidos como parâmetros AR (autoregessive) e parâmetros MA (média móvel). Um modelo AR com apenas 1 parâmetro pode ser escrito como. X (t) A (1) X (t-1) E (t) onde X (t) séries temporais sob investigação A (1) o parâmetro autorregressivo de ordem 1 X (t-1) (T) o termo de erro do modelo Isto simplesmente significa que qualquer valor dado X (t) pode ser explicado por alguma função de seu valor anterior, X (t-1), mais algum erro aleatório inexplicável, E (t). Se o valor estimado de A (1) fosse .30, então o valor atual da série estaria relacionado a 30 de seu valor 1 período atrás. Naturalmente, a série poderia estar relacionada a mais do que apenas um valor passado. Por exemplo, X (t) A (1) X (t-1) A (2) X (t-2) E (t) Isso indica que o valor atual da série é uma combinação dos dois valores imediatamente anteriores, X (t-1) e X (t-2), mais algum erro aleatório E (t). Nosso modelo é agora um modelo autorregressivo de ordem 2. Modelos de média móvel: Um segundo tipo de modelo Box-Jenkins é chamado de modelo de média móvel. Embora estes modelos parecem muito semelhantes ao modelo AR, o conceito por trás deles é bastante diferente. Os parâmetros de média móvel relacionam o que acontece no período t apenas aos erros aleatórios que ocorreram em períodos de tempo passados, isto é, E (t-1), E (t-2), etc., em vez de X (t-1), X T-2), (Xt-3) como nas abordagens autorregressivas. Um modelo de média móvel com um termo MA pode ser escrito da seguinte forma. O termo B (1) é chamado de MA de ordem 1. O sinal negativo na frente do parâmetro é usado apenas para convenção e geralmente é impresso Automaticamente pela maioria dos programas de computador. O modelo acima diz simplesmente que qualquer valor dado de X (t) está diretamente relacionado somente ao erro aleatório no período anterior, E (t-1) e ao termo de erro atual, E (t). Como no caso de modelos autorregressivos, os modelos de média móvel podem ser estendidos a estruturas de ordem superior cobrindo combinações diferentes e comprimentos médios móveis. A metodologia ARIMA também permite a construção de modelos que incorporem parâmetros de média autorregressiva e média móvel. Estes modelos são frequentemente referidos como modelos mistos. Embora isso torne uma ferramenta de previsão mais complicada, a estrutura pode de fato simular melhor a série e produzir uma previsão mais precisa. Modelos puros implicam que a estrutura consiste apenas de AR ou MA parâmetros - não ambos. Os modelos desenvolvidos por esta abordagem são geralmente chamados de modelos ARIMA porque eles usam uma combinação de auto-regressão (RA), integração (I) - referindo-se ao processo inverso de diferenciação para produzir as operações de previsão e de média móvel (MA). Um modelo ARIMA é geralmente indicado como ARIMA (p, d, q). Isso representa a ordem dos componentes autorregressivos (p), o número de operadores de diferenciação (d) e a ordem mais alta do termo médio móvel. Por exemplo, ARIMA (2,1,1) significa que você tem um modelo autorregressivo de segunda ordem com um componente de média móvel de primeira ordem cuja série foi diferenciada uma vez para induzir a estacionaridade. Escolhendo a Especificação Direita: O principal problema no clássico Box-Jenkins está tentando decidir qual especificação ARIMA usar - i. e. Quantos parâmetros AR e / ou MA devem ser incluídos. Isto é o que muito de Box-Jenkings 1976 foi dedicado ao processo de identificação. Ela dependia da avaliação gráfica e numérica das funções de autocorrelação da amostra e autocorrelação parcial. Bem, para os seus modelos básicos, a tarefa não é muito difícil. Cada um tem funções de autocorrelação que parecem uma certa maneira. No entanto, quando você subir em complexidade, os padrões não são tão facilmente detectados. Para tornar as questões mais difíceis, seus dados representam apenas uma amostra do processo subjacente. Isto significa que os erros de amostragem (outliers, erro de medição, etc.) podem distorcer o processo de identificação teórica. Por isso, a modelagem ARIMA tradicional é uma arte e não uma ciência.8.3 Modelos auto-regressivos Em um modelo de regressão múltipla, projetamos a variável de interesse usando uma combinação linear de preditores. Em um modelo de autorregressão, projetamos a variável de interesse usando uma combinação linear de valores passados ​​da variável. O termo regressão automática indica que é uma regressão da variável contra si mesma. Assim, um modelo autorregressivo de ordem p pode ser escrito como onde c é uma constante e et é ruído branco. Isto é como uma regressão múltipla, mas com valores defasados ​​de yt como preditores. Referimo-nos a isto como um modelo AR (p). Modelos auto-regressivos são notavelmente flexíveis no manuseio de uma ampla gama de diferentes padrões de séries temporais. As duas séries da Figura 8.5 mostram séries de um modelo AR (1) e um modelo AR (2). Alterando os parâmetros phi1, dots, phip resulta em diferentes padrões de séries temporais. A variância do termo de erro e só mudará a escala da série, não os padrões. Figura 8.5: Dois exemplos de dados de modelos autorregressivos com diferentes parâmetros. Esquerda: AR (1) com yt 18 -0,8y et. Direita: AR (2) com yt 8 ​​1,3y -0,7y et. Em ambos os casos, et é normalmente distribuído ruído branco com média zero e variância um. Para um modelo AR (1): Quando phi10, yt é equivalente a ruído branco. Quando phi11 e c0, yt é equivalente a uma caminhada aleatória. Quando phi11 e cne0, yt é equivalente a uma caminhada aleatória com drift Quando ph1lt0, yt tende a oscilar entre valores positivos e negativos. Normalmente, restringimos modelos autorregressivos a dados estacionários e, em seguida, algumas restrições sobre os valores dos parâmetros são necessárias. Para um modelo AR (1): -1 lt phi1 lt 1. Para um modelo AR (2): -1 lt phi2 lt 1, phi1phi2 lt 1, phi2-phi1 lt 1. Quando pge3 as restrições são muito mais complicadas. R cuida dessas restrições ao estimar um modelo.8.4 Modelos de média móvel Em vez de usar valores passados ​​da variável de previsão em uma regressão, um modelo de média móvel usa erros de previsão passados ​​em um modelo de regressão. Y e teta teta e dots theta e, onde et é ruído branco. Referimo-nos a isto como um modelo MA (q). É claro que não observamos os valores de et, então não é realmente regressão no sentido usual. Observe que cada valor de yt pode ser considerado como uma média móvel ponderada dos últimos erros de previsão. No entanto, os modelos de média móvel não devem ser confundidos com o alisamento médio móvel discutido no Capítulo 6. Um modelo de média móvel é usado para prever valores futuros, enquanto o alisamento médio móvel é usado para estimar o ciclo tendencial de valores passados. Figura 8.6: Dois exemplos de dados de modelos de média móvel com diferentes parâmetros. Esquerda: MA (1) com y t 20e t 0,8e t-1. Direita: MA (2) com y t e t - e t-1 0,8e t-2. Em ambos os casos, e t é normalmente distribuído ruído branco com média zero e variância um. A Figura 8.6 mostra alguns dados de um modelo MA (1) e um modelo MA (2). Alterando os parâmetros theta1, dots, thetaq resulta em diferentes padrões de séries temporais. Tal como acontece com modelos autorregressivos, a variância do termo de erro e só mudará a escala da série, não os padrões. É possível escrever qualquer modelo AR (p) estacionário como um modelo MA (infty). Por exemplo, usando a substituição repetida, podemos demonstrar isso para um modelo AR (1): begin yt amp phi1y et amp phi1 (phi1y e) amp phi12y phi1 e amp phi13y phi12e phi1 e amptext final Fornecido -1 lt phi1 lt 1, o valor de phi1k será menor à medida que k for maior. Assim, eventualmente, obtemos yt et phi1 e phi12 e phi13 e cdots, um processo MA (infty). O resultado inverso é válido se impomos algumas restrições nos parâmetros MA. Em seguida, o modelo MA é chamado invertible. Ou seja, que podemos escrever qualquer processo de MA (q) invertível como um processo AR (infty). Modelos Invertiveis não são simplesmente para nos permitir converter de modelos MA para modelos AR. Eles também têm algumas propriedades matemáticas que torná-los mais fáceis de usar na prática. As restrições de invertibilidade são semelhantes às restrições de estacionaridade. Para um modelo MA (1): -1lttheta1lt1. Para um modelo MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1-theta2 lt 1. Condições mais complicadas mantêm-se para qge3. Mais uma vez, R irá cuidar dessas restrições ao estimar os modelos. Pressão - Média Móvel Integrada Autoregressiva (ARIMA) Este serviço implementa a Média Móvel Integrada Autoregressiva (ARIMA) para produzir previsões com base nos dados históricos fornecidos pelo usuário. Será que a demanda por um produto específico aumentar este ano Posso prever minhas vendas de produtos para a época do Natal, para que eu possa efetivamente planejar meu inventário Modelos de previsão são capazes de abordar essas questões. Dados os dados anteriores, esses modelos examinam tendências ocultas e sazonalidade para prever as tendências futuras. Experimente o Azure Machine Learning gratuitamente. Nenhum cartão de crédito ou assinatura Azure é necessário. Comece agora gt Este serviço da Web pode ser consumido por usuários potencialmente através de um aplicativo para dispositivos móveis, por meio de um site, ou mesmo em um computador local, por exemplo. Mas a finalidade do serviço da correia fotorreceptora é servir também como um exemplo de como o aprendizado da máquina de Azure pode ser usado criar serviços da correia fotorreceptora sobre o código de R. Com apenas algumas linhas de código R e cliques de um botão no Azure Machine Learning Studio, uma experiência pode ser criada com o código R e publicada como um serviço web. O serviço web pode então ser publicado para o Azure Marketplace e consumido por usuários e dispositivos em todo o mundo sem a instalação da infra-estrutura pelo autor do serviço web. Consumo de serviço web Este serviço aceita 4 argumentos e calcula as previsões ARIMA. Os argumentos de entrada são: Freqüência - Indica a freqüência dos dados brutos (diária / semanal / mensal / trimestral / anual). Horizon - Previsão de tempo futuro. Data - Adicione os novos dados da série de tempo para o tempo. Valor: adicione os novos valores de dados da série temporal. A saída do serviço é os valores de previsão calculados. Entrada de amostra poderia ser: Freqüência - 12 Horizon - 12 Data - 15/01/20172/15/20173/15/20174/15/20175/15/20176/15/20177/15/20178/15/20179/15/201710 / 15/2017/2017/2017/2017/2017/2017/2017/2017/2017/2017/2017/2017/2017/2017 / 15/201711/15/201712/15/2017 1/15/20172/15/20173/15/20174/15/20175/15/20176/15/20177/15/20178/15/20179/15/2017 Valor - 3.4793.683.8323.9413.7973.5863.5083.7313.9153.8443.6343.5493.5573.7853.7823.6013.5443.5563.653.7093.6823.511 3.4293.513.5233.5253.6263.6953.7113.7113.6933.5713.509 Este serviço, como hospedado no Mercado Azure, é um serviço OData estes podem Ser chamado através de métodos POST ou GET. Existem várias maneiras de consumir o serviço de forma automatizada (um exemplo de aplicativo está aqui). Iniciando o código C para o consumo de serviços da web: Criação de serviço web Este serviço da web foi criado usando o Azure Machine Learning. Para uma avaliação gratuita, bem como vídeos introdutórios sobre a criação de experiências e publicação de serviços da web. Por favor veja azure / ml. Abaixo está uma captura de tela da experiência que criou o serviço da web eo código de exemplo para cada um dos módulos dentro da experiência. A partir do Azure Machine Learning, foi criada uma nova experiência em branco. Os dados de entrada de amostra foram carregados com um esquema de dados predefinido. Ligado ao esquema de dados é um módulo Execute R Script, que gera o modelo de previsão ARIMA usando auto. arima e funções de previsão a partir de R. Fluxo de experiência: Módulo 1: Módulo 2: Limitações Este é um exemplo muito simples para previsão ARIMA. Como pode ser visto a partir do código de exemplo acima, nenhuma captura de erro é implementada, e o serviço assume que todas as variáveis ​​são contínuas / valores positivos ea freqüência deve ser um inteiro maior que 1. O comprimento dos vetores de data e valor deve ser o mesmo. A variável data deve aderir ao formato mm / dd / aaaa. FAQ Para perguntas freqüentes sobre o consumo do serviço web ou publicação no mercado, veja aqui.