المتوسط المتحرك الانحدار التلقائي المتكامل (ARIMA)
ما هو المتوسط المتحرك الانحدار الذاتي المتكامل (ARIMA)؟
المتوسط المتحرك الانحدار التلقائي المتكامل ، أو ARIMA ، هو نموذج تحليل إحصائي يستخدم بيانات السلاسل الزمنية إما لفهم مجموعة البيانات بشكل أفضل أو للتنبؤ بالاتجاهات المستقبلية.
النموذج الإحصائي هو الانحدار التلقائي إذا كان يتنبأ بالقيم المستقبلية بناءً على القيم السابقة. على سبيل المثال ، قد يسعى نموذج ARIMA إلى التنبؤ بالأسعار المستقبلية للسهم بناءً على أدائه السابق أو توقع أرباح الشركة بناءً على الفترات الماضية.
فهم المتوسط المتحرك الانحدار التلقائي المتكامل (ARIMA)
نموذج المتوسط المتحرك المتكامل الانحدار التلقائي هو شكل من أشكال تحليل الانحدار الذي يقيس قوة متغير تابع واحد بالنسبة للمتغيرات المتغيرة الأخرى. هدف النموذج هو توقع الأوراق المالية المستقبلية أو تحركات السوق المالية من خلال فحص الاختلافات بين القيم في السلسلة بدلاً من القيم الفعلية.
يمكن فهم نموذج ARIMA من خلال تحديد كل مكون من مكوناته على النحو التالي:
الانحدار التلقائي (AR) : يشير إلى نموذج يُظهر متغيرًا متغيرًا يتراجع عن قيمه المتأخرة أو السابقة.
** متكامل (I): ** يمثل اختلاف الملاحظات الأولية للسماح للسلسلة الزمنية أن تصبح ثابتة (على سبيل المثال ، يتم استبدال قيم البيانات بالفرق بين قيم البيانات والقيم السابقة).
المتوسط المتحرك (MA) : يتضمن التبعية بين الملاحظة والخطأ المتبقي من نموذج المتوسط المتحرك المطبق على الملاحظات المتأخرة.
معلمات ARIMA
يعمل كل مكون في ARIMA كمعامل مع تدوين قياسي. بالنسبة لنماذج ARIMA ، سيكون الترميز القياسي هو ARIMA مع p و d و q ، حيث تحل قيم الأعداد الصحيحة محل المعلمات للإشارة إلى نوع نموذج ARIMA المستخدم. يمكن تعريف المعلمات على النحو التالي:
** p **: عدد مشاهدات التأخير في النموذج ؛ المعروف أيضًا باسم ترتيب التأخر.
** د **: عدد المرات التي اختلفت فيها الملاحظات الأولية ؛ يُعرف أيضًا باسم درجة الاختلاف.
q: حجم نافذة المتوسط المتحرك ؛ يُعرف أيضًا بترتيب المتوسط المتحرك.
في نموذج الانحدار الخطي ، على سبيل المثال ، يتم تضمين عدد المصطلحات ونوعها. تعني القيمة 0 ، التي يمكن استخدامها كمعامل ، أنه لا ينبغي استخدام مكون معين في النموذج. بهذه الطريقة ، يمكن إنشاء نموذج ARIMA لأداء وظيفة نموذج ARMA ، أو حتى نماذج AR أو I أو MA البسيطة.
نظرًا لأن نماذج ARIMA معقدة وتعمل بشكل أفضل على مجموعات بيانات كبيرة جدًا ، يتم استخدام خوارزميات الكمبيوتر وتقنيات التعلم الآلي لحسابها.
الانحدار التلقائي المتوسط المتحرك المتكامل (ARIMA) والثباتية
في نموذج المتوسط المتحرك المتكامل الانحدار التلقائي ، تختلف البيانات من أجل جعلها ثابتة. النموذج الذي يُظهر الثبات هو النموذج الذي يُظهر وجود ثبات في البيانات بمرور الوقت. تُظهر معظم البيانات الاقتصادية وبيانات السوق الاتجاهات ، لذا فإن الغرض من الاختلاف هو إزالة أي اتجاهات أو هياكل موسمية.
الموسمية ، أو عندما تُظهر البيانات أنماطًا منتظمة ويمكن التنبؤ بها تتكرر على مدار السنة التقويمية ، يمكن أن تؤثر سلبًا على نموذج الانحدار. إذا ظهر اتجاه ولم يكن الثبات واضحًا ، فلا يمكن إجراء العديد من الحسابات خلال العملية بفعالية كبيرة.
ستؤثر الصدمة لمرة واحدة على القيم اللاحقة لنموذج ARIMA بشكل لا نهائي في المستقبل. لذلك ، يستمر إرث الأزمة المالية في نماذج الانحدار الذاتي الحالية.
إعتبارات خاصة
تعتمد نماذج ARIMA على افتراض أن القيم السابقة لها بعض التأثير المتبقي على القيم الحالية أو المستقبلية. على سبيل المثال ، قد يفترض المستثمر الذي يستخدم نموذج ARIMA للتنبؤ بأسعار الأسهم أن المشترين والبائعين الجدد لهذا السهم قد تأثروا بمعاملات السوق الأخيرة عند تحديد المبلغ الذي يجب تقديمه أو قبوله للأمن.
على الرغم من أن هذا الافتراض سوف يستمر في ظل العديد من الظروف ، إلا أن هذا ليس هو الحال دائمًا. على سبيل المثال ، في السنوات التي سبقت الأزمة المالية لعام 2008 ، لم يكن معظم المستثمرين على دراية بالمخاطر التي تشكلها المحافظ الكبيرة للأوراق المالية المدعومة بالرهن العقاري (MBS) التي تحتفظ بها العديد من الشركات المالية.
خلال تلك الأوقات ، كان المستثمر الذي يستخدم نموذج الانحدار الذاتي للتنبؤ بأداء الأسهم المالية الأمريكية لديه سبب وجيه للتنبؤ بالاتجاه المستمر لأسعار الأسهم المستقرة أو المتزايدة في هذا القطاع. ومع ذلك ، بمجرد أن أصبح معروفًا أن العديد من المؤسسات المالية معرضة لخطر الانهيار الوشيك ، أصبح المستثمرون فجأة أقل اهتمامًا بالأسعار الأخيرة لهذه الأسهم وأكثر اهتمامًا بكثير بتعرضهم للمخاطر الأساسية. لذلك ، أعاد السوق تقييم الأسهم المالية بسرعة إلى مستوى أقل بكثير ، وهي خطوة من شأنها أن تربك تمامًا نموذج الانحدار الذاتي.
أسئلة مكررة
ما هو استخدام ARIMA؟
ARIMA هي طريقة للتنبؤ أو التنبؤ بالنتائج المستقبلية بناءً على سلسلة زمنية تاريخية. يعتمد على المفهوم الإحصائي للارتباط التسلسلي ، حيث تؤثر نقاط البيانات السابقة على نقاط البيانات المستقبلية.
ما الفروق بين نماذج الانحدار الذاتي والمتوسط المتحرك؟
تجمع ARIMA بين ميزات الانحدار الذاتي وميزات المتوسطات المتحركة. عملية الانحدار الذاتي AR (1) ، على سبيل المثال ، هي عملية تعتمد فيها القيمة الحالية على القيمة السابقة مباشرة ، بينما عملية AR (2) هي عملية تعتمد فيها القيمة الحالية على القيمتين السابقتين. المتوسط المتحرك عبارة عن عملية حسابية تُستخدم لتحليل نقاط البيانات عن طريق إنشاء سلسلة من المتوسطات لمجموعات فرعية مختلفة من مجموعة البيانات الكاملة من أجل تخفيف تأثير القيم المتطرفة. نتيجة لهذا المزيج من التقنيات ، يمكن لنماذج ARIMA أن تأخذ في الاعتبار الاتجاهات ، والدورات ، والموسمية ، وأنواع البيانات غير الثابتة الأخرى عند إجراء التنبؤات.
كيف يعمل التنبؤ ARIMA؟
يتم تحقيق توقع ARIMA عن طريق توصيل بيانات السلاسل الزمنية للمتغير محل الاهتمام. ستحدد البرامج الإحصائية العدد المناسب للتأخيرات أو مقدار الاختلاف الذي سيتم تطبيقه على البيانات والتحقق من الثبات. سيخرج بعد ذلك النتائج ، والتي يتم تفسيرها غالبًا بشكل مشابه لنموذج الانحدار الخطي المتعدد.
يسلط الضوء
تتنبأ نماذج المتوسط المتحرك المتكامل الانحدار التلقائي (ARIMA) بالقيم المستقبلية بناءً على القيم السابقة.
تستفيد ARIMA من المتوسطات المتحركة المتأخرة لتسهيل بيانات السلاسل الزمنية.
تستخدم على نطاق واسع في التحليل الفني للتنبؤ بأسعار الأوراق المالية المستقبلية.
تفترض نماذج الانحدار الذاتي ضمنيًا أن المستقبل سوف يشبه الماضي.
لذلك ، يمكن أن تثبت عدم دقتها في ظل ظروف سوق معينة ، مثل الأزمات المالية أو فترات التغير التكنولوجي السريع.
