Bewegende Gemiddelde Korrelasie

Bewegende gemiddelde Hierdie voorbeeld leer jy hoe om die bewegende gemiddelde van 'n tydreeks in Excel te bereken. 'N bewegende avearge gebruik te stryk onreëlmatighede (pieke en dale) om maklik tendense herken. 1. In die eerste plek kan 'n blik op ons tyd reeks. 2. Klik op die blad Data, kliek Data-analise. Nota: cant vind die Data-analise knoppie Klik hier om die analise ToolPak add-in te laai. 3. Kies bewegende gemiddelde en klik op OK. 4. Klik op die insette Range boks en kies die reeks B2: M2. 5. Klik op die boks interval en tik 6. 6. Klik in die uitset Range boks en kies sel B3. 8. Teken 'n grafiek van hierdie waardes. Verduideliking: omdat ons die interval stel om 6, die bewegende gemiddelde is die gemiddeld van die vorige 5 datapunte en die huidige data punt. As gevolg hiervan, is pieke en dale stryk uit. Die grafiek toon 'n toenemende tendens. Excel kan nie bereken die bewegende gemiddelde vir die eerste 5 datapunte, want daar is nie genoeg vorige datapunte. 9. Herhaal stappe 2 tot 8 vir interval 2 en interval 4. Gevolgtrekking: Hoe groter die interval, hoe meer die pieke en dale is glad nie. Hoe kleiner die interval, hoe nader die bewegende gemiddeldes is om die werklike data punte. Hou jy van hierdie gratis webwerf Deel asseblief hierdie bladsy op Googlemoving Gemiddeld 'n tegniese ontleding termyn beteken dat die gemiddelde prys van 'n sekuriteit oor 'n bepaalde tydperk (die mees algemene is 20, 30, 50, 100 en 200 dae), gebruik om spot pryse tendense deur plat te slaan uit 'n groot skommelinge. Dit is miskien die mees gebruikte veranderlike in tegniese ontleding. Bewegende gemiddelde data word gebruik om kaarte wat wys of 'n aandele prys is trending op of af te skep. Hulle kan gebruik word om die daaglikse, weeklikse, of maandelikse patrone op te spoor. Elke nuwe dae (of weke of maande) getalle bymekaar getel om die gemiddelde en die oudste getalle word dus gedaal, die gemiddelde beweeg met verloop van tyd. Oor die algemeen. hoe korter die tyd gebruik, hoe meer vlugtige die pryse sal verskyn, so byvoorbeeld 20 dae bewegende gemiddelde lyne is geneig om te beweeg op en af ​​meer as 200 dae - bewegende gemiddelde lyne. kommoditeit kanaal indeks McClellan Ossillator goue kruis oorgekoop / oorverkoopte aanwyser hoog-laag-indeks MTA indeks Bollinger bands Kairi Relatiewe indeks (KRI) forex EA beteken Kopiereg afskrif 2016 WebFinance, Inc. Alle regte voorbehou. Ongemagtigde duplisering, in die geheel of gedeeltelik, is streng prohibited. Serial Korrelasie Wat is Reekskorrelasie Reekskorrelasie is die verhouding tussen 'n gegewe veranderlike en self oor verskeie tyd intervalle. Serial korrelasies word dikwels in die herhaling van patrone, wanneer die vlak van 'n veranderlike gevolge van sy toekomstige vlak. In finansies, is hierdie korrelasie gebruik word deur tegniese ontleders om te bepaal hoe goed die afgelope prys van 'n sekuriteit voorspel die toekoms prys. Afbreek Reekskorrelasie Die term korrelasie kan ook verwys na as outokorrelasie of uitgestel korrelasie. Reekskorrelasie is 'n term wat gebruik word in die statistieke om die verhouding tussen waarnemings van dieselfde veranderlike oor spesifieke tydperke te beskryf. As 'n veranderlikes korrelasie word gemeet aan nul wees, dan beteken dit daar is geen korrelasie, en elk van die waarnemings is onafhanklik van mekaar. Aan die ander kant, as 'n veranderlikes korrelasie skews die rigting van een, beteken dit dat die waarnemings in volgorde korreleer, en dat toekomstige waarnemings word geraak deur die verlede waardes. In wese, 'n veranderlike wat in volgorde is gekorreleer het 'n patroon en isnt ewekansige. Maatstawwe van korrelasie gebruik in tegniese ontleding ontleed n securitys patroon. Die analise is gegrond geheel en al op 'n aandele prys beweging en die gepaardgaande volume, eerder as om 'n maatskappy se grondbeginsels. Beoefenaars van tegniese ontleding, as hulle korrelasie korrek te gebruik, in staat is om die winsgewende patrone of 'n sekuriteit of 'n groep van sekuriteite, en spot beleggingsgeleenthede vind en te bekragtig. Die konsep van Reekskorrelasie Die idee agter korrelasie is dat dit oorspronklik gebruik in ingenieurswese te bepaal hoe 'n sein, soos 'n rekenaar sein of radio golf, wissel met homself met verloop van tyd. Dit begin om op te vang in ekonomiese kringe as ekonome en partitioners van ekonometrie dit gebruik om ekonomiese data te ontleed met verloop van tyd. Hierdie akademici begin akademie verlaat op soek na Wall Street. en deur die 1980's, die gebruik van korrelasie is wat gebruik word om aandeelpryse te voorspel. Byna al die groot finansiële instellings het nou kwantitatiewe analiste, bekend as kwantitatiewe, op die personeel. Hierdie finansiële handel ontleders gebruik tegniese ontleding en ander statistiese afleidings te analiseer en die aandelemark voorspel. Hierdie kwantitatiewe is 'n integrale deel van die sukses van baie van hierdie finansiële instellings, aangesien hulle staatgemaak op die mark modelle wat die instelling dan gebruik as die basis vir sy beleggingstrategie te voorsien. Reekskorrelasie onder hierdie kwantitatiewe word bereken deur die Durbin-Watson toets. Die korrelasie kan positief of negatief wees. A aandele prys vertoon positiewe korrelasie, as 'n mens sou dink, beteken dat die korrelasie het 'n positiewe patroon. 'N Veiligheidswag wat 'n negatiewe korrelasie het, aan die ander kant, het 'n negatiewe invloed op sigself oor time. Econometric Teorie / Reekskorrelasie Daar is tye, veral in tydreeksdata, wat die CLR aanname van CORR (t. T 1 ) 0, epsilon) 0 is gebreek. Dit staan ​​bekend in ekonometrie as Reekskorrelasie of Outokorrelasie. Dit beteken dat c o r r (t. T 1) 0, epsilon) neq 0 en daar is 'n patroon oor die fout terme. Die fout terme word dan nie onafhanklik versprei oor die waarnemings en is nie streng ewekansige. Inhoud Voorbeelde van Outokorrelasie wysig Wanneer die foutterm is verwant aan die vorige foutterm, kan daar dan geskrywe in 'n algebraïese vergelyking. t t 1 u t rho epsilon u waar is die outokorrelasie koëffisiënt tussen die twee versteuring terme, en jy is die versteuring term vir die outokorrelasie. Dit staan ​​bekend as 'n outoregressiewe proses. 1 Dit c o r r (t. T 1) Dit 1, epsilon) LT1 Die o nodig binne die vergelyking, want hoewel die foutterm is minder ewekansige, is dit nog steeds 'n effense ewekansige effek. Reekskorrelasie van die nde Bestel wysig outoregressiewe model Eerste wysig ten einde outoregressiewe proses, AR (1). t t 1 u t rho epsilon u Dit staan ​​bekend as die eerste orde-motor regressie, as gevolg van die foutterm net na gelang van die vorige foutterm. nde orde outoregressiewe proses, AR (N). t 1 t 1 2 t 2 ntnut rho epsilon rho epsilon cdots rho epsilon u Moving-gemiddelde model wysig Die notasie MA (Q) verwys na die bewegende gemiddelde model van orde Q: X TTI 1 qiti mu varepsilon som theta varepsilon, waar die 1 . Q is die parameters van die model, is die verwagting van X t (dikwels aangeneem dat gelyke 0), en die t. t 1. is weer wit geraas fout terme. Die bewegende gemiddelde model is in wese 'n eindige impulsrespons filter met 'n paar ekstra interpretasie geplaas op dit. Autoregressivemoving-gemiddelde model wysig Die notasie ARMA (bl. Q) verwys na die model met p outoregressiewe terme en Q bewegende gemiddelde terme. Hierdie model bevat die AR (p) en MA (Q) modelle, X t c t i 1 p i X t i i 1 Q i t i. cvarepsilon som varphi X som theta varepsilon., oorsake van Outokorrelasie wysig c o r r (t. t 1) 0, epsilon) neq 0 Ruimtelike Outokorrelasie vind plaas wanneer die twee foute is spesiaal en / of geografies verwante. In eenvoudiger terme, hulle is langs elke. Voorbeelde: Die stad van St Paul het 'n piek van misdaad en so het hulle in diens te neem addisionele polisie. Die volgende jaar, het hulle gevind dat die misdaadsyfer aansienlik afgeneem. Wonderbaarlik, die stad van Minneapolis, wat nie sy polisiemag het aangepas, bevind dat hulle 'n toename in die misdaadsyfer oor dieselfde tydperk. Let wel: hierdie tipe Outokorrelasie kom oor deursnee-monsters. Traagheid / tyd aan te pas Dit gebeur dikwels in Makro, tydreeksdata. Die Amerikaanse rentekoers onverwags verhoog en dus is daar 'n verband verandering in wisselkoerse met ander lande. Met 'n nuwe ewewig kan enige tyd neem. Langdurige Invloede Dit is weer 'n Makro, tydreekse kwessie hanteer ekonomiese skokke. Dit is nou verwag dat die Amerikaanse rentekoers sal verhoog. Die verband wisselkoerse sal stadig aanpas up-totdat die aankondiging deur die Federale Reserweraad en kan die balans shoot. Data Smoothing / manipulering Gebruik funksies om data glad sal outokorrelasie bring in die versteuring terme Misspecification n regressie sal dikwels tekens van outokorrelasie wys wanneer daar weggelaat veranderlikes. Omdat die vermiste onafhanklike veranderlike nou bestaan ​​in die versteuring termyn, kry ons 'n versteuring term wat soos lyk: t 2 X 2 ut beta X u wanneer die korrekte spesifikasie is Y t 0 1 X 1 2 X 2 ut beta beta X beta X u gevolge van outokorrelasie wysig Die grootste probleem met outokorrelasie is dat dit dalk 'n model lyk baie beter as wat dit werklik is. Lys van gevolge wysig koëffisiënte reël is steeds onbevooroordeelde E (t) 0. c o v (X t. U t) 0) 0, cov (X, u) 0 Ware afwyking van verhoog word, word deur die teenwoordigheid van outokorrelasies. Na raming variansie van kleiner as gevolg van outokorrelasie (afwaartse bevooroordeeld). 'N Afname in s e ()) en 'n toename van die t-statistiek hierdie resultate in die beramer soek meer akkuraat as wat dit werklik is. R word opgeblaas. Al hierdie probleme tot gevolg hê hipotesetoetse besig ongeldig. Outokorrelasie in data. 2 lopies, maar die werklike OLS, wat ons nooit sou gevind het, is iewers in die middel. Toets vir Outokorrelasie wysig Hoewel dit nie afdoende, kan 'n indruk verkry deur die lees van 'n grafiek van die afhanklike veranderlike teen die foutterm (naamlik, 'n oorblywende strooi-plot). Durbin-Watson toets: Aanvaar tt 1 ut epsilon rho u Toets H (0): 0 (geen AC) teen H (1): GT 0 (een-stert toets) Toetsstatistiek DW (TT 1) 2 2 2 2 - epsilon ) 2-2rho Enige waarde onder D (L) (in die DW tafel) verwerp die nulhipotese en AC bestaan. Enige waarde tussen D (L) en D (W) laat ons met geen sluiting van AC. Enige waarde groter as D (W) aanvaar die nulhipotese en AC bestaan ​​nie. Nota, dit is een stert toets. Om die ander stert kry. Gebruik 4 - DW as die toets stat instead. Autoregressive bewegende gemiddelde ARMA (p, q) Modelle vir Tydreeksanalise - Deel 3 Deur Michael Saal-Moore op 7 September 2015 Dit is die derde en laaste pos in die mini-reeks oor outoregressiewe bewegende gemiddelde (ARMA) modelle vir tydreeksanalise. Weve bekendgestel outoregressiemodelle en bewegende gemiddelde modelle in die twee vorige artikels. Nou is dit tyd om hulle te kombineer om 'n meer gesofistikeerde model te produseer. Uiteindelik sal hierdie ons lei tot die ARIMA en GARCH modelle wat ons sal toelaat om bate opgawes en voorspelling wisselvalligheid voorspel. Hierdie modelle sal die basis vir handel seine en risikobestuur tegnieke vorm. As jy het gelees Deel 1 en Deel 2 sal jy gesien het dat ons geneig is om 'n patroon vir ons ontleding van 'n tydreeks model volg. Siek herhaal dit kortliks hier: Rasionaal - Hoekom is ons belangstel in hierdie spesifieke model Definisie - 'n wiskundige definisie vir dubbelsinnigheid te verminder. Correlogram - plot van 'n monster correlogram 'n modelle gedrag te visualiseer. Simulasie en Fitting - Pas die model om simulasies, ten einde weve verseker verstaan ​​die model korrek. Real finansiële inligting - Pas die model om werklike historiese batepryse. Voorspelling - Voorspelling daaropvolgende waardes te handel seine of filters te bou. Ten einde hierdie artikel volg, is dit raadsaam om 'n blik op die vorige artikels oor tydreeksanalise neem. Hulle kan al hier gevind word. Bayes inligting maatstaf in Deel 1 van hierdie artikel reeks het ons gekyk na die Akaike Inligting Criterion (AIC) as 'n manier om ons te help kies tussen afsonderlike beste tyd reeks modelle. A nou verwant instrument is die Bayes inligting Kriterium (BIC). In wese is dit het 'n soortgelyke gedrag by die AIC deurdat dit penaliseer modelle vir die feit dat te veel parameters. Dit kan lei tot overfitting. Die verskil tussen die BIC en AIC is dat die BIC is strenger met sy penalisering van addisionele parameters. Bayes inligting Criterion As ons die waarskynlikheid funksie vir 'n statistiese model wat k parameters het, en L maksimeer die waarskynlikheid. dan die Bayes inligting Criterion word gegee deur: waar n die aantal datapunte in die tyd reeks. Ons sal met behulp van die AIC en BIC hieronder by die keuse van geskikte ARMA (p, q) modelle. Ljung-Box toets in Deel 1 van hierdie artikel reeks Rajan genoem in die Disqus kommentaar dat die Ljung-Box toets was meer gepas as die gebruik van die Akaike Inligting Criterion van die Bayes inligting Kriterium om te besluit of 'n ARMA model was 'n goeie passing vir 'n tyd reeks. Die Ljung-Box toets is 'n klassieke hipotese toets wat ontwerp is om te toets of 'n stel van outokorrelasies van 'n toegeruste tydreeksmodel aansienlik verskil van nul. Die toets nie elke individu lag vir willekeur te toets nie, maar eerder toets die willekeur oor 'n groep van lags. Ljung-Box Toets Ons definieer die nulhipotese soos: Die tydreeksdata by elke lag is i. i.d .. dit is die korrelasies tussen die bevolking reeks waardes is nul. Ons definieer die alternatiewe hipotese as: Die tydreeksdata is nie i. i.d. en besit serial korrelasie. Ons bereken die volgende toetsstatistiek. V: Waar N is die lengte van die tyd reeks monster, hoed k is die monster outokorrelasie op lag k en h die aantal lags onder die toets. Die besluit reël om te bepaal of die nulhipotese verwerp is om vas te stel of Q GT Chi2, vir 'n chi-kwadraat verspreiding met h grade van vryheid aan die 100 (1-alfa) ste persentiel. Terwyl die besonderhede van die toets effens kompleks mag lyk, kan ons in werklikheid gebruik R tot die toets vir ons te bereken, vereenvoudig die prosedure ietwat. Autogressive bewegende gemiddelde (ARMA) Models van orde p, q Noudat weve die BIC en die Ljung-Box toets bespreek, was gereed om ons eerste gemengde model, naamlik die outoregressiewe bewegende gemiddelde van orde p, q, of ARMA (bl bespreek, Q). Rasionaal Tot op datum het ons outoregressiewe prosesse beskou en bewegende gemiddelde prosesse. Die voormalige model beskou sy eie verlede gedrag as insette vir die model en as sodanig pogings om die mark deelnemer effekte, soos momentum en gemiddelde-terugkeer in-beurs vang. Laasgenoemde model word gebruik om skok inligting kenmerk van 'n reeks, soos 'n verrassing verdienste aankondiging of onverwagte gebeurtenis (soos die BP Horizon Deep oliestorting). Dus, 'n ARMA model poog om beide hierdie aspekte te vang wanneer modellering finansiële tydreekse. Let daarop dat 'n ARMA model nie in ag neem wisselvalligheid groepering, 'n belangrike empiriese verskynsels van baie finansiële tydreekse. Dit is nie 'n voorwaardelik heteroscedastic model. Vir wat sal ons moet wag vir die boog en GARCH modelle. Definisie Die ARMA (p, q) model is 'n lineêre kombinasie van twee lineêre modelle en dus is self nog lineêre: outoregressiewe bewegende gemiddelde Model van orde p, q 'n tydreeksmodel, is 'n outoregressiewe bewegende gemiddelde model van orde p, q . ARMA (p, q), indien: begin xt alfa1 x alfa2 x ldots wt beta1 w beta2 w ldots betaq w end Waar is wit geraas met E (WT) 0 en variansie sigma2. As ons kyk na die agterste Shift-operateur. (Sien 'n vorige artikel) dan kan ons herskryf bogenoemde as 'n funksie theta en phi van: Ons kan reguit sien dat ons deur die oprigting van p neq 0 en Q0 herstel die AR (p) model. Net so as ons 'p 0 en Q neq 0 herstel ons die MA (Q) model. Een van die belangrikste kenmerke van die ARMA model is dat dit karig en oorbodig in sy parameters. Dit wil sê, 'n ARMA model sal dikwels minder parameters as 'n AR (p) of MA (Q) model alleen vereis. Daarbenewens, as ons herskryf die vergelyking in terme van die BSO, dan is die theta en phi polinome kan soms 'n gemeenskaplike faktor wat sal lei tot 'n eenvoudiger model. Simulasies en Correlograms Soos met die outoregressiewe en bewegende gemiddelde modelle sal ons nou simuleer verskeie ARMA reeks en dan probeer om ARMA modelle te pas by hierdie realisasies. Ons dra dit uit, want ons wil om te verseker dat ons verstaan ​​die gepaste prosedure, insluitend hoe om vertrouensintervalle bereken vir die modelle, asook te verseker dat die proses eintlik redelik skattings vir die oorspronklike ARMA parameters nie herstel. In Deel 1 en Deel 2 hand ons die AR en MA-reeks gebou deur 'N monsters van 'n normale verspreiding en dan knutselen die spesifieke tydreeksmodel behulp lags van hierdie monsters. Daar is egter 'n meer eenvoudige manier om AR, MA, ARMA en selfs ARIMA data, na te boots bloot deur die gebruik van die arima. sim metode in R. Kom ons begin met die eenvoudigste moontlike nie-triviale ARMA model, naamlik die ARMA (1,1 ) model. Dit wil sê, 'n outoregressiewe model van orde een gekombineer met 'n bewegende gemiddelde model van orde een. So 'n model het slegs twee koëffisiënte, Alpha en Beta, wat die eerste lags van die tydreeks self en die skok wit geraas terme verteenwoordig. So 'n model word gegee deur: Ons moet die koëffisiënte voor spesifiseer om simulasie. Kom ons neem 'n alfa 0,5 en beta -0,5: Die produksie is soos volg: Kom ook plot die correlogram: Ons kan sien dat daar geen beduidende outokorrelasie, wat verwag kan word van 'n ARMA (1,1) model. Ten slotte, kan probeer bepaal die koëffisiënte en hul standaard foute met behulp van die ARIMA funksie: Ons kan die vertrouensintervalle bereken vir elke parameter gebruik van die standaard foute: Die vertrouensintervalle doen bevat die ware parameter waardes vir beide gevalle egter moet ons daarop let dat die 95 vertrouensintervalle is baie breed ( 'n gevolg van die redelike groot standaard foute). Kom nou probeer om 'n ARMA (2,2) model. Dit wil sê, 'n AR (2) model gekombineer met 'n MA (2) model. Ons moet vier parameters vir hierdie model spesifiseer: alfa1, alfa2, beta1 en beta2. Kom ons neem alfa1 0.5, alpha2-0.25 beta10.5 en beta2-0.3: Die uitset van ons ARMA (2,2) model is soos volg: En die ooreenstemmende autocorelation: Ons kan nou probeer pas 'n ARMA (2,2) model te die data: Ons kan ook bereken die vertrouensintervalle vir elke parameter: Let daarop dat die vertrouensintervalle vir die koëffisiënte vir die bewegende gemiddelde komponent (beta1 en beta2) die oorspronklike parameter waarde nie eintlik bevat. Dit gee 'n uiteensetting van die gevaar van 'n poging om modelle te pas om data, selfs wanneer ons weet die ware parameterwaardes egter vir doeleindes van handeldryf ons net nodig het om 'n voorspellende krag wat kans oorskry en produseer genoeg wins bo transaksiekoste het, ten einde winsgewend in te wees die lang termyn. Nou dat weve 'n paar voorbeelde van gesimuleerde ARMA modelle gesien moet ons meganisme vir die keuse van die waardes van p en q toe pas om die modelle te real finansiële data. Die keuse van die beste ARMA (p, q) Model, Q van die ARMA model is geskik vir 'n reeks Ten einde vas te stel watter volgorde p, moet ons die AIC (of BIC) te gebruik in 'n subset van waardes vir p, q, en dan van toepassing die Ljung-Box toets om te bepaal of 'n goeie passing is bereik, vir bepaalde waardes van p, q. Om hierdie metode gaan ons eerstens na te boots 'n bepaalde ARMA (p, q) proses wys. Ons sal dan lus oor die hele paarsgewyse waardes van p in en Q in en bereken die AIC. Ons sal die model met die laagste AIC kies en dan hardloop 'n Ljung-Box toets op die residue om te bepaal of ons 'n goeie passing bereik het. Kom ons begin deur simuleer 'n ARMA (3,2) reeks: Ons sal nou 'n voorwerp finale om die beste model pas en laagste AIC waarde te stoor. Ons loop oor die verskillende p, q kombinasies en gebruik die huidige voorwerp om die pas van 'n ARMA (i, j) model stoor, vir die herhaling veranderlikes i en j. As die huidige AIC minder as 'n voorheen bereken AIC is het ons die finale AIC om hierdie huidige waarde en kies daardie volgorde. By beëindiging van die lus het ons die einde van die ARMA model gestoor in final. order en die ARIMA (p, d, q) pas self (met die Geïntegreerde d komponent ingestel op 0) gestoor as final. arma: Kom uitset die AIC , orde en ARIMA koëffisiënte: Ons kan sien dat die oorspronklike bevel van die gesimuleerde ARMA model verhaal, naamlik met P3 en q2. Ons kan die corelogram van die residue van die model plot om te sien of hulle lyk soos 'n verwesenliking van diskrete wit geraas (DWN): Die corelogram inderdaad lyk soos 'n verwesenliking van DWN. Ten slotte, ons voer die Ljung-Box toets vir 20 lags om dit te bevestig: Let daarop dat die p-waarde groter as 0.05, wat bepaal dat die residue is onafhanklik op die vlak 95 en dus 'n ARMA (3,2) model bied 'n goeie model pas. Dit is duidelik dat indien dit die geval wees, aangesien weve gesimuleerde die data onsself Dit is egter juis die proses sal ons gebruik wanneer ons kom ARMA (p, q) modelle om die SampP500 indeks in die volgende artikel te pas. Finansiële data nou dat weve beskryf die prosedure vir die keuse van die optimale tyd reeks model vir 'n gesimuleerde reeks, is dit eerder eenvoudig om dit toe te pas om finansiële data. Vir hierdie voorbeeld gaan ons weer kies die SampP500 VSA Equity Index. Kom ons laai die daaglikse sluitingspryse behulp quantmod en dan skep die log opbrengste stroom: Kom uit te voer dieselfde pas prosedure as vir die gesimuleerde ARMA (3,2) reeks bo op die puntelys opbrengste reeks van die SampP500 met behulp van die AIC: Die beste pas model het einde ARMA (3,3): Kom ons plot die residue van die toegeruste model om die SampP500 teken daaglikse opgawes stroom: Let daarop dat daar 'n paar beduidende hoogtepunte, veral by hoër lags. Dit is 'n aanduiding van 'n swak passing. Kom ons doen 'n Ljung-Box toets om te sien as ons statistiese bewyse vir hierdie: Terwyl ons vermoed, die p-waarde is minder as 0,05 en as sodanig kan ons nie sê dat die residue is 'n verwesenliking van diskrete wit geraas. Daar is dus bykomende outokorrelasie in die residue wat nie verklaar word deur die ingeboude ARMA (3,3) model. Volgende stappe soos weve al langs in hierdie artikel reeks het ons bewyse van voorwaardelike heteroskedastisiteit (wisselvalligheid groepering) gesien word in die SampP500 reeks bespreek, veral in die tydperke rondom 2007-2008. Wanneer ons later gebruik 'n GARCH model in die artikel reeks sal ons sien hoe hierdie outokorrelasies skakel. In die praktyk, ARMA modelle is nooit oor die algemeen goed pas vir log aandele opbrengste. Ons moet rekening hou met die voorwaardelike heteroskedastisiteit en gebruik 'n kombinasie van ARIMA en GARCH. Die volgende artikel sal oorweeg ARIMA en wys hoe die Geïntegreerde komponent verskil van die ARMA model het ons oorweeg in hierdie artikel. Michael Saal-Moore Mike is die stigter van QuantStart en is betrokke by die kwantitatiewe finansiële sektor vir die afgelope vyf jaar, in die eerste plek as 'n quant ontwikkelaar en later as 'n quant handelaar konsultasie vir verskansingsfondse. verwante Artikels