Otoregresif Entegre Hareketli Ortalama (ARIMA) Tahmin Modeli

Otoregresif Entegre Hareketli Ortalama (ARIMA) Nedir?

Otoregresif entegre hareketli ortalama veya ARIMA, veri setini daha iyi anlamak veya gelecekteki eğilimleri tahmin etmek için zaman serisi verilerini kullanan istatistiksel bir analiz modelidir.

Geçmiş değerlere dayalı olarak gelecekteki değerleri tahmin ediyorsa, istatistiksel bir model otoregresiftir. Örneğin, bir ARIMA modeli, geçmiş performansına dayalı olarak bir hisse senedinin gelecekteki fiyatlarını tahmin etmeye veya geçmiş dönemlere dayalı olarak bir şirketin kazançlarını tahmin etmeye çalışabilir.

Otoregresif Entegre Hareketli Ortalamayı (ARIMA) Anlamak

Otoregresif entegre hareketli ortalama modeli, bir bağımlı değişkenin diğer değişen değişkenlere göre gücünü ölçen bir regresyon analizi biçimidir. Modelin amacı, gerçek değerler yerine serideki değerler arasındaki farkları inceleyerek gelecekteki menkul kıymetleri veya finansal piyasa hareketlerini tahmin etmektir.

Bir ARIMA modeli, bileşenlerinin her birini aşağıdaki gibi ana hatlarıyla açıklayarak anlaşılabilir:

• Otoregresyon (AR) : kendi gecikmeli veya önceki değerlerine göre gerileyen değişen bir değişkeni gösteren bir modeli ifade eder.
• Tümleşik (I) : zaman serisinin durağan hale gelmesine izin vermek için ham gözlemlerin farkını temsil eder (yani, veri değerlerinin yerini veri değerleri ile önceki değerler arasındaki fark alır).
• Hareketli ortalama (MA) : Bir gözlem ile gecikmeli gözlemlere uygulanan hareketli bir ortalama modelden kalan bir hata arasındaki bağımlılığı içerir.

ARIMA Parametreleri

ARIMA’daki her bileşen, standart notasyonlu bir parametre olarak işlev görür. ARIMA modelleri için standart notasyon, p, d ve q ile ARIMA olacaktır; burada kullanılan ARIMA modelinin türünü belirtmek için parametrelerin yerine tamsayı değerler geçmektedir. Parametreler şu şekilde tanımlanabilir:

• p : gecikme sırası olarak da bilinen modeldeki gecikme gözlemlerinin sayısı.
• d : ham gözlemlerin farklılaştırılma sayısı; fark derecesi olarak da bilinir.
• q: hareketli ortalamanın sırası olarak da bilinen hareketli ortalama penceresinin boyutu.

Örneğin, doğrusal bir regresyon modeli, terimlerin sayısını ve türünü içerir. Parametre olarak kullanılabilen sıfır (0) değeri, modelde belirli bir bileşenin kullanılmaması gerektiği anlamına gelir. Bu şekilde, ARIMA modeli, bir ARMA modelinin veya hatta basit AR, I veya MA modellerinin işlevini yerine getirmek için oluşturulabilir.

ARIMA ve Sabit Veriler

Bir otoregresif entegre hareketli ortalama modelinde, durağan hale getirmek için veriler farklılaştırılır. Durağanlığı gösteren bir model, verilerin zaman içinde sabit olduğunu gösteren modeldir. Çoğu ekonomik ve piyasa verileri eğilimleri gösterir, bu nedenle fark almanın amacı, herhangi bir eğilimi veya mevsimsel yapıyı ortadan kaldırmaktır.

Mevsimsellik veya veriler bir takvim yılı boyunca tekrar eden düzenli ve öngörülebilir modeller gösterdiğinde, regresyon modelini olumsuz etkileyebilir. Bir trend ortaya çıkarsa ve durağanlık belirgin değilse, süreç boyunca birçok hesaplama yapılamaz ve amaçlanan sonuçları üretemez.

ARIMA Modeli Nasıl Oluşturulur

Bir yatırım için bir ARIMA modeli oluşturmaya başlamak için olabildiğince çok fiyat verisi indirirsiniz. Veriler için eğilimleri belirledikten sonra, otokorelasyonları gözlemleyerek en düşük fark sırasını (d) belirlersiniz. Gecikme-1 otokorelasyon sıfır veya negatif ise, seri zaten farklanmıştır. Gecikme-1 sıfırdan büyükse serinin farkını daha fazla almanız gerekebilir.

Ardından, otokorelasyonları ve kısmi otokorelasyonları karşılaştırarak regresyon sırasını (p) ve hareketli ortalamanın sırasını (q) belirleyin. İhtiyacınız olan bilgilere sahip olduğunuzda, kullanacağınız modeli seçebilirsiniz.

ARIMA’nın Artıları ve Eksileri

ARIMA modellerinin güçlü noktaları vardır ve geçmiş koşullara dayalı tahminlerde iyidirler, ancak ARIMA’yı kullanırken dikkatli olmak için daha fazla neden vardır. “Geçmiş performans, gelecekteki performansın bir göstergesi değildir…” ifadesini içeren yatırım sorumluluk reddi beyanlarının tam tersine, ARIMA modelleri, geçmiş değerlerin mevcut veya gelecekteki değerler üzerinde bir miktar kalıntı etkisi olduğunu varsayar ve gelecekteki olayları tahmin etmek için geçmişten gelen verileri kullanır.

Aşağıdaki tablo, iyi ve kötü özellikler gösteren diğer ARIMA özelliklerini listeler.

Alt çizgi

ARIMA modeli, geçmiş performansa dayalı olarak bir şeyin gelecekte nasıl hareket edeceğini tahmin etmek için bir tahmin aracı olarak kullanılır. Bir varlığın gelecekteki performansını tahmin etmek için teknik analizde kullanılır.

ARIMA modellemesi, insan düşüncesinden etkilenen geçmiş verileri ve parametreleri kullandığından, altı aydan daha uzun vadeli tahminler için genellikle yetersizdir. Bu nedenle, bir varlığın performansının daha net bir resmini elde etmek için diğer teknik analiz araçlarıyla birlikte kullanılması en iyisidir.