پیش بینی بازده سهام با استفاده از مدل ARIMA

پیش بینی عبارتست از تخمین مقدار یک متغیر با استفاده از داده های تاریخی همان متغیر یا تغییر در مقدار متغیرهای دیگر. روشهای پیش بینی به دو دسته کیفی و کمی تقسیم می شوند. پیش بینی های سری زمانی تحت دسته کمی قرار می گیرند.
برخی از تکنیک های پیش بینی های سری زمانی عبارتند از:

  • مدل های رگرسیون خودکار (Auto Regressive = AR)
  • مدلهای میانگین متحرک (Moving Average = MA)
  • مدل های رگرسیون فصلی (Seasonal Regressive )
  • مدل های توزیع شده (Distributed Lags)

مدل ARIMA

ARIMA = Auto Regressive Integerated Moving Average.
به این مدل “Box_Jenkins” هم گفته می شود.

به طور خلاصه این دو دانشمند در این مدل بیان کردند که یک مقدار نامشخص در زمان t در آینده مثل Yt را می توان بصورت تابعی از مقادیر همان تابع در زمانهای گذشته t-1 و t-2 و … با مقادیر خطای جزئی et-1 و et-2 و … نشان داد.

این مدل از سه بخش اصلی تشکیل شده است.

  1. AR : مقادیر به کمک یک تابع رگرسیون خودکار برازش (fit) می شوند.
  2. I : روند اصلاح شده و مقادیر نامشخص به مقادیر مشخص تبدیل می شود.
  3. MA : با استفاده از یک تابع میانگین متحرک مقادیر پیش بینی می شوند.

مطالب مرتبط