Moving Average Model Anwendung

Es gibt eine Reihe von Ansätzen zur Modellierung von Zeitreihen. Wir skizzieren einige der häufigsten Ansätze unten. Trend, saisonal, Restzersetzungen Ein Ansatz ist es, die Zeitreihen in einen Trend-, Saison - und Restbestandteil zu zerlegen. Eine dreifache Exponentialglättung ist ein Beispiel für diesen Ansatz. Ein anderes Beispiel, das saisonale Löß genannt wird, basiert auf lokal gewichteten kleinsten Quadraten und wird von Cleveland (1993) diskutiert. Wir behandeln nicht saisonale Löss in diesem Handbuch. Frequenzbasierte Methoden Ein weiterer Ansatz, der in der wissenschaftlichen und technischen Anwendung häufig verwendet wird, besteht darin, die Serie im Frequenzbereich zu analysieren. Ein Beispiel für diesen Ansatz bei der Modellierung eines sinusförmigen Datensatzes wird in der Strahlablenkungsfallstudie gezeigt. Das Spektraldiagramm ist das Hauptinstrument für die Frequenzanalyse von Zeitreihen. Autoregressive (AR) Modelle Ein allgemeiner Ansatz für die Modellierung univariater Zeitreihen ist das autoregressive (AR) Modell: Xt delta phi1 X phi2 X cdots phip X At, wobei (Xt) die Zeitreihe, (At) weißes Rauschen und delta ist Links (1 - sum p phii rechts) mu. Mit (mu) das Prozeßmittel. Ein autoregressives Modell ist einfach eine lineare Regression des aktuellen Wertes der Serie gegen einen oder mehrere vorherige Werte der Serie. Der Wert von (p) wird als Ordnung des AR-Modells bezeichnet. AR-Modelle können mit einer von verschiedenen Methoden analysiert werden, einschließlich Standard-linearen Methoden der kleinsten Quadrate. Sie haben auch eine einfache Interpretation. Moving Average (MA) Modelle Ein weiteres gemeinsames Konzept für die Modellierung von univariaten Zeitreihenmodellen ist das gleitende Durchschnittsmodell (MA): Xt mu At - theta1 A - theta2 A - cdots - thetaq A, wobei (Xt) die Zeitreihe (mu ) Ist der Mittelwert der Reihe, (A) sind weiße Rauschterme, und (theta1,, ldots,, thetaq) sind die Parameter des Modells. Der Wert von (q) wird als Ordnung des MA-Modells bezeichnet. Das heißt, ein gleitendes Durchschnittsmodell ist konzeptionell eine lineare Regression des aktuellen Wertes der Reihe gegen das weiße Rauschen oder zufällige Schocks eines oder mehrerer früherer Werte der Reihe. Es wird angenommen, daß die zufälligen Schocks an jedem Punkt von der gleichen Verteilung, typischerweise einer Normalverteilung, mit einer Stelle bei Null und einer konstanten Skala kommen. Die Unterscheidung in diesem Modell ist, dass diese zufälligen Schocks propagiert werden, um zukünftige Werte der Zeitreihe. Das Anpassen der MA-Schätzungen ist komplizierter als bei AR-Modellen, da die Fehlerterme nicht beobachtbar sind. Dies bedeutet, dass iterative nicht-lineare Anpassungsverfahren anstelle von linearen kleinsten Quadraten verwendet werden müssen. MA-Modelle haben auch eine weniger offensichtliche Interpretation als AR-Modelle. Manchmal schlagen die ACF und PACF vor, dass ein MA-Modell eine bessere Modellwahl wäre und manchmal beide AR - und MA-Begriffe in demselben Modell verwendet werden sollten (siehe Abschnitt 6.4.4.5). Beachten Sie jedoch, dass die Fehlerterme nach dem Modell unabhängig sein sollten und den Standardannahmen für einen univariaten Prozess folgen. Box und Jenkins einen Ansatz, der den gleitenden Durchschnitt und die autoregressiven Ansätze in dem Buch Time Series Analysis: Forecasting and Control (Box, Jenkins und Reinsel, 1994) kombiniert. Obwohl sowohl autoregressive als auch gleitende Durchschnittsansätze bereits bekannt waren (und ursprünglich von Yule untersucht wurden) bestand der Beitrag von Box und Jenkins darin, eine systematische Methodik zur Identifizierung und Schätzung von Modellen zu entwickeln, die beide Ansätze berücksichtigen könnten. Dies macht Box-Jenkins Modelle eine leistungsfähige Klasse von Modellen. Die nächsten Abschnitte behandeln diese Modelle im Detail. Moving durchschnittliche stochastische Volatilität Modelle mit Anwendung auf die Inflation Prognose Joshua C. C. Chan. . Research School of Economics, Australian National University, Australien Erhalten 27. März 2012. Überarbeitet 15. Oktober 2012. Akzeptiert 23. Mai 2013. Erhältlich online 30. Mai 2013. Wir stellen eine neue Klasse von Modellen, die sowohl stochastische Volatilität und gleitende durchschnittliche Fehler, wo die Bedingte Mittel eine Zustandsraumdarstellung aufweist. Eine gleitende mittlere Komponente bedeutet jedoch, dass die Fehler in der Messgleichung nicht mehr seriell unabhängig sind und die Schätzung schwieriger wird. Wir entwickeln einen hinteren Simulator, der auf den jüngsten Fortschritten in der Präzisions-basierten Algorithmen für die Schätzung dieser neuen Modelle basiert. In einer empirischen Anwendung, die US-Inflation beinhaltet, stellen wir fest, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere Prognoseleistung im Vergleich zu den Standardvarianten mit nur stochastischer Volatilität bieten. JEL-Klassifikation Zustandsraum Unbeobachtete Komponenten Modell Precision Sparse Dichteprognose Tabelle 1. Abb. Fig. Fig. Tabelle 2. Fig. 5.What039s die Differenz zwischen gleitendem Durchschnitt und gewichtetem gleitendem Durchschnitt Ein 5-Perioden-gleitender Durchschnitt, basierend auf den obigen Preisen, würde nach folgender Formel berechnet: Basierend auf der obigen Gleichung betrug der Durchschnittspreis der oben genannten Periode 90,66. Die Verwendung von gleitenden Durchschnitten ist eine wirksame Methode zur Beseitigung starker Preisschwankungen. Die Schlüsselbegrenzung besteht darin, dass Datenpunkte von älteren Daten nicht anders gewichtet werden als Datenpunkte nahe dem Anfang des Datensatzes. Hier kommen gewichtete gleitende Mittelwerte ins Spiel. Gewichtete Mittelwerte weisen eine höhere Gewichtung auf aktuellere Datenpunkte zu, da sie relevanter sind als Datenpunkte in der fernen Vergangenheit. Die Summe der Gewichtung sollte bis zu 1 (oder 100) addieren. Im Fall des einfachen gleitenden Durchschnitts sind die Gewichtungen gleichmäßig verteilt, weshalb sie in der obigen Tabelle nicht dargestellt sind. Schlusskurs der AAPL