اولین مجموعه داده من ارزش یک سرمایه گذاری (در میلیاردها دلار) در برابر زمان است که هر بار واحد از زمان Q1 سال 1947 یک چهارم است. زمان به Q3 2002 افزایش می یابد.
مجموعه داده دوم من "نتیجه تبدیل مقادیر سرمایه گذاری در [اولین مجموعه داده] به یک فرآیند تقریباً ثابت" است.
توطئه های ACF مربوطه:
من می دانم که توطئه ها صحیح هستند و از من خواسته می شود "درباره آنها اظهار نظر کنم". من نسبت به عملکرد همبستگی نسبتاً جدید هستم و کاملاً مطمئن نیستم که در مورد داده هایم به من چه می گوید.
اگر کسی می توانست وقت خود را برای توضیح مختصر بگذارد ، بسیار مورد استقبال قرار می گیرد.
$ \ begingroup $ وقتی می گویید "از من خواسته می شود درباره آنها اظهار نظر کنم" - آیا این برای برخی از کلاس ها است؟همچنین ، ممکن است برخی از نتایج این جستجو مفید باشد. سرانجام ، اولین لینک تحت "مرتبط" در نوار کناری به سمت راست ممکن است کمک کند.$ \ endgroup $
$ \ begingroup $ شما می توانید در مورد پایداری داده ها در هر سری بحث و مقایسه کنید و اینکه آیا این پایداری یک روند را ایجاد می کند. همچنین می توانید اظهار نظر کنید که آیا ACF قبل از انتخاب و نصب یک مدل سری زمانی ARMA ، برخی از داده ها را به داده ها ثابت می کند.$ \ endgroup $
$ \ begingroup $ glen_b - بله ، این یک تمرین است. سعی می کنم سرم را به برخی از ویژگی های اصلی ماژول برسانم. من از طریق سؤالات مربوطه بسیار خوب نگاه کردم و کاملاً آن را پیدا نکردم. من با این داده ها آشنا هستم و احساس می کنم یک مثال کوتاه به من کمک می کند. Javlacalle - از پاسخ شما متشکرم. بخش دیگری برای تمرینی وجود دارد که در آن شما را ملزم به پیشنهاد یک مدل ARMA مربوطه می کنید. من آن قسمت را می فهمم که فکر می کنم. مقایسه ACF با PACF و بررسی اینکه آیا آنها قطع شده یا خاموش هستند. کمی در مورد "پایداری داده ها" شما گیج شده است.:( $ \ endgroup $
$ \ begingroup $ با پایداری منظور من این بود که میزان مشاهده در زمان $ t $ تحت تأثیر مشاهدات قبلی است. پایداری بالا معمولاً الگوی روند را در این سری ایجاد می کند و مربوط به همبستگی هایی است که به آرامی پوسیده می شود (یا به صفر می روند). همچنین می توان آن را به عنوان خاطره این سریال به شوک های گذشته تصور کرد (به عنوان مثال ، در یک پیاده روی تصادفی اثر برای همیشه باقی مانده است زیرا دقیقاً انباشت شوک ها در طول زمان است). سری زمانی که با پوسیدگی آهسته ACF مشخص می شود ، معمولاً یک الگوی صاف را نشان می دهد و می تواند به عنوان سری زمانی حافظه بلند طبقه بندی شود.$ \ endgroup $
1 پاسخ 1
اگر نگرانی اصلی شما استفاده از توطئه های ACF و PACF برای راهنمایی مناسب ARMA است ، http://people. duke. edu/~RNAU/411arim3. htm منبع خوبی است. به طور کلی ، دستورات AR تمایل دارند خود را با یک برش شدید در طرح PACF و یک روند آهسته یا تخریب سینوسی در طرح ACF ارائه دهند. برعکس معمولاً در مورد سفارشات MA صادق است. پیوند ارائه شده در بالا با جزئیات بیشتری در مورد این موضوع بحث می کند.
طرح ACF که شما ارائه داده اید ممکن است یک کارشناسی ارشد (2) را پیشنهاد کند. من حدس می زنم که شما سفارشات قابل توجهی در AR دارید که فقط به پوسیدگی سینوسی در همبستگی خودکار نگاه می کنید. اما همه اینها بسیار سوداگرانه است زیرا با افزایش تاخیر ، ضرایب خیلی سریع ناچیز می شوند. دیدن PACF بسیار مفید خواهد بود.
نکته مهم دیگر که می خواهید مراقب آن باشید ، اهمیت در تاخیر چهارم در PACF است. از آنجا که داده های سه ماهه ای دارید ، اهمیت در تاخیر چهارم نشانه فصلی است. به عنوان مثال اگر سرمایه گذاری شما یک فروشگاه هدیه است ، بازده ممکن است در طول تعطیلات (Q4) و در ابتدای سال (Q1) پایین تر باشد و باعث همبستگی بین محله های یکسان شود.
ضرایب قابل توجه برای تأخیرهای کوچکتر در نمودار ACF باید با افزایش اندازه داده های شما ثابت بماند، با این فرض که هیچ تغییری با سرمایه گذاری صورت نگیرد. تأخیرهای بالاتر با نقاط داده کمتر تخمین زده می‌شوند و سپس تأخیرهای کمتر (یعنی هر تأخیر یک نقطه داده را از دست می‌دهد)، بنابراین می‌توانید از اندازه نمونه در تخمین هر تأخیر استفاده کنید تا قضاوت خود را در مورد اینکه کدام یک ثابت می‌ماند و کدام یک کمتر است، استفاده کنید. قابل اعتماد.
استفاده از طرح ACF برای ایجاد بینش عمیق تر در مورد داده های خود (فراتر از تناسب ARMA) نیاز به درک عمیق تری از نوع سرمایه گذاری دارد. قبلاً در این مورد نظر داده ام.
برای بینش عمیق تربا دارایی‌های مالی، پزشکان اغلب برای دریافت ثابت قیمت‌ها را ثبت می‌کنند. تفاوت لاگ مشابه با بازده پیوسته فشرده (یعنی رشد) است، بنابراین تفسیر بسیار خوبی دارد و ادبیات مالی زیادی در مورد مطالعه/مدل سازی سری بازده دارایی در دسترس است. من فرض می کنم که داده های ثابت شما به این ترتیب به دست آمده است.
در کلی‌ترین مفهوم، می‌توانم بگویم همبستگی خودکار به این معنی است که بازده سرمایه‌گذاری تا حدودی قابل پیش‌بینی است. در مقایسه با معیاری مانند S&P 500 می‌توانید از یک ARMA مناسب برای پیش‌بینی بازده‌های آتی یا اظهارنظر در مورد عملکرد سرمایه‌گذاری استفاده کنید.
