Vad är Box-Jenkins-modellen?
Box-Jenkins-modellen är en matematisk modell som är utformad för att förutse dataintervall baserade på ingångar från en viss tidsserie. Box-Jenkins-modellen kan analysera många olika typer av tidsseriedata för prognoser.
Dess metodik använder skillnader mellan datapunkter för att bestämma resultat. Metodiken tillåter modellen att identifiera trender med hjälp av autoregression, rörliga medelvärden och säsongsskillnader för att generera prognoser. Autoregressiva integrerade glidande medelmodeller (ARIMA) är en form av Box-Jenkins-modellen. Termen ARIMA och Box-Jenkins Model kan användas omväxlande.
Key Takeaways
- Box-Jenkins-modellen är en prognosmetodik med regressionsstudier. Metoden används bäst som en datorberäknad prognos baserad på en regression av tidsseriedata. Det passar bäst för prognoser inom tidsramar på 18 månader eller mindre. ARIMA-beräkningar görs med sofistikerade verktyg som programmerbar statistisk programvara på R-programmeringsspråk.
Förstå Box-Jenkins-modellen
Box-Jenkins-modeller används för att förutse en mängd förväntade datapunkter eller datainsamlingar inklusive affärsdata och framtida säkerhetspriser.
Box-Jenkins-modellen skapades av två matematiker George Box och Gwilym Jenkins. De två matematikerna diskuterade begreppen som utgör denna modell i en 1970-publikation "Time Series Analysis: Forecasting and Control."
Uppskattningar av parametrarna för Box-Jenkins-modellen kan vara mycket komplicerade. Därför, liknande andra tidsserie-regressionsmodeller, kommer de bästa resultaten vanligtvis att uppnås genom användning av programmerbar programvara. Box-Jenkins-modellen är också i allmänhet bäst lämpad för korttidsprognoser på 18 månader eller mindre.
Box-Jenkins metod
Box-Jenkins-modellen är en av flera tidssereanalysmodeller som en prognosmästare kommer att stöta på när man använder programmerad prognosprogramvara. I många fall kommer programvaran att programmeras för att automatiskt använda den bästa passande prognosmetoden baserat på tidsseriedata som ska förutsägas. Box-Jenkins rapporteras vara det bästa valet för datamängder som mestadels är stabila med låg volatilitet.
Box-Jenkins-modellen förutspår data med hjälp av tre principer, autoregression, skillnad och glidande medelvärde. Dessa tre principer kallas p, d respektive q. Varje princip används i Box-Jenkins-analysen och tillsammans visas de tillsammans som ARIMA (p, d, q).
Autoregression (p) -processen testar uppgifterna för dess stationära nivå. Om data som används är stationära kan det förenkla prognosprocessen. Om data som används är icke-stationära måste de differentieras (d). Uppgifterna testas också för dess rörliga medelpassning som görs i del q av analysprocessen. Sammantaget förbereder den första analysen av uppgifterna för prognoser genom att bestämma parametrarna (p, d och q) som används för att utveckla en prognos.
Prognoser aktiekurser
En användning för Box-Jenkins modellanalys är att förutse aktiekurser. Denna analys är vanligtvis byggd ut och kodad genom R-programvara. Analysen resulterar i ett logaritmiskt utfall som kan tillämpas på datamängden för att generera de prognostiserade priserna under en viss tid i framtiden.
