Авторегрессионные модели скользящего среднего ARMA (p, q) для анализа временных рядов - часть 2

В части 1 мы рассмотрели модель авторегрессии порядка p, также известную как модель AR(p). Мы ввели ее как расширение модели случайного блуждания в попытке объяснить дополнительную серийную корреляцию в финансовых временных рядах.

В конце концов мы поняли, что она не была достаточно гибкой, чтобы полностью учесть автокорреляцию цен закрытия Amazon Inc. (AMZN) и индекса акций США S&P500. Основная причина этого заключается в том, что оба этих актива условно гетероскедастичны, что означает, что они нестационарны и имеют периоды «переменной дисперсии» или кластеризации волатильности, что не учитывается моделью AR(p).

Стационарность и память на финансовых рынках

Стационарность и предсказуемость временных рядов, частным случаем которых является память временных рядов, являются фундаментальными понятиями для количественного инвестиционного анализа. Однако это часто неправильно понимают как практики, так и исследователи, о чем свидетельствует глава 5 недавней книги «Advances in Financial Machine Learning». Я имел удовольствие разъяснить эти заблуждения некоторым участниками конференции The Rise Of Machine Learning in Asset Management в Йельском университете после конференции, но я пришел к выводу, что проблема настолько распространена, что заслуживает публичного обсуждения.

Временные ряды для начинающих. Часть 3. Прогнозирование

Первая часть
Вторая часть

Теперь, когда мы рассмотрели основы анализа временных рядов, мы наконец можем погрузиться в прогнозирование!

3.1 Что такое прогнозирование?

Прогнозирование - это просто процесс использования прошлых значений данных для обоснованного прогнозирования будущих значений данных. Как было сказано в предыдущей главе, если вы хотите делать хорошо обоснованные прогнозы, временные ряды должны быть стационарными. Это может быть сделано путем подбора модели arima с помощью функции auto.plot() в пакете forecast. Затем все, что вам нужно сделать, это применить функцию forecast(), чтобы получить прогноз! Функция forecast() может принимать другой аргумент вместе с вашей моделью. Вы также можете ввести h, желаемое количество прогнозируемых периодов времени. Эта функция очень удобна для анализа временных рядов в реальном мире.

Временные ряды для начинающих. Часть 2. Моделирование временных рядов

Первая часть

Как упоминалось ранее, временной ряд должен быть стационарным, чтобы его можно было использовать для прогнозирования хорошо обоснованных значений. Мы рассмотрим несколько моделей, которые мы можем создать для прогнозирования.

Обратите внимание, что первые 3 модели, которые мы рассматриваем, AR, MA и ARMA, можно использовать для стационарных временных рядов. Остальные модели используются на нестационарных временных рядах.

Временные ряды: зачем нам нужны стационарность и эргодичность

Временной ряд - это ряд точек данных, индексированных по времени, обычно с равными временными интервалами. Примерами временных рядов являются цены на акции, ежемесячная доходность, продажи компании и т. д. Временные ряды можно рассматривать как данные с целевой переменной (цена, доходность, объем продаж…) и только одной характеристикой: временем. Действительно, идея временных рядов заключается в том, что мы можем экстраполировать интересную информацию, анализируя поведение данной переменной во времени. Тогда, если появятся соответствующие выводы, в идеале будет возможно предсказать движение нашей переменной в будущем.

Авторегрессионные модели скользящего среднего ARMA (p, q) для анализа временных рядов. Часть 1.

В прошлой статье мы рассмотрели случайные блуждания и белый шум как базовые модели временных рядов для определенных финансовых инструментов, таких как ежедневные цены на акции и индексы акций. Мы обнаружили, что в некоторых случаях модели случайного блуждания было недостаточно для отражения полного автокорреляционного поведения инструмента, что мотивирует применение более сложных моделей.

В следующих парах статей мы собираемся обсудить три типа моделей, а именно модель авторегрессии (AR) порядка p, модель скользящего среднего (MA) порядка q и модель смешанного автогрессивного скользящего среднего (ARMA) порядка p, q. Эти модели помогут нам попытаться уловить или «объяснить» больше серийной корреляции, присутствующей в инструменте. В конечном итоге они предоставят нам средство прогнозирования будущих цен.

Экспонента Херста в анализе фондового и криптовалютного рынка с помощью Python

Вступление

Сразу переходя к делу, показатель Херста - это быстрый способ выяснить, является ли рассматриваемый временной ряд случайным блужданием, возвратом к среднему или трендом. В мире финансов многие трейдеры вырабатывают стратегии, основанные на импульсах и стратегиях возврата к среднему. Я кратко расскажу о них ниже:

Временные ряды для начинающих. Часть 1. Введение во временные ряды

Я рекомендую установить эти 3 пакета, прежде чем мы начнем:

library(tidyverse)
library(ggfortify)
library(forecast)

1.1 Что такое временной ряд?

Временной ряд - это ряд точек данных во времени. Звучит довольно просто, правда?

Введение в прогнозирование временных рядов с помощью torch

Этот пост представляет собой введение в прогнозирование временных рядов с помощью torch. Центральными темами являются ввод данных и практическое использование RNN (GRU/LSTM). Следующие публикации будут основаны на этой и представят все более сложные архитектуры.

Это первая публикация из серии, посвященной прогнозированию временных рядов с помощью torch. Она требует некоторого предыдущего опыта работы с Torch и/или глубоким обучением. Но что касается временных рядов, то они рассматриваются с самого начала, используя рекуррентные нейронные сети (GRU или LSTM), чтобы предсказать, как что-то будет развиваться во времени.

Прогнозирование временных рядов в R с помощью lstm

Оказывается, глубокое обучение со всей его мощью также можно использовать для прогнозирования. Особенно модель LSTM (Long Short Term Memory), которая оказалась полезной при решении проблем, связанных с последовательностями с автокорреляцией.

Сети с долговременной краткосрочной памятью - это своего рода рекуррентные нейронные сети (RNN), которые способны изучать долгосрочные зависимости. LSTM позволяет сохранять долгосрочные состояния в дополнение к краткосрочным, с которыми традиционные RNN испытывают трудности. LSTM весьма полезны в задачах прогнозирования временных рядов, включающих автокорреляцию, из-за их способности поддерживать состояние и распознавать закономерности по длине ряда.

Временные ряды и спектральный анализ в R

Оригинал: Time Series and Spectral Analysis

Многие экологические, эпидемиологические и физические данные представлены в виде временных рядов. Временной ряд - это последовательность наблюдений, записанных через последовательные интервалы времени.

В целом временные ряды характеризуются зависимостью. Значение ряда в некоторый момент времени t обычно не зависит от его значения, скажем, в t − 1. Мы используем специализированную статистику для анализа временных рядов и специализированные структуры данных для их представления в R. Эти структуры данных значительно облегчают наш последующий анализ.

Эти заметки представляют собой очень короткое введение в некоторые инструменты, которые я нашел полезными для экологии болезней.

Белый шум и случайные блуждания в анализе временных рядов

Оригинал: White Noise and Random Walks in Time Series Analysis

В последней статье серии «анализ временных рядов» мы обсуждали важность серийной корреляции и почему она чрезвычайно полезна в контексте количественной торговли.

В этой статье мы будем в полной мере использовать последовательную корреляцию, обсуждая наши первые модели временных рядов, включая некоторые элементарные линейные стохастические модели. В частности, мы собираемся обсудить белый шум и случайные блуждания.

Последовательная корреляция в анализе временных рядов

В этой статье мы рассмотрим один из наиболее важных аспектов временных рядов, а именно последовательную корреляцию (также известную как автокорреляция).

Прежде чем мы углубимся в определение последовательной корреляции, мы обсудим широкую цель моделирования временных рядов и почему мы заинтересованы в серийной корреляции.

Когда нам дают один или несколько финансовых временных рядов, мы в первую очередь заинтересованы в прогнозировании или моделировании данных. Относительно просто определить детерминированные тенденции, а также сезонные колебания и разложить ряд на эти компоненты. Однако после того, как такой временной ряд будет разложен, у нас остается случайный компонент.

Прогнозирование цен на акции с использованием методов машинного обучения и глубокого обучения (с кодом Python)

Оригинал: Stock Prices Prediction Using Machine Learning and Deep Learning Techniques (with Python codes)

Введение

Предсказать, как будет развиваться фондовый рынок, - одна из самых сложных задач. В прогнозировании задействовано очень много факторов - физические факторы против физиологического, рационального и иррационального поведения и т. д. Все эти аспекты в совокупности делают цены на акции нестабильными, и их очень трудно предсказать с высокой степенью точности.

Можем ли мы использовать машинное обучение, чтобы изменить правила игры в этой области? Используя такие данные, как последние новости о компании, ее квартальные результаты по доходам и т. д., методы машинного обучения могут выявить закономерности и идеи, которых мы раньше не видели, и их можно использовать для получения точных прогнозов.

Анализ временных рядов: работа с данными Date-Time в Python

Оригинал: Time Series Analysis: Working With Date-Time Data In Python

В этом посте мы обсудим некоторые важные инструменты, которые действительно полезны для анализа данных временных рядов. Эти инструменты чрезвычайно полезны для трейдеров при разработке и тестировании торговых стратегий.

Трейдеры имеют дело со множеством исторических данных и должны поиграться с ними и провести анализ таких временных рядов. Данные инструменты используются для подготовки данных перед проведением анализа. Мы сконцентрируемся на том, как обращаться с датами и частотой временных рядов. Мы также обсудим операции индексирования и среза для временных рядов. Для этого поста мы будем широко использовать библиотеку «datetime».

Полное руководство по анализу и моделированию временных рядов в R

Оригинал: A Complete Tutorial on Time Series Modeling in R

Введение

«Время» является наиболее важным фактором, обеспечивающим успех в бизнесе. Трудно идти в ногу со временем. Но технология разработала несколько мощных методов, используя которые мы можем «видеть вещи» раньше времени. Не волнуйтесь, я не говорю о машине времени. Давайте будем реалистами!

Я говорю о методах прогнозирования. Одним из таких методов, который работает с данными на основе времени, является моделирование временных рядов. Как следует из названия, он включает в себя работу с данными, основанными на времени (годы, дни, часы, минуты), чтобы получить скрытую информацию для принятия обоснованного решения.