Xu hướng, thời vụ, trung bình di chuyển, mô hình hồi quy tự động: Hành trình của tôi đến dữ liệu chuỗi thời gian với mã tương tác
Hình ảnh từ trang web này Trước khi chúng ta tiếp tục, chúng ta cần thảo luận về một điều quan trọng, hầu hết dữ liệu chuỗi thời gian có thể được mô tả bởi ba thành phần. Và đó là xu hướng, thời vụ và thiên vị. Xu hướng → một thành phần phi tuyến tính chung hoặc (thường xuyên nhất) thay đổi theo thời gian và không lặp lại Tính thời vụ → một thành phần phi tuyến tính chung hoặc (thường xuyên nhất) thay đổi theo thời gian và lặp lại Nhiễu → một thành phần phi hệ thống cũng không phải Xu hướng / Tính thời vụ trong dữ liệu
Hình ảnh ngay → Python Mã để Tạo Visualization Red Line → Giá của Apple Cổ từ năm 1985 Blue Line → Trend cho Apple Cổ Giá Green Line → dư (Noise) cho Apple Cổ Giá Orange Line → mùa (hàng năm) xu hướng cho Apple Cổ Giá Với thư viện mã và statsmodel đơn giản, chúng ta có thể dễ dàng thấy từng thành phần liên quan với nhau như thế nào. Chúng ta có thể quan sát rằng có một sự gia tăng theo mùa hàng năm, cũng như xu hướng chung cho giá cổ phiếu táo đang tăng lên. Phương pháp dự đoán / dự báo
Hình ảnh trái / phải → Cửa sổ tiêu chuẩn Trung bình / Trung bình di chuyển theo cấp số nhân Có rất nhiều phương pháp khác nhau mà chúng ta có thể sử dụng khi chúng ta muốn thực hiện dự báo. Tôi sẽ đề cập đến các phương pháp mà tôi đã tìm thấy trong quá trình nghiên cứu của tôi. Tính toán trung bình / di chuyển theo cấp số nhân → tính toán để phân tích các điểm dữ liệu bằng cách tạo chuỗi trung bình của các tập hợp con khác nhau của tập dữ liệu đầy đủ
Tự động hồi quy → là biểu diễn của một loại quy trình ngẫu nhiên ; như vậy, nó được sử dụng để mô tả các quá trình thay đổi thời gian nhất định trong tự nhiên , kinh tế , v.v. Tuyến tính / Đa thức Regression → phân tích hồi quy trong đó mối quan hệ giữa các biến độc lập x và biến phụ thuộc y được mô phỏng như một n th độ p olynomial (hoặc 1 độ cho tuyến tính) ARMA → mô hình cung cấp một mô tả kỹ lưỡng về một quá trình ngẫu nhiên đứng yên (yếu) về hai đa thức, một cho sự tự phát và thứ hai cho trung bình di chuyển .
ARIMA (Trung bình di chuyển tích hợp tự động) → là tổng quát của mô hình trung bình di chuyển tự động (ARMA). Cả hai mô hình này đều phù hợp vớidữ liệu chuỗi thời gian để hiểu rõ hơn về dữ liệu hoặc dự đoán các điểm trong tương lai của chuỗi ( dự báo ) ARIMA theo mùa → các thuật ngữ AR và MA theo mùa dự đoán xt sử dụng các giá trị dữ liệu và lỗi tại các thời điểm có độ trễ là bội số của S (khoảng thời gian theo mùa) ARIMAX → Một mô hình ARIMA với đồng biến ở phía bên tay phải Mạng thần kinh tái phát (LSTM) → một lớp mạng thần kinh nhân tạo nơi các kết nối giữa các nút tạo thành một biểu đồ có hướng dọc theo một chuỗi trong đó cho phép nó thể hiện hành vi thời gian động trong một chuỗi thời gian.
Như đã thấy ở trên, ngay cả một Auto Regressive đơn giản cũng có thể phù hợp với giá cổ phiếu khá hoàn hảo. Vui lòng bấm vào đây để đọc về sự khác biệt giữa ARMA, ARIMA và ARIMAX. Mã tương tác
Đối với Google Colab, bạn sẽ cần một tài khoản google để xem mã, ngoài ra bạn không thể chạy các tập lệnh chỉ đọc trong Google Colab để tạo một bản sao trên sân chơi của bạn. Cuối cùng, tôi sẽ không bao giờ xin phép truy cập các tệp của bạn trên Google Drive, chỉ là FYI. Chúc mừng mã hóa! Để truy cập mã được sử dụng cho bài viết này, xin vui lòng bấm vào đây. Từ cuối cùng Tôi hy vọng sẽ tiếp tục nghiên cứu của mình để hiểu sâu hơn về Chuỗi thời gian. Vì tôi nghĩ vấn đề rất phổ biến của nó trong mọi ngành công nghiệp.
Nếu có bất kỳ lỗi nào được tìm thấy, xin vui lòng gửi email cho tôi tại jae.duk.seo @ gmail, nếu bạn muốn xem danh sách tất cả các văn bản của tôi xin vui lòng xem trang web của tôi ở đây . Đồng thời theo dõi tôi trên twitter của tôi ở đây và truy cập trang web của tôi hoặc kênh Youtube của tôi để biết thêm nội dung. Tôi cũng đã triển khai Wide Residual Networks, vui lòng bấm vào đây để xem blog pos t.
Không có nhận xét nào