Введение

Хотя для анализа данных используется множество сложных инструментов и методов, включая машинное обучение (ML), статистический анализ временных рядов является одним из методов, которые обычно выбирают. Мы все, наверное, слышали, как кто-то утверждал, что стоимость определенных товаров со временем снизилась или выросла. Этими товарами могут быть что угодно, от бензина, дизельного топлива до золота, серебра, продуктов питания и т. д. Данные временных рядов также можно интерпретировать в режиме реального времени или в реальном мире, поскольку время — это физическое число, а компоненты, коэффициенты, параметры и характеристики данных временных рядов — математические величины.

Анализ данных временных рядов — это способ изучения характеристик переменной отклика по отношению ко времени как независимой переменной. Используйте временную переменную в качестве точки отсчета для оценки целевой переменной в целях прогнозирования или прогнозирования. Набор команд, основанный на времени, представлен временным рядом. Это будут Горы, Минуты, Секунды, Годы, Месяцы, Недели и Недели. Это вывод, основанный на дискретном временном паттерне последующих интервалов.

Временной ряд — это не что иное, как последовательность различных точек данных, которые произошли в последовательном порядке за определенный период времени …….

Примеры анализа временных рядов

Рассмотрим следующий пример. Основная цель в финансовой сфере — распознать тенденции, сезонное поведение и корреляцию с использованием методов анализа временных рядов и разработки фильтров на основе прогнозов, в том числе;

  1. Чтобы предсказать прогнозируемую полезность. Требуется иметь точные и надежные прогнозы на будущее, такие как цены на активы, изменения в использовании, продукты, пользующиеся спросом, в статистической форме посредством исследования рынка и набор данных временных рядов для идеальной и успешной торговли.
  2. Моделирование ряда. После получения статистических выходных данных из финансовых временных рядов можно создавать модели будущих событий. Он помогает нам определить количество сделок, предполагаемые торговые издержки и прибыль, необходимые финансовые и технические инвестиции, различные торговые опасности и так далее.
  3. Предположим взаимосвязь. Признание связи между временными рядами и другими величинами дает нам торговые сигналы для улучшения текущего стиля торговли. Предполагаемые сделки могут быть выведены за конкретный период для прогнозирования широкого распространения для снижения транзакционных издержек, например, для того, чтобы узнать спред валютной пары и его колебания с предложением.

Как следует анализировать временные ряды?
Чтобы провести анализ временных рядов, мы должны сначала предпринять следующие шаги:

  1. Сбор и очистка данных
  2. Создание визуального представления времени и ключевой функции
  3. Наблюдение за стационарностью ряда
  4. Создание диаграмм, чтобы лучше понять его природу.
  5. Построение модели — AR, MA, ARMA и ARIMA
  6. Извлечение информации о прогнозах

Компоненты анализа временных рядов

Давайте посмотрим на различные компоненты анализа временных рядов.

Тренд: непрерывная временная шкала, в которой нет определенного интервала и каких-либо расхождений в представленном наборе данных. Общая тенденция может быть положительной, отрицательной или нулевой.
Сезонность: когда регулярный или фиксированный интервал набора данных смещается в течение непрерывного периода времени. Это колоколообразная кривая или зуб пилы?
Цикличность: Нет определенного интервала, есть вариативность в движении и его характере.
Неравномерность: Неожиданные ситуации/события/сценарии, а также всплески за короткий промежуток времени.

Типы данных временных рядов

Существует два основных типа — стационарные и нестационарные.

Стационарный. Набор данных должен соответствовать следующим рекомендациям, если в нем отсутствуют компоненты временного ряда «Тенденция», «Сезонность», «Цикличность» и «Нерегулярность».

1. Во время анализа их среднее значение должно быть полностью постоянным в данных.
2. Дисперсия должна быть постоянной по отношению ко времени.
3. Ковариация — это измерение связи между двумя переменными.

Нестационарный: набор данных является нестационарным, если со временем изменяется либо среднее отклонение, либо ковариация.

Спасибо!!!