Понятие временных рядов используется во многих отраслях и областях исследований. Их тысячи в таких отраслях, как торговля, технологии, здравоохранение, энергетика и финансы. Учитывая неотъемлемый элемент времени в трейдинге и финансовые/экономические показатели, этот раздел посвящен финансовой отрасли. Прибыль бизнеса с течением времени или другие измеренные ключевые показатели эффективности являются отличным примером данных временных рядов. Следовательно, методы анализа временных рядов, описанные в следующей статье, могут использоваться практически в любой профессии, где требуется анализ временных рядов.
Существуют разные подходы к моделированию или прогнозированию временных рядов. Чаще всего используются методы, основанные на статистическом анализе и машинном обучении.
До появления вычислительной мощности и более детализированных данных статистические подходы доминировали в области моделирования временных рядов. В настоящее время в производстве модели временных рядов выполняются с использованием подходов на основе машинного обучения из-за последних достижений в области вычислительной мощности и более полного сбора данных. Классические статистические подходы по-прежнему актуальны, особенно когда модели ML изо всех сил пытаются изучить закономерности на ограниченных обучающих данных (например, ежемесячных данных всего три года назад). Кроме того, статистические подходы были успешными в нескольких недавних М-конкурсах, которые являются крупнейшим соревнованием по прогнозированию временных рядов, инициированным Спиросом Макридакисом.
Цель этой статьи — познакомить вас с основами моделирования временных рядов. Методы декомпозиции используются для деконструкции временных рядов и изучения составляющих их элементов. Далее следует обсуждение стационарности, методов проверки и методов достижения стационарности в нестационарных рядах.
Используя декомпозицию временных рядов, данные разбиваются на составляющие компоненты, такие как тренд, сезонность и остаточная вариация. В результате этого метода становятся понятными основные закономерности и вариации данных, что дает полезную информацию для прогнозирования.
Декомпозиция временных рядов помогает нам понять данные, разбивая их на разные компоненты. В этом процессе достигается понимание сложности модели и методов, необходимых для эффективного захвата или моделирования каждого компонента.
Пример может обеспечить лучшее понимание возможностей. Подумайте о временном ряду, который показывает возрастающую или убывающую тенденцию. Отделить компоненты тренда от других рядов можно…
