سادهترین مدلهایِ تکمتغیره بازدهِ امروز را با گذشتهٔ خودش و شوکهایِ گذشته توضیح میدهند. اینها پایهٔ «الگوهایِ تکمعادلهای» هستند.
مدلِ خودرگرسیو AR(p)
rt = c + φ1 rt-1 + … + φp rt-p + εt . برایِ AR(1) شرطِ مانایی |φ| < 1 است و خودهمبستگیِ وقفهٔ k برابر ρk = φk است. پس برایِ φ = 0.3 مقدارها ۰٫۳۰، ۰٫۰۹ و ۰٫۰۲۷ میشود؛ اثر بهسرعت محو میشود.
مدلِ میانگین متحرک MA(q)
rt = μ + εt + θ1 εt-1 + … + θq εt-q . اینجا «میانگین متحرک» به معنیِ ترکیبِ شوکهاست و با میانگین متحرکِ اندیکاتورها تفاوت دارد. برایِ MA(1) ρ1 = θ / (1+θ²) و پس از وقفهٔ ۱ خودهمبستگی صفر است. اگر θ = ۰٫۵ باشد، ρ₁ = ۰٫۵ ÷ ۱٫۲۵ = ۰٫۴۰ .
الگویِ ACF و PACF برایِ شناسایی
| مدل | ACF | PACF |
|---|---|---|
| AR(p) | بهتدریج کاهش مییابد | بعد از وقفهٔ p قطع میشود |
| MA(q) | بعد از وقفهٔ q قطع میشود | بهتدریج کاهش مییابد |
| ARMA(p,q) | بهتدریج کاهش مییابد | بهتدریج کاهش مییابد |
ARMA(p,q) ترکیبِ هر دو است و اغلب با پارامترهایِ کمتری همان ساختار را میگیرد؛ مثلاً ARMA(1,1) گاهی جایگزینِ AR(۵) میشود. اصلِ صرفهجویی (parsimony) میگوید از مدلِ سادهتر شروع کنید.
from statsmodels.tsa.arima.model import ARIMA
ar1 = ARIMA(r, order=(1, 0, 0)).fit() # AR(1)
ma1 = ARIMA(r, order=(0, 0, 1)).fit() # MA(1)
print(ar1.params)یادآوری: در بازدهِ روزانهٔ بازارهایِ کارا، ضریبهایِ AR/MA معمولاً کوچکاند. این مدلها در درسهایِ بعد بیشتر بهعنوانِ بخشِ «میانگین» کنارِ مدلهایِ نوسان و برایِ باقیماندهها بهکار میروند.
