وضعیت تست ثبت‌نام: کاربر کاملاً جدید
لوگو
آپلود لوگو
آکادمی تجارت برتر
--:--
حساب کاربری
خانه
دوره آموزشی
مدرسه
خدمات
✓مشاهده‌ی همه‌ی خدماتِ آموزشی (هر بخش)
✓تبدیل تاریخ
✓مبانی آموزشی بازارهای مالی
✕تحلیل بازارهای مالی
✓معرفی بروکر
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
مارکت
✓تبدیل تاریخ
✓مبانی آموزشی بورس اوراق بهادار
✕تحلیل بازار سهام
✓دریافت کد بورسی و سجام
✓معرفی کارگزاری‌ها
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓مبانی آموزشی ارزهای دیجیتال
✕تحلیل بازار کریپتو
✓مقایسه صرافی‌های ارز دیجیتال
✓ثبت‌نام و احراز هویت در صرافی
✓آموزش کیف پول و امنیت
✓معرفی صرافی‌های معتبر
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
مارکت
✓تبدیل تاریخ
✓مبانی آموزشی بازرگانی
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓خدمات حسابداری
✓مبانی آموزشی حسابداری
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓مبانی آموزشی بیمه
✓خدمات بیمه
✓معرفی کارگزاری‌های بیمه
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓خدمات فناوری اطلاعات
✓مبانی آموزشی فناوری اطلاعات
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓خدمات امور اداری
✓مبانی آموزشی امور اداری
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓خدمات آموزشی
✓مبانی آموزشی خدمات آموزشی
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓خدمات بازاریابی
✓مبانی آموزشی بازاریابی
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
✓خدمات کارآفرینی
✓مبانی آموزشی کارآفرینی
✕آزمون دوره‌ها
✓فیلم‌های مرتبط
✓تبدیل تاریخ
ابزار
۱۰ ابزار آنلاین
دانلود متاتریدر ۴-۵
اندیکاتور
سایت‌های مهم
پایش لحظه‌ای شاخص و نمادها
تقویم مجامع و افزایش سرمایه
دیده‌بان بازار بورس
ماشین‌حساب‌های بورس
سایت‌های مهم
قیمت لحظه‌ای رمزارزها
تقویم رویدادهای کریپتو
محاسبه‌گر سود و ضرر
سایت‌های مهم
محاسبه‌گر حقوق ورودی
چک‌لیست اسناد اعتبار اسنادی
سازنده پیش‌فاکتور
سایت‌های مهم
محاسبه‌گر ارزش‌افزوده
محاسبه‌گر حق بیمه تأمین اجتماعی
پلکان مالیات بر حقوق
چک‌لیست اظهارنامه عملکرد
واژه‌نامه حسابداری و مالیاتی
بانک قوانین و بخشنامه‌ها
یادآور مهلت‌های مالیاتی و بیمه‌ای
محاسبه‌گر جامع فیش حقوق
محاسبه‌گر استهلاک دارایی ثابت
محاسبه‌گر نقطه سربه‌سر
محاسبه‌گر جریمه تأخیر
سایت‌های مهم
ماشین‌حساب دیه
ماشین‌حساب خسارت
مقایسه بیمه‌ها
واژه‌نامه بیمه
بانک قوانین و بخشنامه‌ها
استعلام بیمه‌نامه
یادآور تمدید بیمه
سایت‌های مهم
اخبار
تقویم اقتصادی
انجمن
ارتباط با ما
بازارهای مالی
بورس اوراق بهادار
ارزهای دیجیتال
بازرگانی
حسابداری
بیمه
بازاریابی
کارآفرینی
فناوری اطلاعات
امور اداری
خدمات آموزشی

ARIMA و روشِ باکس–جنکینز

سطح 2 — مدل‌هایِ تک‌متغیره و نوسان · مطالعه: 14 دقیقه

ARIMA(p,d,q) یعنی مدلِ ARMA(p,q) روی سریِ d بار تفاضل‌گرفته‌شده. اگر قیمت I(1) باشد، d = ۱ است. ARIMA(0,1,0) همان گامِ تصادفی است: بهترین پیش‌بینیِ قیمتِ فردا، قیمتِ امروز است.

چهار گامِ باکس–جنکینز

گامکارابزار
۱. شناساییتعیین d و حدسِ اولیهٔ p و qآزمون‌هایِ ADF/KPSS، نمودارِ ACF/PACF
۲. برآوردبرآوردِ ضرایبدرست‌نمایی بیشینه (MLE)
۳. تشخیصبررسیِ باقیمانده‌هاآزمونِ لیونگ–باکس، نمودارِ ACF باقیمانده
۴. پیش‌بینیپیش‌بینی نقطه‌ای و بازه‌ایفاصلهٔ اطمینانِ پیش‌بینی

انتخابِ مدل: AIC و BIC

افزودنِ پارامتر همیشه برازشِ درون‌نمونه را بهتر می‌کند، پس باید جریمه‌اش کرد: AIC = 2k − 2 ln L و BIC = k ln(n) − 2 ln L . مدلی با مقدارِ کمتر بهتر است. BIC در نمونه‌هایِ بزرگ مدلِ ساده‌تر را بیشتر ترجیح می‌دهد.

مثال (فرضی): با n = ۲۵۰ دو مدل داریم. مدلِ A: k = ۳ و ln L = −۵۰۰؛ مدلِ B: k = ۵ و ln L = −۴۹۷. AIC مدلِ A = ۱٬۰۰۶ و مدلِ B = ۱٬۰۰۴ است، پس AIC مدلِ B را برتر می‌داند. با ln ۲۵۰ ≈ ۵٫۵۲: BIC مدلِ A ≈ ۱٬۰۱۶٫۶ و مدلِ B ≈ ۱٬۰۲۱٫۶ است؛ BIC مدلِ A را برتر می‌داند. در این حالت مدلِ ساده‌تر برایِ استفادهٔ زنده معمولاً انتخابِ محتاطانه‌تری است.

تشخیصِ باقیمانده

اگر مدل درست باشد، باقیمانده‌ها باید نوفهٔ سفید باشند. آزمونِ لیونگ–باکس روی باقیمانده‌ها با p-value بزرگ‌تر از ۰٫۰۵ (مثلاً ۰٫۴۰) نشان می‌دهد خودهمبستگیِ باقی‌مانده‌ای نیست. اگر p-value کوچک باشد، مدل ساختار را کامل نگرفته است. اگر مربعِ باقیمانده‌ها خودهمبستگی داشته باشد، مشکلِ نوسان است که با GARCH حل می‌شود.

پیش‌بینیِ ARIMA برایِ افقِ دور به میانگین (یا برایِ d=۱ به یک خطِ ثابت یا شیب‌دار) می‌رسد و بازهٔ اطمینانش با افزایشِ افق پهن‌تر می‌شود؛ یعنی مدل صادقانه می‌گوید دربارهٔ آیندهٔ دور کم می‌داند. اگر الگویِ فصلی دارید، SARIMA با پارامترهایِ فصلی اضافه می‌شود.

from statsmodels.tsa.arima.model import ARIMA
from statsmodels.stats.diagnostic import acorr_ljungbox
fit = ARIMA(price, order=(1, 1, 1)).fit()
print(fit.aic, fit.bic)
print(acorr_ljungbox(fit.resid, lags=[10]))
fc = fit.get_forecast(steps=5)
print(fc.predicted_mean, fc.conf_int())

یادآوری: برایِ مقایسهٔ عادلانه مدل‌ها باید روی یک سری با d یکسان مقایسه شوند؛ AIC مدل‌هایِ با تفاضلِ متفاوت قابل‌مقایسه نیست.

🎓 پیام‌رسان تجارت‌برتر
✅
🔒 رمزنگاری فعال
✈️

پیام‌رسان امن آموزشگاهی

ارتباط مستقیم و امن با استاد همان درس و تیم پشتیبانی. همه‌ی گفتگوها تحت نظارت ادمین هستند.

🛡️رمزنگاری سرتاسری
🔐دسترسی نقش‌محور
🕘لاگ حسابرسی کامل
⚠️