Документация

Установите стационарность своих временных рядов. Если ваш ряд не является стационарным, последовательно различие ваш ряд, чтобы достигнуть стационарности. Демонстрационная автокорреляционная функция (ACF) и частичная автокорреляционная функция (PACF) стационарного ряда затухает экспоненциально (или убегает полностью после нескольких задержек).

Идентифицируйте (стационарную) условную среднюю модель для своих данных. Демонстрационный ACF и функции PACF могут помочь с этим выбором. Для авторегрессивного (AR) обрабатывают, демонстрационный ACF постепенно затухает, но демонстрационный PACF убегает после нескольких задержек. С другой стороны, для процесса скользящего среднего значения (MA), демонстрационный ACF убегает после нескольких задержек, но демонстрационных затуханий PACF постепенно. Если и ACF и затухание PACF постепенно, рассмотрите модель ARMA.

Задайте модель и оцените параметры модели. При приспосабливании неустановившихся моделей в Econometrics Toolbox™ это не необходимо для вручную различия данные, и соответствуйте стационарной модели. Вместо этого используйте свои данные по исходной шкале и создайте объект модели arima с желаемой степенью несезонного и сезонного дифференцирования. Подбор кривой модели ARIMA непосредственно выгоден для прогнозирования: прогнозы возвращены в исходной шкале (не differenced).

Осуществите проверки качества подгонки, чтобы гарантировать, что модель описывает ваши данные соответственно. Невязки должны быть некоррелироваными, гомоскедастичными, и нормально распределенными с постоянным средним значением и отклонением. Если невязки не нормально распределены, можно изменить инновационное распределение на t Студента.

После выбора модели — и проверка ее подгонки и прогнозирование способности — можно использовать модель, чтобы предсказать или сгенерировать симуляции Монте-Карло за будущий период времени.