Документация

Установите стационарность своих временных рядов. Если ваша серия не является стационарной, последовательно различайте вашу серию, чтобы достичь стационарности. Выборочная автокорреляционная функция (ACF) и частичная автокорреляционная функция (PACF) стационарного последовательного распада экспоненциально (или полностью отсечена после нескольких лагов).

Идентифицируйте (стационарную) условную среднюю модель для ваших данных. С этим выбором могут помочь выборки функции ACF и PACF. Для авторегрессивного (AR) процесса выборка ACF распадается постепенно, но выборка PACF отсекает после нескольких лагов. И наоборот, для процесса скользящего среднего значения (MA), выборки отсекает после нескольких лагов, но PACF выборки распадается постепенно. Если и ACF, и PACF распадаются постепенно, рассмотрите модель ARMA.

Задайте модель и оцените параметры модели. При подборе нестационарных моделей в Econometrics Toolbox™ не обязательно вручную различать ваши данные и подбирать стационарную модель. Вместо этого используйте свои данные в исходной шкале и создайте arima объект модели с желаемой степенью несезонного и сезонного дифференцирования. Подгонка модели ARIMA непосредственно выгодна для прогнозирования: прогнозы возвращаются по исходной шкале (не дифференцированной).

Проведите проверки качества подгонки, чтобы убедиться, что модель адекватно описывает ваши данные. Невязки должны быть некоррелированными, гомоскедастическими и обычно распределенными с постоянным средним и отклонением. Если невязки обычно не распределены, вы можете изменить свое инновационное распределение на t Студента.

После выбора модели - и проверки ее подгонки и прогнозирующей способности - можно использовать модель для прогнозирования или генерации симуляций Монте-Карло в будущем временном горизонте.