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. Подбирая неустановившиеся модели в Econometrics Toolbox™, это не необходимо для вручную различия ваши данные, и подбирайте стационарную модель. Вместо этого используйте свои данные по исходной шкале и создайте arima объект модели с желаемой степенью несезонного и сезонного дифференцирования. Подбирать модель ARIMA непосредственно выгодно для прогнозирования: прогнозы возвращены по исходной шкале (не differenced).

Осуществите проверки качества подгонки, чтобы гарантировать, что модель описывает ваши данные соответственно. Остаточные значения должны быть некоррелироваными, гомоскедастичными, и нормально распределенными с постоянным средним значением и отклонением. Если остаточные значения не нормально распределены, можно изменить инновационное распределение в 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.