Ongeacht of we willen anticiperen op het patroon in de monetaire markten of op het gebruik van de macht, tijd is een belangrijke factor die momenteel in onze modellen moet worden overwogen. Het is bijvoorbeeld fascinerend om niet alleen te weten wanneer een aandeel zal stijgen in kosten, maar ook wanneer het zal stijgen.

Voer de tijdregeling in. Een termijnregeling is in wezen een progressie van de informatie die in de tijd wordt gevraagd. In een termijnregeling is tijd vaak de vrije factor en het doel is in de regel om een gissing te doen voor wat er komt.

Toch zijn er verschillende standpunten die een integrale factor worden bij het beheer van de tijdsindeling.

Is het stilstaand?

Is er een regelmaat?

Is de objectieve variabele autocorrelatie?

In deze post zal ik verschillende kwaliteiten van de tijdsindeling presenteren en hoe we deze kunnen weergeven om exacte (hoezeer ook verwacht mag worden) schattingen te krijgen.

Autocorrelatie

Informeel is de autocorrelatie de overeenkomst tussen de waarnemingen als functie van het tijdsverloop tussen de waarnemingen.

Hierboven is een geval van een autocorrelatieplot. Als je goed kijkt, begrijp je dat de primaire waardering en de 24e waarde een hoge autocorrelatie hebben. Zo zijn de twaalfde en de 36ste waarneming uitzonderlijk goed verbonden. Dit houdt in dat we een fundamenteel hetzelfde als een stimulans zullen lokaliseren op elke 24-eenheid van de tijd.

Merk op hoe de plot eruit ziet als sinusoïde capaciteit. Dit is een aanwijzing voor de regelmatigheid, en je kunt de prikkel ervan ontdekken door het vinden van de periode in het perceel hierboven, die zou geven 24 uur.

Regelmatigheid

Regelmatigheid verwijst naar incidentele veranderingen. Zo is bijvoorbeeld het stroomverbruik overdag hoog en ‘s nachts laag, of de online aanbiedingen stijgen tijdens de kerstperiode voordat u zich weer terugtrekt.

Zoals hierboven duidelijk moet zijn, is er een redelijke regelmaat van dag tot dag. Consequent zie je een top naar de nacht toe, en de onderste extremen zijn het begin en het einde van elke dag.

Houd er rekening mee dat regelmaat ook kan worden verkregen uit een autocorrelatie plot op de uit kans dat het een sinusoïde vorm heeft. Neem een kijkje in de periode, en het geeft de lengte van de periode aan.

Stationariteit

Stationariteit is een belangrijke kwaliteit van de tijdsindeling. Een periode-indeling wordt geacht stil te staan als de feitelijke eigenschappen ervan na verloop van tijd niet veranderen. Het heeft als het ware een gestaag gemiddelde en verschil, en de covariantie is vrij van tijd.

Als we naar een soortgelijk perceel kijken, zien we dat de bovenstaande procedure stilstaat. Het gemiddelde en de verandering verschillen niet na enige tijd.

Vaak zijn de voorraadkosten geen stationaire procedure, omdat we een ontwikkelend patroon kunnen zien, of de onvoorspelbaarheid ervan kan toenemen na enige tijd (wat impliceert dat het verschil zich ontwikkelt).

In een perfecte wereld hebben we een stationaire tijdsindeling nodig om te demonstreren. Het is duidelijk dat niet iedereen stilstaat, maar toch kunnen we verschillende veranderingen aanbrengen om ze stil te zetten.

De meest effectieve methode om te testen als een procedure stilstaat

U hebt misschien gezien in de titel van het perceel boven Dickey-Fuller. Dit is de feitelijke test die we racen om te beslissen of een periode arrangement stilstaat of niet.

Zonder in te gaan op de details van de Dickey-Fuller test, test het de ongeldige speculatie dat er een eenheidswortel beschikbaar is.

In het uiterste geval is de kans groot dat het op dat moment p > 0 is en de procedure niet stilstaat.

Iets anders, p = 0, de ongeldige theorie wordt verworpen, en de procedure wordt gezien als stilstaand.

Zo staat de onderstaande procedure niet stil. Merk op dat het gemiddelde niet stabiel is door de tijd heen.

Demonstratie van de tijdsindeling

Er zijn tal van benaderingen om een termijnregeling aan te tonen, zodat verwachtingen kunnen worden gewekt. Hier, ik zal het laten zien:

voortschrijdende normaal

exponentiële afvlakking

ARIMA

Normaal bewegen

De bewegende normale model is waarschijnlijk de meest lichtgelovige manier om te gaan met de tijd regeling te demonstreren. Dit model drukt in wezen uit dat de volgende perceptie het gemiddelde is van elke perceptie in het verleden.

Hoewel het eenvoudig is, kan dit model schokkend groot zijn en het spreekt tot een fatsoenlijke beginfase.

Iets anders, het bewegende normaal kan worden gebruikt om intrigerende patronen te herkennen met betrekking tot de informatie. We kunnen een venster karakteriseren om het bewegende normaal model toe te passen om de tijdsindeling en de verschillende patronen glad te strijken.

In het bovenstaande plot hebben we het bewegende normale model toegepast op een 24-uurs venster. De groene lijn heeft de tijdsindeling gladgestreken, en we zien dat er 2 toppen zijn in een 24-uurs periode.

Natuurlijk, hoe langer het venster, hoe soepeler de trend zal zijn. Hieronder staat een voorbeeld van een voortschrijdend gemiddelde op een kleiner venster.

Exponentiële afvlakking

Exponentiële afvlakking maakt gebruik van een vergelijkbare logica als normaal bewegen, maar deze keer wordt er een alternatief verminderend gewicht uitgedokterd voor elke waarneming. Er wordt als het ware minder betekenis gegeven aan percepties naarmate we verder van het heden komen.

Numeriek wordt het exponentieel gladstrijken gecommuniceerd als:

Hier is alfa een afvlakkingsfactor die waarden neemt tussen 0 en 1. Het bepaalt hoe snel het gewicht afneemt voor eerdere waarnemingen.

Vanaf de plot over, spreekt de doffe blauwe lijn tot de exponentiële afvlakking van de tijdsindeling met behulp van een afvlakkingsvariabele van 0,3, terwijl de oranje lijn een afvlakkingscomponent van 0,05 gebruikt.

Zoals duidelijk moet zijn, hoe lichter de afvlakkingsfactor, hoe soepeler de tijdsindeling. Dit voorspelt veel goeds, want als de afvlakkingsvariabele methodiek 0 benaderen we het bewegende normale model.

Tweevoudig exponentieel gladstrijken

Tweevoudig exponentieel gladstrijken wordt gebruikt wanneer er een patroon in de tijdsindeling zit. Al met al maken we gebruik van deze strategie, die in principe een recursief gebruik van exponentiële afvlakking is.

Wetenschappelijk:

Hier is bèta de trendafvlakkingsfactor, en het neemt waarden tussen 0 en 1.

Hieronder kunt u zien hoe verschillende waarden van alfa en bèta de vorm van de tijdreeks beïnvloeden.

Exponentieel gladstrijken van de pens

Deze techniek breidt de exponentiële afvlakking uit door af en toe een afvlakkingsfactor op te nemen. Dit is uiteraard nuttig in het geval dat u de regelmaat in uw tijdsindeling ziet.

Numeriek, drievoudig exponentieel gladstrijken wordt gecommuniceerd als:

Waarbij gamma de seizoensgebonden afvlakkingsfactor is en L de lengte van het seizoen.