Independentemente de querermos antecipar o padrão nos mercados monetários ou na utilização de energia, o tempo é um factor significativo que deve ser considerado actualmente nos nossos modelos. Por exemplo, é fascinante não só saber quando uma ação vai subir de custo, mas também quando vai subir.

Entrar na ordem cronológica. Uma disposição de período é essencialmente uma progressão dos focos de informação solicitados no tempo. Em uma disposição de período, o tempo é freqüentemente o fator livre e o objetivo é, como regra, fazer uma conjetura para o que está por vir.

No entanto, existem diferentes pontos de vista que se tornam um factor integral na gestão da organização do tempo.

Está estacionário?

Há uma regularidade?

A variável objetiva é relacionada à autocorrelação?

Neste post, vou apresentar várias qualidades de organização do tempo e como podemos exibi-las para obter estimativas exatas (por mais que se possa esperar).

Autocorrelação

Informalmente, a autocorrelação é a similaridade entre as observações em função do intervalo de tempo entre elas

Acima é um caso de um enredo de autocorrelação. Olhando cuidadosamente, você entende que a estima primária e o valor 24 tem uma alta autocorrelação. Assim, a décima segunda e a 36ª percepções estão excepcionalmente associadas. Isto implica que vamos localizar fundamentalmente o mesmo que um incentivo a cada 24 unidades de tempo.

Repare como a parcela se parece com a capacidade sinusoidal. Esta é uma pista para a regularidade, e você pode descobrir o seu incentivo ao encontrar o período no terreno acima, o que daria 24h.

Regularidade

A regularidade alude a mudanças ocasionais. Por exemplo, a utilização de energia é alta durante o dia e baixa durante a noite, ou os negócios online aumentam durante o Natal antes de recuar mais uma vez.

Como deve ser óbvio acima, há uma regularidade razoável dia a dia. Consistentemente, você vê um topo em direção à noite, e os extremos mais extremos são o início e o fim de cada dia.

Tenha em mente que a regularidade também pode ser obtida a partir de uma trama de autocorrelação na hipótese remota de ter uma forma sinusoidal. Basta dar uma olhada no período, e ele dá a duração do período.

Estacionaridade

A estacionaridade é uma qualidade significativa da disposição do tempo. Diz-se que um arranjo de período é estacionário se suas propriedades factuais não mudam após algum tempo. Por assim dizer, tem uma média e diferença constante, e a covariância é livre de tempo.

Dando uma olhada em uma trama semelhante, vemos que o procedimento acima é estacionário. A média e a mudança não diferem depois de algum tempo.

Frequentemente, os custos de estoque não são um procedimento estacionário, pois podemos ver um padrão em desenvolvimento, ou sua imprevisibilidade pode aumentar após algum tempo (implicando que a diferença está evoluindo).

Num mundo perfeito, precisamos de ter um tempo estacionário para a demonstração. Obviamente, nem todas elas são estacionárias, mas podemos fazer várias mudanças para torná-las estacionárias.

O método mais eficaz para testar se um procedimento é estacionário

Você pode ter visto no título do enredo acima de Dickey-Fuller. Este é o teste factual que corremos para decidir se um arranjo de período é estacionário ou não.

Sem entrar nos detalhes do teste Dickey-Fuller, ele testa a especulação inválida de que uma raiz unitária está disponível.

Na hipótese de que seja, nesse ponto p > 0, e o procedimento não é estacionário.

Outra coisa, p = 0, a teoria inválida é descartada, e o procedimento é visto como estacionário.

Por exemplo, o procedimento abaixo não é estacionário. Repare como a média não é estável ao longo do tempo.

Demonstrando a organização do tempo

Há inúmeras abordagens para demonstrar um arranjo de período de modo a criar expectativas. Aqui, eu vou mostrar:

em movimento normal

suavização exponencial

ARIMA

Movendo-se normalmente

O modelo normal em movimento é provavelmente a forma mais credível de lidar com acordos de tempo demonstrando. Este modelo expressa essencialmente que a seguinte percepção é o meio de cada percepção passada.

Embora simples, este modelo pode ser chocantemente grande e fala a uma fase inicial decente.

Algo mais, o normal em movimento pode ser utilizado para reconhecer padrões intrigantes com relação à informação. Podemos caracterizar uma janela para aplicar o modelo normal em movimento para suavizar a disposição do tempo e apresentar vários padrões.

Na trama acima, aplicamos o modelo normal em movimento a uma janela de 24h. A linha verde suavizou a disposição do tempo, e podemos ver que há 2 topos num período de 24h.

Claro que, quanto mais longa for a janela, mais suave será a tendência. Abaixo está um exemplo de uma média móvel em uma janela menor.

Suavização exponencial

O alisamento exponencial utiliza uma lógica comparável ao movimento normal, mas desta vez, um peso alternadamente decrescente é doado a cada percepção. Por assim dizer, é dada menos importância às percepções à medida que nos afastamos mais do presente.

Numericamente, a suavização exponencial é comunicada como:

Aqui, o alfa é um fator de alisamento que toma valores entre 0 e 1. Ele determina a rapidez com que o peso diminui para observações anteriores.

A partir do enredo, a linha azul baça fala da suavização exponencial da disposição do tempo utilizando uma variável de suavização de 0,3, enquanto a linha laranja utiliza uma componente de suavização de 0,05.

Como deve ser óbvio, quanto mais pequeno for o fator de suavização, mais suave será a disposição do tempo. Isto é um bom presságio, com o argumento de que, como a variável de alisamento das metodologias 0, nos aproximamos do modelo normal móvel.

Suavização exponencial dupla

A suavização exponencial dupla é utilizada quando há um padrão na disposição do tempo. Tudo considerado, nós utilizamos esta estratégia, que é basicamente uma utilização recursiva de suavização exponencial duas vezes.

Cientificamente:

Aqui, o beta é o fator de suavização de tendências, e ele toma valores entre 0 e 1.

Abaixo, você pode ver como valores diferentes de alfa e beta afetam a forma da série cronológica.

Suavização exponencial tripla

Esta técnica expande a suavização exponencial em duas fases, ao incluir um factor de suavização ocasional. Obviamente, isto é útil no caso de você ver a regularidade na sua disposição de tempo.

Numericamente, a suavização exponencial tripla é comunicada como:

Onde a gama é o fator de suavização sazonal e L é a duração da estação.