Autoregressive Liikkuvan Keskiarvon In R

Johdanto ARIMA: n ei-seulomalleihin. ARIMA p, d, q ennuste-yhtälö ARIMA-malleja ovat teoriassa yleisin malliluokka aikasarjan ennakoimiseksi, joka voidaan tehdä pysyväksi muuttamalla tarvittaessa, mahdollisesti epälineaaristen muunnosten yhteydessä Kuten puunkorjuu tai deflaatio tarvittaessa Satunnaismuuttujan, joka on aikasarja, on paikallaan, jos sen tilastolliset ominaisuudet ovat pysyviä ajan myötä Staattisarjoilla ei ole suuntausta, sen vaihteluilla sen keskiarvon ympärillä on vakio amplitudi ja se wiggles johdonmukaisesti Eli sen lyhytaikaiset satunnaiset aikamallit näyttävät aina samalta tilastolliselta merkitykseltä. Viimeksi mainittu edellytys tarkoittaa sitä, että sen autokorrelaatioiden korrelaatiot omien ennalta poikkeamiensa kanssa keskiarvo pysyvät vakiona ajan myötä tai vastaavasti, että sen tehospektri pysyy vakiona ajan myötä. Satunnaisesti Tämän lomakkeen muuttujaa voidaan tarkastella tavalliseen tapaan signaalin ja kohinan yhdistelmänä, ja signaali, jos se on ilmeinen, voi olla patt Nopea tai hidas keskimääräinen muutos tai sinimuotoinen värähtely tai nopea vuorottelu merkkiin, ja sillä voi olla myös kausittainen komponentti. ARIMA-mallia voidaan pitää suodattimena, joka yrittää erottaa signaalin melusta ja signaali sitten Ulotetaan tulevaisuuteen ennusteiden saamiseksi. ARIMA-ennuste-yhtälö stationaariselle aikasarjalle on lineaarinen eli regressiotyyppinen yhtälö, jossa ennustajat koostuvat ennustevirheiden riippuvaisen muuttujan ja / tai viiveiden viiveistä. Tämä on Y: n arvotettu arvo Vakio ja / tai painotettu summa yhdestä tai useammasta viimeisestä Y: n arvosta ja tai virheiden yhden tai useamman viimeisimmän arvon painotetusta summasta. Jos ennustajat koostuvat vain Y: n viivästetyistä arvoista, se on puhdas autoregressiivinen itseregressoitu malli, Joka on vain erityinen tapaus regressiomallin kanssa ja joka voisi olla varustettu tavallisella regressio-ohjelmistolla. Esimerkiksi ensimmäisen kertaluvun autoregressiivinen AR 1 - malli Y: lle on yksinkertainen regressiomalli, jossa itsenäinen muuttuja i Vain yksi Y-ajanjakso LAG Y, yksi Statgraphics tai YLAG1 RegressIt Jos jotkut ennustajat ovat myöhässä virheitä, ARIMA malli se ei ole lineaarinen regressiomalli, koska ei ole mitään keinoa määrittää viimeisen jakson virhe Koska itsenäisenä muuttujana virheet on laskettava ajanjaksolta, kun malli on sovitettu tietoon Teknisestä näkökulmasta ongelma viivästettyjen virheiden käyttämisessä ennusteina on, että mallin s ennusteet eivät ole lineaarisia funktioita Kertoimet, vaikka ne ovat aikaisempien tietojen lineaarisia funktioita. ARIMA-malleissa kertoimet, jotka sisältävät viivästyneitä virheitä, on arvioitava epälineaarisilla optimointimenetelmillä hill-climbingin sijaan ratkaisemalla yhtälöjärjestelmä. Lyhenne ARIMA tarkoittaa Auto-Regressive Integrated Ennustelyyhtälön siirtymävaiheen keskimääräisiä viiveitä kutsutaan autoregressiivisiksi termeiksi, ennustevirheiden viiveitä kutsutaan liikkuviksi keskimääräisiksi termeiksi ja aikasarjoiksi, jotka tarvitsevat Erotetaan toisistaan ​​staattiseksi sanotaan olevan integroitu versio stationäärisestä sarjasta Satunnaiskävely ja satunnaiset trendimallit, autoregressiiviset mallit ja eksponentiaaliset tasoitusmallit ovat kaikki erikoistapauksia ARIMA-malleista. Nonseasonal ARIMA-malli on luokiteltu ARIMA P, d, q malli, jossa. p on autoregressiivisten termien lukumäärä. d on stationaarisuuden edellyttämien ei-seisotason eroavaisuuksien lukumäärä ja. q on ennustevuussyvyyden myöhästyneiden ennustevirheiden määrä. Ennustejakauma on konstruoitu seuraavasti Huomaa, että Y: n toinen ero ei ole eroa 2 jaksoista aikaisemmin. Sen sijaan se on ensimmäisen eron ensimmäisestä erosta, joka on Toisen johdannaisen erillinen analogi eli paikallinen kiihtyvyys sarjasta sen paikallisen trendin sijasta. Y: n kannalta yleinen ennusteyhtälö on. Siinä liikkuvan keskiarvon parametrit s määritellään siten, että niiden merkit ovat negatiivisia eq Boxin ja Jenkinsin laatiman yleissopimuksen mukaisesti Jotkut kirjoittajat ja ohjelmistot, mukaan lukien R-ohjelmointikieli, määrittelevät ne niin, että niillä on plus-merkkejä. Kun yhtälöön kytketään todelliset numerot, ei ole epäselvyyttä, mutta on tärkeää tietää, mitkä sopimukset Ohjelmisto käyttää lukiessasi tuottoa Usein parametrit on merkitty AR 1: llä, AR 2: lla ja MA 1: llä, MA2: llä jne. Tunnistaaksesi sopivan ARIMA-mallin Y: lle, aloitat määrittämällä eriytysjärjestyksen d tarvitseman Stadioidaan sarja ja poistetaan kausivaihtelun bruttoominaisuudet, ehkä varianssi-stabilisoivan muuntamisen, kuten puunkorjuun tai deflaation yhteydessä. Jos lopetat tässä vaiheessa ja oletat, että eriytetty sarja on vakio, olet vain asentanut satunnaisen kävelyn tai satunnaisen Trendimalli Asemakarakterisoitu sarja voi kuitenkin vielä sisältää autokorreloidut virheet, mikä viittaa siihen, että myös joitain AR-termejä p 1 ja / tai joitain MA-termejä q 1 tarvitaan Ennustejaksosta. P, d ja q arvojen määritysprosessi, joka sopii parhaiten tietylle aikasarjalle, käsitellään muistiinpanojen myöhemmissä osioissa, joiden linkit ovat tämän sivun yläosassa, mutta joidenkin esikatselu Seuraavista ARIMA-malleista, joita tavallisesti esiintyy. ARIMA 1,0,0 ensimmäisen kertaluvun autoregressiivimalli, jos sarja on paikallaan ja autokorreloidussa, ehkä se voidaan ennustaa oman edellisen arvon moninkertaiseksi ja Vakio Ennuskaavayhtälö tässä tapauksessa on, jonka Y on regressoinut itseään viivästettynä yhdellä jaksolla Tämä on ARIMA 1,0,0-vakiomalli Jos Y: n keskiarvo on nolla, niin vakioaikaa ei sisällytetä. Jos kaltevuus Kerroin 1 on positiivinen ja pienempi kuin 1 magnitudin ollessa pienempi kuin 1, jos Y on paikallaan, malli kuvaa keskimääräistä palautumista, jossa seuraavan jakson arvo on ennustettava olevan 1 kertaa niin kaukana keskiarvosta kuin Tämä aika s arvo Jos 1 on negatiivinen, se Ennustaa keskimääräistä palautumiskäyttäytymistä vuorottelevalla merkillä, eli se myös ennustaa, että Y on alle seuraavan keskipitkän jakson, jos se on tämän jakson yläpuolella. Toisessa kertaluokan autoregressiivisessa mallissa ARIMA 2,0,0 Y t-2 termi oikealla myös jne. Riippuen kertoimien merkkeistä ja suuruudesta, ARIMA 2,0,0 - malli voisi kuvata järjestelmää, jonka keskimääräinen muutos tapahtuu sinimuotoisesti heilahtelevalla tavalla, kuten liike Matalalla massalla, joka altistuu satunnaisvaurioille. ARIMA 0,1,0 satunnainen käveleminen Jos sarja Y ei ole paikallaan, sen yksinkertaisin mahdollinen malli on satunnaiskäytävä malli, jota voidaan pitää rajoittavana tapauksena AR 1 - malli, jossa autoregressiivinen kerroin on 1, ts. Sarja, jossa äärettömän hidas keskimääräinen muutos Tämän mallin ennustusyhtälö voidaan kirjoittaa siten, että vakioaikana on keskimääräinen ajanjakson muutos eli pitkän aikavälin muutos Drift in Y Tämä malli voidaan asentaa ei-leikkaus re Gression-malli, jossa Y: n ensimmäinen ero on riippuva muuttuja Koska se sisältää vain ei-seitsenisen eron ja vakiotermin, se luokitellaan ARIMA 0,1,0 - malliksi vakio-osalla. ARIMA 0,1,0 malli ilman vakioa. ARIMA 1,1,0 erotettu ensimmäisen kertaluvun autoregressiivimalli Jos satunnaiskäytävämallin virheet autokorreloidaan, ehkä ongelma voidaan korjata lisäämällä yksi riippuvaisen muuttujan viive Ennustava yhtälö eli regressoimalla Y: n ensimmäinen eroa itsessään viivästettynä yhdellä jaksolla Tämä tuottaa seuraavan ennustekerroksen, joka voidaan järjestää uudelleen. Tämä on ensimmäisen kertaluvun autoregressiivinen malli, jossa on yksi kertaluku epäseasonalisen differentisoinnin ja jatkuvan aikavälin - on ARIMA 1,1,0 malli. ARIMA 0,1,1 ilman jatkuvaa yksinkertaista eksponentiaalista tasoitusta Toinen strategiasta autokorreloidun virheen korjaamiseksi satunnaiskäytävässä mallissa ehdotetaan yksinkertaisella eksponenttien tasoitusmallilla. Muista, että joillekin Ei-staattisia aikasarjoja, esim. Sellaisia, joilla on hiljaisia ​​vaihteluja keskenään meluisimpia vaihteluja, satunnaiskäytävä malli ei toimi yhtä hyvin kuin menneiden arvojen liukuva keskiarvo Toisin sanoen sen sijaan, että otettaisiin viimeisin havainto seuraavan havainnon ennusteeksi , On parasta käyttää viimeisimpiä havaintoja keskimäärin melun suodattamiseksi ja paikallisen keskiarvon tarkemman arvioimiseksi. Yksinkertainen eksponentiaalinen tasoitusmalli käyttää aikaisempien arvojen eksponentiaalisesti painotettua liikkuvaa keskiarvoa tämän vaikutuksen saavuttamiseksi. Yksinkertainen eksponentiaalinen tasoitusmalli voidaan kirjoittaa lukuisiin matemaattisesti vastaaviin muotoihin, joista toinen on niin kutsuttu virheenkorjauslomake, jossa edellinen ennuste on säädetty virheen suuntaan. Koska e t-1 Y t - 1 - t-1 määritelmän mukaan, tämä voidaan kirjoittaa uudelleen sellaisenaan, joka on ARIMA 0,1,1 - ilman ennakoivaa yhtälöä 1 1 - Tämä tarkoittaa, että voit sovittaa yksinkertaisen eksponentiaalisen smoo Mikä määrittelee sen ARIMA 0,1,1 - malliksi ilman vakioarvoa ja arvioitu MA1-kerroin vastaa 1-miinus-alfaa SES-kaavassa. Palaa takaisin, että SES-mallissa datan keski-ikä 1- Ennustejaksot ovat 1, mikä tarkoittaa, että ne pyrkivät jarruttamaan trendejä tai käännekohtia noin yhdellä jaksolla. Tästä seuraa, että ARIMA 0,1,1 - Vakio-malli on 1 1 - 1 Esimerkiksi jos 1 0 8, keskimääräinen ikä on 5 As 1 lähestymistapaa 1, ARIMA 0,1,1 - ilman vakio-mallia tulee erittäin pitkän aikavälin liukuva keskiarvo ja Kun 1 lähestyy 0, se muuttuu satunnais-walk-ilman-drift-malliksi. Mikä s on paras tapa korjata autokorrelaatio lisäämällä AR-termejä tai lisäämällä MA-termejä Edellisissä kahdessa edellä kuvatussa mallissa autokorreloidun virheen ongelma satunnaisessa kävelymallissa Vahvistettiin kahdella eri tavalla lisäämällä erotetun sarjan viivästetty arvo yhtälöön tai lisäämällä myöhästynyt arvo foreca Virheen virhe Mikä lähestymistapa on paras Tämän tilanteen tilanne, jota käsitellään yksityiskohtaisemmin myöhemmin, on se, että positiivista autokorrelaatiota tavallisesti käsitellään parhaiten lisäämällä AR termi malliin ja negatiivista autokorrelaatiota yleensä käsitellään parhaiten MA-termin lisääminen Liiketoiminnassa ja taloudellisessa aikasarjassa negatiiviset autokorrelaatiot syntyvät usein erottavana artefaktiossa. Yleensä eriytyminen vähentää positiivista autokorrelaatiota ja voi jopa aiheuttaa siirtymän positiivisesta negatiiviseen autokorrelaatioon. Joten ARIMA 0,1,1 - mallissa Jossa erottaminen liittyy MA-termiin, käytetään useammin kuin ARIMA 1,1,0 - mallia. ARIMA 0,1,1 ja jatkuva yksinkertainen eksponentiaalinen tasoittaminen kasvulla SES-mallin toteuttaminen ARIMA-mallina tuo itse asiassa Joustavuus Ensinnäkin arvioidun MA 1-kertoimen sallitaan olevan negatiivinen, mikä vastaa SES-mallissa suurempaa tasoitustekijää kuin 1, jota SES-mallin sovitusmenetelmä ei yleensä salli. On mahdollista, että sinulla on mahdollisuus sisällyttää vakiotermi ARIMA-malliin, jos haluat, jotta keskimääräinen nollasta poikkeava trendi voidaan arvioida. ARIMA 0,1,1 - mallilla, jolla on vakio, on ennuste-yhtälö. Tämän mallin ennusteet ovat laadullisesti samanlaisia ​​kuin SES-mallin, paitsi että pitkän aikavälin ennusteiden liikerata on tyypillisesti viisto, jonka kaltevuus on yhtä kuin mu eikä vaakasuora. ARIMA 0,2,1 tai 0, 2,2 ilman lineaarista eksponentiaalista tasoittamista Lineaariset eksponentiaaliset tasoitusmallit ovat ARIMA-malleja, jotka käyttävät kahta nonseasonal-eroa yhdessä MA-termien kanssa. Y: n toinen ero ei ole pelkästään Y: n ja sen itsensä välinen ero kahden jakson ajan, Ensimmäisen eron ensimmäinen ero on Y: n muutos-muutos ajanjaksolla t. Näin ollen toisen Y: n erona ajanjaksona t on Y t - Y t-1 - Y t-1 - Y T-2 Y t-2Y t-1 Y t-2 Toinen erilainen funktion ero on analoginen S jatkuvan funktion toiselle johdannaiselle, se mittaa kiihtyvyyttä tai kaarevuutta funktiona tietyllä ajanhetkellä. ARIMA 0,2,2 - malli ilman vakioa ennustaa, että sarjan toinen ero on viimeisen funktion lineaarinen funktio Kaksi ennustevirhettä, jotka voidaan järjestää uudelleen niin, että missä 1 ja 2 ovat MA1- ja MA2-kertoimet. Tämä on yleinen lineaarinen eksponentiaalinen tasoitusmalli, joka on oleellisesti sama kuin Holtin malli ja Brownin malli on erikoistapaus. Se käyttää eksponentiaalisesti painotettua Liukuvat keskiarvot sekä paikallisen tason että paikallisen kehityksen arvioimiseksi sarjassa Tämän mallin pitkän aikavälin ennusteet lähestyvät suoraa linjaa, jonka kaltevuus riippuu sarjan loppupuolella havaitusta keskimääräisestä kehityksestä. ARIMA 1,1,2 ilman Jatkuvaa vaimennettua lineaarista eksponentiaalista tasoitusta. Tätä mallia kuvataan ARIMA-malleissa mukana olevissa diaseissa. Se ekstrapoloi paikallisen trendin sarjan lopussa, mutta tasoittaa sen pitemmillä ennustehorisontilla Vakiintunut käytäntö, empiirinen tuki Katso artikkeli Miksi vaimennetut trendit toimivat Gardner ja McKenzie sekä Armstrong et al. Golden Rule - sarjan artikkelissa. On yleensä suositeltavaa pitää kiinni malleista, joissa ainakin yksi p Ja q ei ole suurempi kuin 1, eli älä yritä sopeuttaa mallia, kuten ARIMA 2,1,2, koska se todennäköisesti johtaa yli - ja yhteisten tekijöiden ongelmiin, joita käsitellään yksityiskohtaisemmin matemaattisten ARIMA-mallien rakenne. Sovellusasteikko ARIMA-malleja, kuten edellä kuvatut, ovat helposti toteutettavissa laskentataulukossa. Ennustusyhtälö on yksinkertaisesti lineaarinen yhtälö, joka viittaa aikaisempien aikasarjojen aiempiin arvoihin ja virheiden aikaisempaan arvoon. Näin voit määrittää ARIMA-ennusteiden laskentataulukko tallentamalla tiedot sarakkeeseen A, ennustekaava sarakkeessa B ja virheiden tiedot miinus ennusteiden C sarakkeessa. Ennustuskaava tyypillisen solun sarakkeessa B olisi yksinkertaisesti lineaarinen ilmaisu N, joka viittaa arvojen A ja C edellisiin riveihin kerrottuna sopivilla AR - tai MA-kertoimilla, jotka on tallennettu soluihin muualla laskentataulukossa. Autoregressive Moving Average ARMA p, q Aikasarjan analyysit - Osa 3. Tämä on kolmas ja Viimeinen postileima autoregressiivisen liikkuvan keskiarvon ARMA-malleissa aikasarja-analyyseille Olemme ottaneet käyttöön autoregressiiviset mallit ja Moving Average - mallit kahteen edelliseen artikkeliin Nyt on aika yhdistää ne kehittyneempään malliin. Viimeinkin tämä johtaa meitä ARIMA - ja GARCH-malleihin, joiden avulla voimme ennakoida omaisuuden tuoton ja ennustaa volatiliteettia. Nämä mallit muodostavat perustan kaupankäynnin signaaleille ja riskienhallintatekniikoille. Jos olet lukenut osan 1 ja osan 2, olette nähneet, että meillä on tapana seurata Kuvio aikasarjamallin analyysiä varten, toistan sen lyhyesti lyhyesti. Perusteet - Miksi me kiinnostumme tästä mallista. Definition - Matemaattinen määritelmä ambig Uity. Correlogram - Piirtämällä näytteen korrelointi visualisoimaan mallien käyttäytymistä. Simulaatio ja sovitus - Mallin sovittaminen simulaatioihin, jotta voimme ymmärtää mallin oikein. Real Financial Data - Sovellamme mallia todellisten historiallisten arvojen hintoihin. Prediction - Ennakoida myöhemmät arvot kaupankäyntisignaalien tai suodattimien rakentamiseksi. Tämän artikkelin noudattamiseksi on suositeltavaa tarkastella aikaisempien aikasarjaan perustuvien artikkelien esittelyjä. Kaikki löytyvät täältä. Bensianinkieliset tiedotusperusteet. Tämän artikkelisarjan ensimmäisessä osassa Tarkasteli Akaike Information Criterion AIC: ää keinona auttaa meitä valitsemaan eri parhaiden aikasarjamallien välillä. Lähinnä liittyvä työkalu on bayesiläinen tietokriteeri BIC. Olennaisesti se on samanlainen käyttäytyminen kuin AIC: ssä, koska se rankaisee malleja, joilla on liian monta parametria. Voi johtaa ylilyöntiin. BIC: n ja AIC: n välinen ero on se, että BIC on tiukempi ja rangaistaan ​​lisäparametreistä. Jos oletetaan todennäköisyysfunktion tilastolliselle mallille, jolla on k parametreja, ja L maksimoi todennäköisyyden, Bayesin tietokriteeri on annettu. Jos n on aikasarjassa olevien datapisteiden määrä. Käytämme Alla olevasta AIC: stä ja BIC: stä, kun valitaan sopiva ARMA p, q - mallit. Ljung-Box Test. Tämän artikkelisarjan 1 osassa Rajan mainitsi Disqusissa huomautuksen, että Ljung-Box - testi oli tarkoituksenmukaisempi kuin Bayesian Akaike Information Criterion Tiedonkeruumenetelmä ARMA-mallin soveltuvuudesta aikasarjaan. Ljung-Box-testi on klassinen hypoteesin testi, jonka tarkoituksena on testata, onko sovitetun aikasarjamallin autokorrelaatioiden joukko poikkea merkittävästi nollasta. Testi ei Ei testata jokaista yksittäisen viiveen satunnaisuutta varten vaan pikemminkin testaa satunnaisuuden ryhmässä lags. Ljung-Box Test. Määritämme nollahypoteesi, koska aikasarjatiedot kussakin viiveessa ovat iid eli korrelaatiot Väestösarjan arvojen välillä on nolla. Määritämme vaihtoehtoisen hypoteesin, koska aikasarjatiedot eivät ole iid: iä ja niillä on sarjakorkeus. Lasemme seuraavasta koestustilastosta Q. missä n on aikasarjan näytteen pituus, hat k on näyte Autokorrelaatio viiveellä k ja h on testissä olevien viipeiden määrä. Päätöslauselma siitä, hylätäänkö nollahypoteesi, on tarkistaa, onko Q ​​chi 2, kun chi-neliöjakauma h: n vapausasteella on 100-1- Vaikka testin yksityiskohdat saattavat tuntua hieman monimutkaisilta, voimme itse asiassa käyttää R: n laskea testi meille, yksinkertaistamalla menettelyä jonkin verran. Autogressiivinen liikkuvan keskiarvon ARMA Tilausmallit, q. Nyt me olemme keskustelleet BIC ja Ljung-Box-testi, olemme valmiita keskustelemaan ensimmäisestä sekoittamismallistamme, nimittäin autoregressive Moving Average of order p, q tai ARMA p, q. Tähän mennessä olemme ottaneet huomioon autoregressiiviset prosessit ja liukuvat keskimääräiset prosessit. Pitää omaa pa Mallin panoksina ja siten pyrkiessään saamaan markkinatoimijoiden vaikutuksia, kuten vauhtia ja keskipitkän vaihtoa varastoliiketoiminnassa. Viimeksi mainittua mallia käytetään sarjaan liittyvien shokkitietojen luonnehtimiseen, kuten yllätyksen ansaitsemiin ilmoituksiin tai odottamattomiin tapahtumiin Kuten BP Deepwater Horizon - öljyvuotoa. Siksi ARMA-malli yrittää ottaa nämä molemmat näkökohdat mallinnettaessa taloudellisia aikasarjoja. Huomaa, että ARMA-mallissa ei oteta huomioon volatiliteetin klusteroitumista, tärkeimpien empiiristen ilmiöiden monet taloudelliset aikasarjat It Ei ole ehdottomasti heterosektoitunut malli. Tällöin meidän on odotettava ARCH - ja GARCH-malleja. ARMA p, q malli on lineaarinen yhdistelmä kahdesta lineaarisesta mallista ja siten itsessään on edelleen lineaarinen. Auktorisoituva keskimääräinen siirtojärjestysmalli p, qA Aikasarjamalli, on autoregressiivinen liukuva keskimääräinen tilausmallin p, q ARMA p, q, if. Aloittaa xt alfa1 x alfa2 x ldots wt beeta1 w beta2 w ldots betaq w end. Where on valkoista kohinaa E wt 0 ja varianssi sigma 2.Jos katsomme Taaksepäin Vaihtotoiminta katso edellinen artikkeli voimme kirjoittaa edellä funktio Theta ja phi. Voimme yksinkertaisesti nähdä, että asettamalla p neq 0 ja q 0 palautamme AR p - malli Vastaavasti, jos asetetaan p 0 ja q neq 0, palautamme MA q - mallin. Yksi ARMA-mallin On se, että se on parsimonious ja redundantti parametreissään. Tämä tarkoittaa, että ARMA-malli vaatii usein vähemmän parametreja kuin yksinomaan AR p: n tai MA q: n malli. Lisäksi, jos kirjoittaa BSO: n yhtälö uudelleen, niin theta - ja phi-polynomit voivat Joskus on yhteinen tekijä, mikä johtaa yksinkertaisempiin malliin. Simulaatioita ja Correlograms. As autoregressive ja liikkuvan keskimäärin malleja emme nyt simuloida erilaisia ​​ARMA-sarja ja sitten yrittää sovittaa ARMA mallit näihin realisoitumisiin Toteutamme tämän, koska haluamme Että ymmärrämme Sovitusmenetelmä, mukaan lukien mallien luottamusvälien laskeminen, sekä varmistaa, että menettely tosiasiallisesti palauttaa kohtuulliset arviot alkuperäisille ARMA-parametreille. Osa 1: ssä ja osassa 2 rakennettiin manuaalisesti AR - ja MA-sarjat piirtäen N näytteet Normaalijakaumasta ja sitten tekemällä tietty aikasarjamalli käyttäen näistä näytteistä viivästyksiä. Mutta on yksinkertaisempi tapa simuloida AR-, MA-, ARMA - ja jopa ARIMA-tietoja yksinkertaisesti käyttämällä menetelmää R. Let s alussa Yksinkertaisin mahdollinen ei-triviaali ARMA-malli, nimittäin ARMA 1,1 - malli Joka on kertaluokan autoregressiivinen malli yhdistettynä liikkuvan keskimääräisen mallin malliin Yksi sellainen malli on vain kaksi kerrointa, alfa ja beeta, jotka edustavat ensimmäistä Aikasarjan myöhästymiset ja iskunvaimennusmekullesuunnat Tällainen malli on annettu. Meidän on määriteltävä kertoimet ennen simulointia. Let s take alfa 0 5 ja beta -0 5. Tuotos on seuraava. F ARMA 1,1 - malli, jossa on alfa 0 5 ja beeta 0 5.Let s myös piirtää korrelaatiogrammi. ARMA 1,1 - mallin korrelogrammi, jossa on alfa 0 5 ja beeta 0 5. Voimme nähdä, että ei ole merkittävää Autokorrelaation, joka on odotettavissa ARMA 1,1-mallista. Lopuksi, yritetään selvittää kertoimet ja niiden standardivirheet arimafunktion avulla. Voimme laskea kunkin parametrin luottamusvälit käyttäen standardivirheitä. Luottamusvälit Ovat molempien tapausten todelliset parametriarvot, mutta meidän on kuitenkin huomattava, että 95 luotettavuusväli ovat hyvin laajat seuraukset kohtuullisen suurista standardivirheistä. Nyt kokeile ARMA 2,2 - mallia. Tämä on AR 2 - malli yhdistettynä MA 2 - malli Tämän mallin alpha1, alpha2, beta1 ja beeta2: n osalta on määriteltävä neljä parametria: Let s take alpha1 0 5, alpha2 -0 25 beta1 0 5 ja beta2 -0 3. ARMA 2,2 - mallin tuotos on Kuten seuraa. ARMA 2,2 - mallin realisointi, jossa on alfa1 0 5, alfa2-25, beeta1 5 ja beeta2- 0 3.Aja vastaava autokorrelaatio. ARMA 2,2 - mallin korkorogrammi, jossa on alfa1 0 5, alfa2 -0 25, beeta1 0 5 ja beeta2 -0 3. Voimme nyt yrittää asentaa ARMA 2,2 - mallin tietoihin . Voimme myös laskea kunkin parametrin luottamusvälit. Huomaa, että liikkuvan keskiarvon komponentin beta1 ja beta2 kertoimien luottamusvälit eivät tosiasiallisesti sisällä alkuperäistä parametriarvoa. Tämä osoittaa, että malleihin pyritään sovittamaan tietoihin, vaikka Me tiedämme todelliset parametriarvot. Kuitenkin kaupankäyntitarkoituksiin tarvitsemme vain ennustavan tehon, joka ylittää mahdollisuudet ja tuottaa tarpeeksi voittoa transaktiokustannusten yläpuolella, jotta se olisi pitkällä aikavälillä kannattavaa. Nyt olemme nähneet esimerkkejä simuloiduista ARMA-malleja tarvitsemme mekanismin p: n ja q: n arvojen valinnalle malleille sopivista todellisista taloudellisista tiedoista. Parhaimman ARMA p: n, q mallin valitseminen. ARMA-mallin p, q määrittämiseksi on sopiva sarjaan , Meidän on käytettävä AIC: n tai BIC: n kautta p, q: n arvojen osajoukolle ja sitten käytä Ljung-Box-testiä sen määrittämiseksi, onko hyvä sovitus saavutettu p: n erityisten arvojen osalta q. Jotta näytetään tämä menetelmä aiomme ensin simuloida Erityisesti ARMA p, q prosessi Kerron sitten kaikki p: n ja q: n pariariset arvot ja laskeimme AIC: n. Valitsemme mallin, jolla on alin AIC ja sitten suoritetaan Ljung-Box-testi jäännöksistä sen määrittämiseksi, onko saavutettu Hyvä sovitus. Aloita simuloimalla ARMA 3,2-sarja. Nyt luodaan objekti lopullinen tallentaa paras mallin sovitus ja alin AIC-arvo. Silmukoitamme eri p, q yhdistelmiä ja käytämme nykyistä kohdetta tallentaaksesi ARMA i, j mallin sovitus looping-muuttujille i ja j. Jos nykyinen AIC on pienempi kuin mikä tahansa aiemmin laskettu AIC, asetamme lopullisen AIC: n tähän nykyiseen arvoon ja valitaan tilaus Kun silmukan päättyessä on järjestys ARMA-mallista ja ARIMA-p: stä d, q sovitetaan itselleen Integrated d - komponenttiin 0 tallennetaan. Let tuottaa AIC-, järjestys - ja ARIMA-kertoimet. Voimme nähdä, että simuloidun ARMA-mallin alkuperäinen järjestys otettiin talteen, nimittäin p3: lla ja q2: lla. Voimme piirtää mallin jäännösmallin Jos ne näyttävät realistiselta erilliseltä valkoiselta melulta DWN. Korrelogrammin parhaiten sopivan ARMA p: n, q mallin, p 3: n ja q: n jäännöksistä 2.Korelogrammi todellakin näyttää DWN: n realisoitumalta Lopuksi suoritetaan Ljung-Box Testaa 20 viiveellä vahvistaaksesi tämän. Huomaa, että p-arvo on suurempi kuin 0 05, mikä kertoo, että jäännökset ovat riippumattomia 95 tasolla ja siten ARMA 3,2 - malli tarjoaa hyvän mallin. Tapaus, koska olemme simuloinneet dataa itseämme Mutta tämä on juuri menettely, jota käytämme, kun tulemme sovittamaan ARMA p, q - mallit S P500 - indeksiin seuraavassa jaksossa. Taloudelliset tiedot. Nyt olemme esittäneet menettelyn, jolla valitaan Optimaalinen aikasarjamalli simuloidulle sarjalle, se on melko ahtainen Kannattaa sitten soveltaa sitä taloudellisiin tietoihin. Tässä esimerkissä aiomme valita jälleen S P500 US Equity Index. Lasketaan päivittäiset sulkemishinnat kvanttimittarin avulla ja luodaan log palautustiedosto. Lasketaan sama sovitusmenetelmä kuin Simuloitu ARMA 3,2-sarja edellä S-P500: n log palauttaa sarjan AIC: llä. Paras sovitusmalli on ARMA 3,3.Let: n järjestys, jossa sovitun mallin jäännökset kirjataan S P500-login päivittäiseen palautusvirtaan. Paras asennus ARMA p: n, q mallin, p3 ja q3 jäännösmäärän korjausarvo S P500: n päivittäiseen lokitiedostoon palauttaa virran. Huomaa, että on olemassa joitakin merkittäviä piikkejä, varsinkin suuremmissa viiveissä. Tämä on merkki huonosta asennuksesta. Suorita Ljung-Box-testi nähdäksesi, onko meillä tilastollisia todisteita tästä. Koska epäilimme, p-arvo on vähemmän kuin 0 05 ja sellaisenaan emme voi sanoa, että jäännökset muodostavat erillisen valkoisen melun. Tästä syystä on olemassa lisää autokorrelaatiota Jäännöksissä, joita ei ole selitetty Asennettu ARMA 3,3 - malli. Kuten olemme keskustelleet koko artikkelisarjan aikana, olemme nähneet todisteita E P500-sarjan ehdollisesta heteroskedastiaktiivisuuden klusteroinnista varsinkin vuosien 2007-2008 aikana. Kun käytämme GARCH-mallia myöhemmin artikkelissa Sarjassa näemme näiden autokorrelaatioiden poistamisen. ARMA-malleissa ei käytännössä yleensä ole hyviä sopivia log-osakkeiden tuottoihin. Meidän on otettava huomioon ehdollinen heteroskedastiisuus ja käytettävä yhdistelmää ARIMA ja GARCH. Seuraavassa artikkelissa käsitellään ARIMAa ja miten Integroitu komponentti poikkeaa ARMA-mallista, jota olemme harkinneet tässä artikkelissa. Ainoastaan ​​määrällisen kaupankäynnin aloittaminen. Autoregressive Moving Average ARMA p, q mallit aikasarjojen analyysiin - osa 2. Osassa 1 pidimme Autoregressive mallin tilaus p , Joka tunnetaan myös AR p - mallina. Esitimme sen satunnaisen kävelymallin jatkeeksi yritettäessä selittää lisää sarjakorjausta E-sarjassa. Viime kädessä ymmärsimme, että se ei ollut riittävän joustava, jotta se todella kykenisi kaiken autokorrelaation sulkemiseen Amazon Inc AMZN: n ja S P500 US Equity Indexin päätöskursseilla. Tärkein syy tähän on se, että molemmat varat ovat ehdollisesti heteroskedastisia, mikä tarkoittaa Että ne eivät ole staattisia ja niillä on vaihtelevia varianssi - tai volatiilisuusklusterointijaksoja, joita AR p-malli ei ota huomioon. Tulevissa artikkeleissa voimme lopulta rakentaa Autoregressive Integrated Moving Average ARIMA - malleihin sekä ehdollisesti ARCH - ja GARCH-perheiden heteroskedastiset mallit Nämä mallit tarjoavat meille ensimmäiset realistiset yritykset varojen hintojen ennustamiseksi. Tässä artikkelissa esitämme kuitenkin mallin Moving Average, joka tunnetaan nimellä MA q Tämä on osa Yleisemmästä ARMA-mallista ja sellaisenaan meidän on ymmärrettävä se ennen siirtymistä eteenpäin. Suosittelen lukemaan aiemmat artikkelit Time Series Anal Ysis-kokoelma, jos et ole tehnyt niin. Kaikki ne löytyvät täältä. Siirtyminen keskimäärin MA Tilausmalleja qA Moving Average - malli on samanlainen kuin Autoregressive-malli, paitsi että sen sijaan että se olisi aikaisemman aikasarjan arvojen lineaarinen yhdistelmä, se on lineaarinen Tämä tarkoittaa sitä, että MA-malli näkee tällaisia ​​satunnaisia ​​valkoisen kohinan iskuja suoraan mallin jokaiselle nykyiselle arvolle. Tämä on päinvastoin kuin AR p - malli, jossa valkoiset kohinasokit nähdään vain epäsuorasti Regression suhteessa aikaisempaan sarjaan. Tärkein ero on se, että MA-malli näkee koskaan vain viimeiset q-iskuja mille tahansa MA q - mallille, kun taas AR p - malli ottaa kaikki aikaisemmat häiriöt huomioon, vaikkakin heikosti heikolla tavalla. Maatemaattisesti MA q on lineaarinen regressiomalli ja se on rakenteeltaan samanlainen kuin AR p. Moving Keskimääräinen järjestysmalli qA aikasarjan malli, on liikkuva keskimääräinen järjestysmalli q MA q, jos. Aloita xt wt beta1 w ldots betaq w end. Where on valkoista kohinaa E wt 0 ja varianssi sigma 2.Jos katsomme Taaksepäin Vaihtotoiminta katso edellinen artikkeli, voimme kirjoittaa uudelleen funktio phi. Aloita xt 1 beta1 beta2 2 ldots betaq q wt phiq wt end. Olemme käyttävät phi toimintoa myöhemmissä artikkeleissa. Seurannan tilauksen ominaisuuksia. Koska AR p MA q prosessi on nolla, tämä on helppo nähdä kuin Keskiarvo on yksinkertaisesti summa valkoisen melun ehdoista, jotka kaikki ovat itsessään nolla. Aloittaa tekstin enspace mux E xt summa E wi 0 loppu aloittaa tekstin enspace sigma 2w 1 beta 21 ldots beta 2q loppu teksti enspace rhok vasen q loppuun right. Where beta0 1.We aiotaan nyt tuottaa joitakin simuloituja tietoja ja käyttää sitä luoda korrelaatiot Tämä tekee edellä esitetyn kaavan rhok hieman konkreettisemmaksi. Simulaatiot ja Correlograms. Let s alkaa MA 1 prosessi Jos asetetaan beta1 0 6 saamme seuraavan mallin. Kuten AR p malleja edellisessä artikkelissa voimme käyttää R Simuloida tällaista sarjaa ja piirtää sitten korrelointi Koska meillä on ollut paljon käytäntöä edellisessä Time Series Analysis - sarjassa sarjojen suorittamisessa, kirjoitan R-koodin kokonaan eikä jakamalla sitä. Seuraavassa on MA1-mallin realisointi, jossa on beta1 0 6 ja assosioitunut korrelogrammi. Kuten edellä on esitetty rhok-kaavassa, kq: n osalta kaikkien autokorrelaatioiden pitäisi olla nolla Koska q 1: n pitäisi nähdä merkittävä huippu k1: ssä ja sitten merkityksetön Huiput sen jälkeen, mutta näytteenoton vuoksi Bias meidän pitäisi odottaa nähdä 5 marginaalisesti merkittäviä piikkejä näytteen autokorrelaatio tontti. Tämä on juuri mitä korrelointi osoittaa meille tässä tapauksessa Meillä on merkittävä huippu k 1 ja sitten merkityksetön piikkiä k 1, paitsi k 4, jossa meillä on Marginaalisesti merkittävä huippu. Itse asiassa tämä on hyödyllinen tapa nähdä, onko MA q - malli sopiva tarkastelemalla tietyn sarjan korrelointimallia, näemme, kuinka monta peräkkäistä ei-nolla-viivettä on olemassa. Jos q tällaisia ​​viiveitä on olemassa Voimme oikeutetusti yrittää asentaa MA q - mallin tiettyyn sarjaan. Koska meillä on todisteita simuloitujen tietojen MA 1 prosessista, aiomme nyt yrittää sovittaa MA 1 - mallin simuloituun tietoihimme. Valitettavasti ei ole t Vastaava ma-komento autoregressiiviselle mallille ar-komennolla R. Insteadissa meidän on käytettävä yleisempää arima-komentoa ja asetettava autoregressiiviset ja integroidut komponentit nollaan. Tehdään tämä luomalla 3-vektori ja asettamalla kaksi ensimmäistä komponenttia autogressiiviseksi N integroiduista parametreista nollaksi. Saamme arima-komennosta hyödyllistä tuottoa. Ensinnäkin voimme nähdä, että parametri on arvioitu hattuna 0 602, joka on hyvin lähellä beta1 0: n todellista arvoa. Toiseksi standardivirheet On jo laskettu meille, joten luotettavuusvälien laskeminen on helppoa. Kolmanneksi saamme arvioidun varianssin, log-todennäköisyyden ja Akaike-informaatiokriteerin, joka on välttämätön mallin vertailua varten. Suurin ero ariman ja ar: n välillä on se, että arima arvioi leikkauksen termiä, koska se ei Ei vähennä sarjan keskimääräistä arvoa. Näin ollen meidän on oltava varovaisia ​​arima-komennolla tehdyissä ennusteissa. Palaan tähän pisteeseen myöhemmin. Koska nopea tarkistus aiomme laskea luottamusvälit hattuun. Voimme nähdä, että 95 Luottamusväli sisältää beeta1 0 6: n todellisen parametriarvon ja siten voimme arvioida mallin hyvän sovituksen. Tämä on odotettavissa, koska simuloimme tietoja ensimmäisessä Paikka. Koska asiat muuttuvat, jos muutetaan beeta1: n merkkiä -06: een. Saanko suorittaa saman analyysin. Lähtö on seuraavanlainen. MA 1 - mallin realisointi, beta1 -0 6: lla ja Associated Correlogramilla. Voimme nähdä, että K 1: llä on merkittävä korrelaatio korreloimissa, paitsi että se osoittaa negatiivisen korrelaation, kuten odotamme MA 1 - mallilta negatiivisella ensimmäisellä kertoimella jälleen kerran kaikki yli k 1: n yli olevat piikit ovat merkityksettömiä. Olkoon MA1-mallin mukainen ja arvioitu parametri. Hl-0 730, mikä on pienempi alle-estimaatti beta1 -06: sta. Lopuksi, laskeeko luottamusväli? Voimme nähdä, että beta1 -06: n todellinen parametriarvo on 95: n luottamusvälin sisällä, mikä antaa meille todisteita Hyvä malli sopii. Let s ajaa samaa menettelyä varten MA 3-prosessi Tällä kertaa meidän pitäisi odottaa merkittäviä piikkejä k, ja merkityksetön piikkien k 3. Käytämme seuraavia kertoimia beta1 0 6, beta2 0 4 Ja beta3 0 2 Sallikaa simuloida MA 3 - prosessia tästä mallista Olen lisännyt satunnaisnäytteiden lukumäärää 1000: een tässä simulaatiossa, mikä helpottaa todellisen autokorrelaation rakenteen syntymistä alkuperäisen sarjan vaikeamman tulkinnan kustannuksella . Tuotos on seuraava. MA 3 - mallin ja siihen liittyvän Correlogramin realisointi. Odotettuaan ensimmäiset kolme piikkiä ovat merkittäviä, mutta se on myös neljäs. Mutta voimme oikeutetusti ehdottaa, että tämä voi johtua näytteenottovirheestä, koska odotamme näkevän 5 Piikit ovat merkkejä Ylittää k: n. Kokeile nyt MA 3 - mallia kokeilemaan ja arvioimaan parametreja. Arviointikohde 0 544, hattu 0 345 ja hattu 0 298 ovat lähellä beeta1 0 6: n, beeta2 0 4: n ja Beeta3 0 3 Voimme myös tuottaa luotettavuusvälejä käyttäen vastaavia standardivirheitä. Kussakin tapauksessa 95: n luottamusväli sisältää todellisen parametriarvon ja voimme päätellä, että meillä on hyvä sovitus MA3-mallimme kanssa, kuten olisi odotettava. financial data. In osassa 1 pidimme Amazon Inc AMZN ja S P500 US Equity Index Asensimme AR p - mallin molemmille ja havaitsimme, että malli ei pystynyt tehokkaasti kaappaamaan sarjakorrelaation monimutkaisuutta, erityisesti S P500, jossa kauan muistin vaikutukset näyttävät olevan läsnä. En voittanut piirtää kaavioita uudelleen hintojen ja autokorrelaation sijaan, mutta viittaan sinut edelliseen post. Amazon Inc AMZN. Let s alkaa yrittää sovittaa valikoiman MA q malleja AMZN: lle, eli q: llä kuten osassa 1, käytämme q: ta Uantmod ladataksesi AMZN: n päivittäiset hinnat ja muuttamaan sitten ne suljettuihin hintoihin. Nyt, kun meillä on log-palautusvirta, voimme käyttää arima-komentoa MA 1, MA 2 ja MA 3 - malleihin ja arvioimme sitten Parametrit kunkin MA 1 meillä. Olemme voi piirtää jäännökset päivittäin log palaa ja asennettu malli. Rsiduals of MA 1 malli, joka on asennettu AMZN päivittäin log hinnat. Ymmärrä, että meillä on muutamia merkittäviä piikkejä jäljessä k 2, k 11, k 16 ja k 18, mikä osoittaa, että MA 1 - malli ei todennäköisesti ole hyvä sopivuus AMZN-log-palautusten käyttäytymiseen, koska tämä ei näytä valkoisen melun toteutumiselta. Molemmat beta-kertoimista koskevat arviot ovat negatiivisia. Let s piirtää jäljelle jääneet arvot uudelleen. AM2: n päivittäisten hinnastojen mukaiseen MA 2 - mallin määrään. Voimme nähdä, että ensimmäisten viiveiden lähes nolla autokorrelaatiota on. Mutta meillä on viisi marginaalisesti Merkittävät piikit viiveinä k 12, k 16, k 19, k 25 ja k 27 Tämä on su Että MA 2 - mallilla on paljon autokorrelaatiota, mutta ei kaikkia pitkävaikutteisia vaikutuksia Miten MA 3 - mallissa. Jälleen kerran voimme piirtää jäljellejäämät. MA 3 - mallin mallit, jotka on asennettu AMZN: n päivittäisiin hinnastoihin . MA3-jäännösmallit näyttävät lähes identtisilta MA2-mallin kanssa. Tämä ei ole yllättävää, kun lisäämme uuden parametrin malliin, joka on näennäisesti selittänyt paljon korrelaatioista lyhyemmissä viiveissä, mutta sillä ei ole paljon Joka vaikuttaa pitkällä aikavälillä. Kaikki nämä todisteet viittaavat siihen tosiasiaan, että MA q - malli ei todennäköisesti ole hyödyllinen kaikkien sarjakorrelaation selittämisessä erikseen ainakin AMZN: lle. Jos muistat, osassa 1 me Näki, että S P500: n ensimmäisen kertaluvun erilaistetussa päivittäisessä palautusrakenteessa oli monia merkittäviä piikkejä eri viiveillä, sekä lyhyt että pitkä. Tämä osoitti sekä ehdollisen heteroskedastisuuden eli volatiilisuusklusteroinnin että pitkä muistin vaikutukset. Se johtaa siihen, että AR p mo Del oli riittämätön ottamaan kaikki läsnä oleva autokorrelaatio. Kuten olemme nähneet yli MA q - malli oli riittämätön kaapata lisää sarjakorkea korrelaatio jäännökset sovitetun mallin ensimmäisen kertaluvun eritelty päivittäin hintaluokassa Nyt pyrimme sovittamaan MA q malli S P500: lle. Joku voi kysyä, miksi me teemme tämän, jos tiedämme, että se ei todennäköisesti ole hyvä asenne Tämä on hyvä kysymys Vastaus on, että meidän on tarkasteltava tarkasti, miten se on hyvä, Koska tämä on lopullinen prosessi, jota seuraamme, kun kohtaamme paljon kehittyneempiä malleja, jotka ovat mahdollisesti vaikeampia tulkita. Lainat alkavat hankkimalla tiedot ja muuntamalla ne ensimmäisen kertaluvun eriytetyiksi logaritmisesti muuttuneiksi päivittäisiksi sulkemisiksi sarjoiksi, kuten Edellinen artikkeli. Aiomme nyt sovittaa MA 1, MA 2 ja MA 3 - mallin sarjaan, kuten yllä AMZN: lle. Aloita MA 1.Let s tee tontti tämän sovitun mallin jäännöksistä. MA 1 - mallin jäämät Joka on S P500: n päivittäinen hinnankorotus. Ensimmäinen merkittävä huippu esiintyy k 2: ssä, mutta paljon enemmän k: ssa. Tämä ei selvästikään ole valkoisen melun toteutuminen, joten meidän on hylättävä MA 1 - malli mahdolliseksi S P500.Tätä tilannetta paranee MA: n kanssa 2.Jos vielä kerran anna s piirtää tämän MA2-mallin jäljelle jääneet ominaisuudet. MA 2 - mallin mallit, jotka on sovitettu S P500: n päivittäisiin hirsitaloihin. Vaikka k 2: n huippu on kadonnut Kuten me odotamme, meillä on vielä jäljellä huomattavia piikkejä monissa kauemmin jäljessä. Jälleen kerran löydämme, että MA 2 - malli ei ole hyvä asenne. Meidän pitäisi odottaa, että MA 3 - mallissa nähdään vähemmän sarjakytkentää K3: llä kuin MA 2: llä, mutta jälleen kerran meidän ei pitäisi odottaa vähennystä vielä myöhäisemmäksi. Lopuksi, anna s tehdä tontti tämän MA3-mallin jäännöksistä. MA3-mallin mukaiset mallit S-P500 Daily Log Hinnat. Tämä on juuri se, mitä näemme jäännösten korreloinnissa. Tästä syystä MA 3, kuten muiden edellä mainittujen mallien kanssa, ei ole Ta on sopiva S P500: lle. Olemme nyt tutkineet yksityiskohtaisesti kahta suurta aikasarjamallia, nimittäin autogressiivinen mallin tilaus p, AR p ja sitten keskimääräinen järjestys q, MA q Olemme nähneet, että ne ovat molemmat kykeneviä selittämään Pois joitain autokorrelaatioita jäännöksissä ensimmäisen kertaluvun eriteltyinä päivittäisten hintaluokkien hinnoista osakkeiden ja indeksien, mutta volatiliteetti klusterointi ja pitkät muistin vaikutukset jatkuvat. On lopulta aikaa kääntää huomiomme näiden kahden mallin, nimittäin Autoregressive Moving Keskimääräinen tilaus p, q, ARMA p, q onko se parantamaan tilannetta entisestään. Kuitenkin, meidän on odotettava seuraavaan artikkeliin täydelliseen keskusteluun. Just Getting Started Quantitative Trading.