Mam dwa zestawy danych:
Moim pierwszym zestawem danych jest wartość inwestycji (w miliardach dolarów) w czasie, przy czym każda jednostka stanowi jeden kwartał od pierwszego kwartału 1947 r. Czas ten rozciąga się na trzeci kwartał 2002 r.
Mój drugi zestaw danych jest „wynikiem przekształcenia wartości inwestycji w [pierwszy zestaw danych] w mniej więcej stacjonarny proces”.
Pierwszy zestaw danych i Drugi zestaw danych
Odpowiednie wykresy ACF:
Wiem, że wykresy są prawidłowe i jestem proszony o „skomentowanie ich”. Jestem stosunkowo nowy w funkcji autokorelacji i nie jestem całkowicie pewien, co mówi mi o moich danych.
Gdyby ktokolwiek mógł poświęcić trochę czasu na wyjaśnienie, byłoby to BARDZO bardzo mile widziane.
r
self-study
data-visualization
autocorrelation
Ben Gerry
źródło
źródło
Odpowiedzi:
Jeśli twoim głównym celem jest wykorzystanie wykresów ACF i PACF do poprowadzenia dobrego dopasowania ARiMR, http://people.duke.edu/~rnau/411arim3.htm jest dobrym zasobem. Zasadniczo zamówienia AR będą miały tendencję do prezentowania się przez ostre odcięcie na wykresie PACF i powolną tendencję lub sinusoidalną degradację na wykresie ACF. Przeciwnie, zwykle dotyczy to zamówień MA ... link podany powyżej omawia to bardziej szczegółowo.
Przedstawiony przez Ciebie wykres ACF może sugerować MA (2). Sądzę, że masz kilka znaczących rozkazów AR tylko patrząc na zanik sinusoidalny w autokorelacji. Ale wszystko to jest niezwykle spekulacyjne, ponieważ współczynniki stają się bardzo nieznaczne w miarę wzrostu opóźnienia. Bardzo pomocne byłoby zobaczenie PACF.
Kolejną ważną rzeczą, na którą chcesz uważać, jest znaczenie w czwartym opóźnieniu na PACF. Ponieważ masz kwartalne dane, znaczenie czwartego opóźnienia jest oznaką sezonowości. Na przykład, jeśli Twoja inwestycja to sklep z pamiątkami, zwroty mogą wzrosnąć w czasie wakacji (IV kwartał) i niższe na początku roku (I kwartał), powodując korelację między identycznymi kwartałami.
Znaczące współczynniki dla mniejszych opóźnień na wykresie ACF powinny pozostać takie same, jak rozmiar danych rośnie, zakładając, że nic nie zmieni się w inwestycji. Wyższe opóźnienia są szacowane przy mniejszej liczbie punktów danych, a następnie są mniejsze opóźnienia (tj. Każde opóźnienie traci punkt danych), dzięki czemu można użyć wielkości próby w oszacowaniu każdego opóźnienia, aby ustalić, które z nich pozostaną takie same, a które mniejsze niezawodny.
Wykorzystanie wykresu ACF do głębszego wglądu w twoje dane (poza dopasowaniem ARMA) wymagałoby głębszego zrozumienia, jaki to rodzaj inwestycji. Skomentowałem to już.
Aby uzyskać głębszy wgląd ... W przypadku aktywów finansowych praktycy często rejestrują następnie różnicę ceny, aby uzyskać stacjonarne. Różnica w logach jest analogiczna do stale zwartych zwrotów (tj. Wzrost), więc ma bardzo dobrą interpretację i jest dużo literatury finansowej na temat studiowania / modelowania serii zwrotów z aktywów. Zakładam, że twoje stacjonarne dane zostały uzyskane w ten sposób.
W najbardziej ogólnym znaczeniu powiedziałbym, że autokorelacja oznacza, że zwrot z inwestycji jest w pewnym stopniu przewidywalny. Można użyć dopasowania ARiMR do prognozowania przyszłych zwrotów lub skomentowania wyników inwestycji w porównaniu z testem porównawczym, takim jak S&P 500.
Analiza wariancji pod względem rezydualnym dopasowania również daje miarę ryzyka w inwestycji. To jest niezwykle ważne. W finansach chcesz uzyskać optymalne ryzyko zwrotu i możesz zdecydować, czy ta inwestycja jest warta pieniędzy, porównując ją z innymi rynkowymi punktami odniesienia. Na przykład, jeśli zwroty te mają niską średnią i są trudne do przewidzenia (tj. Ryzykowne) w porównaniu z innymi opcjami inwestycyjnymi, wiadomo, że jest to zła inwestycja. Niektóre dobre miejsca do rozpoczęcia to
http://en.wikipedia.org/wiki/Efficient_frontier i http://en.wikipedia.org/wiki/Modern_portfolio_theory .
Mam nadzieję, że to pomaga!
źródło