الانتقال المتوسط التسلسلي الارتباط

المتوسط ​​المتحرك يعلمك هذا المثال كيفية حساب المتوسط ​​المتحرك لسلسلة زمنية في إكسيل. ويستخدم المتوسط ​​المتحرك للتخلص من المخالفات (قمم ووديان) للتعرف بسهولة على الاتجاهات. 1. أولا، دعونا نلقي نظرة على السلاسل الزمنية لدينا. 2. من علامة التبويب بيانات، انقر فوق تحليل البيانات. ملاحظة: لا يمكن العثور على زر تحليل البيانات انقر هنا لتحميل الوظيفة الإضافية تولباس تولباك. .3 حدد متوسط ​​النقل وانقر فوق موافق. .4 انقر في مربع نطاق الإدخال وحدد النطاق B2: M2. 5. انقر في المربع الفاصل الزمني واكتب 6. 6. انقر في المربع نطاق الإخراج وحدد الخلية B3. 8. رسم رسم بياني لهذه القيم. إكسلاناتيون: لأننا نقوم بضبط الفاصل الزمني الى 6، المتوسط ​​المتحرك هو متوسط ​​نقاط البيانات الخمس السابقة ونقطة البيانات الحالية. ونتيجة لذلك، يتم تمهيد قمم والوديان. يظهر الرسم البياني اتجاها متزايدا. لا يستطيع إكسيل حساب المتوسط ​​المتحرك لنقاط البيانات الخمس الأولى لأنه لا توجد نقاط بيانات سابقة كافية. 9. كرر الخطوات من 2 إلى 8 للفاصل الزمني 2 والفاصل الزمني 4. الخاتمة: كلما زاد الفاصل الزمني، كلما تم تمهيد القمم والوديان. كلما كان الفاصل الزمني أصغر، كلما كانت المتوسطات المتحركة أقرب إلى نقاط البيانات الفعلية. السلسلة الترابطية ما هو الارتباط المتسلسل الترابط المسلسل هو العلاقة بين متغير معين وذاته على فترات زمنية مختلفة. وغالبا ما توجد الارتباطات التسلسلية في أنماط تكرار، عندما يكون مستوى متغير يؤثر على مستواه في المستقبل. وفي مجال التمويل، يستخدم المحللون التقنيون هذا الارتباط لتحديد مدى توقع السعر السابق للأمن السعر المستقبلي. التراجع المتسلسل الترابط يمكن أن يشار إلى مصطلح الارتباط المتسلسل أيضا على أنه الترابط الذاتي أو الارتباط المتخلف. والارتباط المتسلسل هو مصطلح يستخدم في الإحصاءات لوصف العلاقة بين رصدات المتغير نفسه على مدى فترات زمنية محددة. إذا تم قياس المتغيرات المتسلسلة المتغيرة لتكون صفر، فهذا يعني أنه لا يوجد ارتباط، وكل من الملاحظات مستقلة عن بعضها البعض. على العكس من ذلك، إذا المتغيرات التسلسل المتسلسل انحراف نحو واحد، فهذا يعني أن الملاحظات ترتبط متسلسلة، وأن الملاحظات المستقبلية تتأثر القيم السابقة. أساسا، المتغير الذي يرتبط متسلسل لديه نمط وليس عشوائي. وتستخدم مقاييس الارتباط المتسلسل في التحليل الفني عند تحليل نمط الأمن. ويستند التحليل كليا على حركة أسعار الأسهم والحجم المرتبط بها، بدلا من أساسيات الشركة. ممارسي التحليل الفني، إذا كانوا يستخدمون الارتباط المتسلسل بشكل صحيح، قادرون على إيجاد والتحقق من أنماط مربحة أو الأمن أو مجموعة من الأوراق المالية، و بقعة الفرص الاستثمارية. مفهوم الترابط التسلسلي الفكرة وراء الترابط التسلسلي هو أنه كان يستخدم أصلا في الهندسة لتحديد كيف تختلف الإشارة، مثل إشارة الكمبيوتر أو الموجة الراديوية، مع نفسها مع مرور الوقت. وبدأت في اللحاق بالأوساط الاقتصادية حيث استخدمها الاقتصاديون وقسمو الاقتصاد القياسي لتحليل البيانات الاقتصادية على مر الزمن. وبدأ هؤلاء الأكاديميون في ترك الأوساط الأكاديمية بحثا عن وول ستريت. وبحلول الثمانينيات، كان استخدام الترابط المتسلسل يستخدم للتنبؤ بأسعار الأسهم. ولدى جميع المؤسسات المالية الكبيرة تقريبا محللو كمية، يعرفون باسم "كوانتس"، على الموظفين. ويستخدم محللو التداول الماليون التحليل الفني والاستنتاجات الإحصائية الأخرى لتحليل وتوقع سوق الأسهم. وتعتبر هذه النتائج جزءا لا يتجزأ من نجاح العديد من هذه المؤسسات المالية، حيث أنها تعتمد على تقديم نماذج السوق التي تستخدمها المؤسسة آنذاك كأساس لاستراتيجيتها الاستثمارية. يتم تحديد الارتباط المتسلسل بين هذه كوانتس باستخدام اختبار دوربين-واتسون. ويمكن أن يكون الارتباط إيجابيا أو سلبيا. سعر السهم الذي يظهر ارتباطا مسلسل ايجابيا، كما يخمن المرء، يعني أن الارتباط له نمط إيجابي. أما الأمن الذي له علاقة ترابط سلبي سلبي، من ناحية أخرى، له تأثير سلبي على نفسه مع مرور الوقت. الهدف: التحقق من العشوائية الارتباط الذاتي (بوكس و جينكينز، ص 28-32) هي أداة شائعة الاستخدام لفحص العشوائية في مجموعة بيانات. ويتم التحقق من هذه العشوائية عن طريق حساب الارتباطات التلقائية لقيم البيانات في فترات زمنية متفاوتة. إذا كانت عشوائية، يجب أن تكون هذه أوتوكوريلاتيونس قريبة من الصفر لأي والفواصل الزمنية كل تأخر. إذا كان غير عشوائي، ثم واحد أو أكثر من أوتوكوريلاتيونس سيكون بشكل كبير غير الصفر. بالإضافة إلى ذلك، يتم استخدام قطع الترابط الذاتي في مرحلة تحديد النموذج لنماذج الانحدار الذاتي بوكس-جينكينز، ومتوسط ​​نماذج السلاسل الزمنية المتحركة. الترابط الذاتي هو مقياس واحد فقط من العشوائية ملاحظة أن غير مترابطة لا يعني بالضرورة عشوائية. البيانات التي لها علاقة ذاتية كبيرة ليست عشوائية. ومع ذلك، فإن البيانات التي لا تظهر الارتباط الذاتي كبيرة لا تزال تظهر غير العشوائية بطرق أخرى. الارتباط الذاتي هو مجرد مقياس واحد من العشوائية. في سياق التحقق من صحة النموذج (الذي هو النوع الأساسي من العشوائية نحن ديكوس في كتيب)، والتحقق من الارتباط الذاتي هو عادة اختبار كاف من العشوائية منذ بقايا من نماذج المناسب الفقراء تميل إلى عرض العشوائية غير خفية. ومع ذلك، تتطلب بعض التطبيقات تحديد أكثر صرامة من العشوائية. في هذه الحالات، يتم تطبيق بطارية من الاختبارات، والتي قد تشمل التحقق من الارتباط الذاتي، لأن البيانات يمكن أن تكون غير عشوائية في العديد من الطرق المختلفة ودقيقة في كثير من الأحيان. ومثال على ذلك حيث يلزم إجراء فحص أكثر صرامة للعشوائية في اختبار مولدات الأرقام العشوائية. عينة مؤامرة: أوتوكوريلاتيونس ينبغي أن تكون قريبة من الصفر لعشوائية. وهذا ليس هو الحال في هذا المثال، ومن ثم يفشل افتراض العشوائية تبين هذه العينة مؤامرة الترابط الذاتي أن السلاسل الزمنية ليست عشوائية، بل لديها درجة عالية من الترابط الذاتي بين الرصدات المجاورة وشبه المجاورة. تعريف: r (h) مقابل h تتشكل مؤامرات الارتباط الذاتي بواسطة المحور الرأسي: معامل الترابط الذاتي حيث C h هي وظيفة التباعد الذاتي و C 0 هي دالة التباين لاحظ أن R h بين -1 و 1. لاحظ أن بعض المصادر قد تستخدم بعد صيغة لوظيفة أوتوكاريفاريانس على الرغم من أن هذا التعريف له تحيز أقل، فإن الصيغة (1 N) لها بعض الخصائص الإحصائية المرغوبة، وهي الشكل الأكثر استخداما في الأدبيات الإحصائية. انظر الصفحات 20 و 49-50 في تشاتفيلد للحصول على التفاصيل. المحور الأفقي: الفارق الزمني h (h 1، 2، 3.) يحتوي السطر أعلاه أيضا على عدة خطوط مرجعية أفقية. الخط الأوسط هو في الصفر. خطوط الأربعة الأخرى هي 95 و 99 فرق الثقة. لاحظ أن هناك صيغتين متميزتين لتوليد نطاقات الثقة. إذا تم استخدام مؤامرة الارتباط الذاتي لاختبار العشوائية (أي عدم الاعتماد على الوقت في البيانات)، يوصى باستخدام الصيغة التالية: حيث N هو حجم العينة، z هي دالة التوزيع التراكمي للتوزيع العادي المعياري و (ألفا ) هو مستوى الأهمية. وفي هذه الحالة، تكون نطاقات الثقة ذات عرض ثابت يعتمد على حجم العينة. هذه هي الصيغة التي استخدمت لتوليد نطاقات الثقة في المؤامرة المذكورة أعلاه. وتستخدم أيضا قطع الترابط الذاتي في مرحلة تحديد النموذج لتركيب نماذج أريما. وفي هذه الحالة، يفترض نموذج متوسط ​​متحرك للبيانات، وينبغي توليد نطاقات الثقة التالية: حيث k هو الفارق الزمني، N هو حجم العينة، z هي دالة التوزيع التراكمي للتوزيع العادي المعياري و (ألفا) هو مستوى الأهمية. وفي هذه الحالة، تزداد نطاقات الثقة مع زيادة الفارق الزمني. ويمكن أن توفر مؤامرة الارتباط الذاتي إجابات على الأسئلة التالية: هل عشوائية البيانات هل ملاحظة تتعلق بالملاحظة المجاورة هل ملاحظة تتعلق بملاحظة مرتين إزالتها (وما إلى ذلك) هل الضجيج الأبيض لسلسلة زمنية لوحظ هو السلاسل الزمنية الملحوظة الجيبية هو الانحدار الذاتي للسلسلة الزمنية الملحوظة ما هو النموذج المناسب للسلاسل الزمنية الملحوظة هل النموذج صحيح وكاف هل الصيغة سكرت صحيحة الأهمية: التأكد من صحة الاستنتاجات الهندسية العشوائية (مع النموذج الثابت، التباين الثابت، والتوزيع الثابت) هي واحدة من الافتراضات الأربعة التي تكمن عادة في جميع عمليات القياس. إن افتراض العشوائية ذو أهمية حاسمة للأسباب الثلاثة التالية: تعتمد معظم الاختبارات الإحصائية القياسية على العشوائية. ترتبط صحة استنتاجات الاختبار مباشرة بصحة افتراض العشوائية. تعتمد العديد من الصيغ الإحصائية الشائعة الاستخدام على افتراض العشوائية، والصيغة الأكثر شيوعا هي صيغة تحديد الانحراف المعياري لمتوسط ​​العينة: حيث s هو الانحراف المعياري للبيانات. على الرغم من استخدامها بشكل كبير، والنتائج من استخدام هذه الصيغة ليست ذات قيمة ما لم يكن افتراض العشوائية يحمل. بالنسبة إلى البيانات أحادية المتغير، يكون النموذج الافتراضي هو إذا كانت البيانات غير عشوائية، وهذا النموذج غير صحيح وغير صالح، وتصبح التقديرات للمعلمات (مثل الثابت) غير منطقية وغير صالحة. وباختصار، إذا لم يتحقق المحلل من العشوائية، فإن صحة العديد من الاستنتاجات الإحصائية تصبح مشبوهة. مؤامرة الارتباط الذاتي هو وسيلة ممتازة للتحقق من مثل هذه العشوائية.