ARIMA

1. 1. ARIMA

ARIMA (AutoRegressive Integrated Moving Average) என்பது காலவரிசை முன்னறிவிப்புயில் (Time Series Forecasting) பயன்படுத்தப்படும் ஒரு புள்ளிவிவர மாதிரி (Statistical Model) ஆகும். இது நிதிச் சந்தைகள் உட்பட பல்வேறு துறைகளில் எதிர்கால மதிப்புகளைக் கணிக்கப் பயன்படுகிறது. குறிப்பாக, பைனரி ஆப்ஷன் பரிவர்த்தனையில், விலை நகர்வுகளை கணித்து லாபம் ஈட்ட இது உதவுகிறது. இந்த கட்டுரை ARIMA மாதிரியின் அடிப்படைகள், அதன் கூறுகள், பயன்பாடுகள் மற்றும் பைனரி ஆப்ஷன் பரிவர்த்தனையில் அதன் முக்கியத்துவத்தை விளக்குகிறது.

ARIMA மாதிரியின் அடிப்படைகள்

ARIMA மாதிரி மூன்று முக்கிய கூறுகளைக் கொண்டுள்ளது:

• AutoRegressive (AR) - தன்னியக்க பின்னடைவு: இந்த கூறு, முந்தைய காலங்களில் இருந்த மதிப்புகளைப் பயன்படுத்தி தற்போதைய மதிப்பை கணிக்கிறது. அதாவது, ஒரு மாறியின் தற்போதைய மதிப்பு அதன் முந்தைய மதிப்புகளின் நேரியல் சார்பாக இருக்கும்.
• Integrated (I) - ஒருங்கிணைக்கப்பட்டது: காலவரிசை தரவு நிலையற்றதாக (Non-Stationary) இருந்தால், அதை நிலையானதாக மாற்ற ஒருங்கிணைத்தல் செயல்முறை பயன்படுத்தப்படுகிறது. நிலையற்ற தரவு என்பது காலப்போக்கில் சராசரி மற்றும் மாறுபாடு மாறும் தரவு ஆகும். தரவை நிலையானதாக மாற்றுவதன் மூலம், முன்னறிவிப்பு துல்லியத்தை மேம்படுத்த முடியும்.
• Moving Average (MA) - நகரும் சராசரி: இந்த கூறு, முந்தைய பிழைகளின் அடிப்படையில் தற்போதைய மதிப்பை கணிக்கிறது. அதாவது, முந்தைய முன்னறிவிப்புகளில் ஏற்பட்ட பிழைகள், தற்போதைய முன்னறிவிப்பை சரிசெய்யப் பயன்படுகின்றன.

ARIMA மாதிரியானது ARIMA(p, d, q) என குறிப்பிடப்படுகிறது. இங்கு:

• p என்பது AR கூறுகளின் எண்ணிக்கை.
• d என்பது தரவை நிலையானதாக மாற்ற தேவையான ஒருங்கிணைத்தலின் அளவு.
• q என்பது MA கூறுகளின் எண்ணிக்கை.

ARIMA மாதிரியின் கூறுகள்

AutoRegressive (AR) கூறு

AR கூறு, ஒரு மாறியின் தற்போதைய மதிப்பு அதன் முந்தைய மதிப்புகளின் நேரியல் சார்பாக இருக்கும் என்ற கருத்தை அடிப்படையாகக் கொண்டது. உதாரணமாக, AR(1) மாதிரி பின்வருமாறு குறிப்பிடப்படுகிறது:

X_t = c + φ₁X_t-1 + ε_t

இங்கு:

• X_t என்பது தற்போதைய மதிப்பு.
• c என்பது மாறிலி (Constant).
• φ₁ என்பது AR குணகம் (Coefficient).
• X_t-1 என்பது முந்தைய மதிப்பு.
• ε_t என்பது பிழை (Error).

AR கூறுகள், தரவின் தன்னியக்க தொடர்பு (Autocorrelation) அளவை பிரதிபலிக்கின்றன.

Integrated (I) கூறு

காலவரிசை தரவு நிலையற்றதாக இருந்தால், அதை நிலையானதாக மாற்ற ஒருங்கிணைத்தல் செயல்முறை பயன்படுத்தப்படுகிறது. நிலையற்ற தரவை நிலையானதாக மாற்ற, தரவின் முதல் வேறுபாடு (First Difference) அல்லது உயர் வரிசை வேறுபாடு (Higher-Order Difference) பயன்படுத்தப்படலாம். உதாரணமாக, முதல் வேறுபாடு பின்வருமாறு கணக்கிடப்படுகிறது:

ΔX_t = X_t - X_t-1

இந்த வேறுபாடு நிலையான தரவை உருவாக்கினால், d = 1. இல்லையெனில், உயர் வரிசை வேறுபாடு பயன்படுத்தப்படலாம்.

Moving Average (MA) கூறு

MA கூறு, முந்தைய பிழைகளின் அடிப்படையில் தற்போதைய மதிப்பை கணிக்கிறது. உதாரணமாக, MA(1) மாதிரி பின்வருமாறு குறிப்பிடப்படுகிறது:

X_t = μ + θ₁ε_t-1 + ε_t

இங்கு:

• X_t என்பது தற்போதைய மதிப்பு.
• μ என்பது சராசரி (Mean).
• θ₁ என்பது MA குணகம் (Coefficient).
• ε_t-1 என்பது முந்தைய பிழை.
• ε_t என்பது பிழை.

MA கூறுகள், தரவின் நகரும் சராசரி அளவை பிரதிபலிக்கின்றன.

ARIMA மாதிரியை உருவாக்குதல்

ARIMA மாதிரியை உருவாக்குவதற்கு பின்வரும் படிகள் பின்பற்றப்படுகின்றன:

1. தரவு சேகரிப்பு மற்றும் தயார் செய்தல்: தொடர்புடைய காலவரிசை தரவை சேகரித்து, காணாமல் போன மதிப்புகளை நிரப்பவும் மற்றும் தரவை சுத்தம் செய்யவும். 2. தரவு காட்சிப்படுத்தல்: தரவை வரைபடமாக வரைந்து, போக்குகள் (Trends), பருவகால மாறுபாடுகள் (Seasonality) மற்றும் நிலையற்ற தன்மை போன்றவற்றை அடையாளம் காணவும். 3. நிலையற்ற தன்மை சோதனை: Augmented Dickey-Fuller (ADF) சோதனை போன்ற புள்ளிவிவர சோதனைகளைப் பயன்படுத்தி தரவின் நிலையற்ற தன்மையை சோதிக்கவும். 4. p, d, மற்றும் q மதிப்புகளைத் தேர்ந்தெடுப்பது: தரவின் தன்னியக்க தொடர்பு மற்றும் பகுதி தன்னியக்க தொடர்பு (Partial Autocorrelation) செயல்பாடுகளைப் (ACF and PACF) பயன்படுத்தி p, d, மற்றும் q மதிப்புகளைத் தேர்ந்தெடுக்கவும். 5. மாதிரியை மதிப்பிடுதல்: தேர்ந்தெடுக்கப்பட்ட p, d, மற்றும் q மதிப்புகளைப் பயன்படுத்தி ARIMA மாதிரியை மதிப்பிடவும். 6. மாதிரியை சரிபார்த்தல்: மாதிரி எவ்வாறு தரவை பொருத்துகிறது என்பதை மதிப்பிடவும். Residual analysis பயன்படுத்தி, பிழைகள் சீரற்ற முறையில் விநியோகிக்கப்பட்டுள்ளதா என்பதை உறுதிப்படுத்தவும். 7. முன்னறிவிப்பு செய்தல்: மதிப்பிடப்பட்ட மாதிரியைப் பயன்படுத்தி எதிர்கால மதிப்புகளைக் கணிக்கவும்.

பைனரி ஆப்ஷன் பரிவர்த்தனையில் ARIMA மாதிரியின் பயன்பாடு

பைனரி ஆப்ஷன் பரிவர்த்தனையில், ARIMA மாதிரி விலை நகர்வுகளைக் கணிக்கப் பயன்படுகிறது. குறிப்பாக, இது ஒரு குறிப்பிட்ட காலத்திற்கு விலை உயருமா அல்லது குறையுமா என்பதை கணிக்க உதவுகிறது. ARIMA மாதிரியைப் பயன்படுத்தி, வர்த்தகர்கள் பின்வரும் உத்திகளைப் பயன்படுத்தலாம்:

• போக்கு வர்த்தகம் (Trend Trading): ARIMA மாதிரி ஒரு குறிப்பிட்ட திசையில் விலை நகரும் என்று கணித்தால், வர்த்தகர்கள் அந்த திசையில் வர்த்தகம் செய்யலாம்.
• பருவகால வர்த்தகம் (Seasonal Trading): ARIMA மாதிரி ஒரு குறிப்பிட்ட கால இடைவெளியில் விலை நகரும் என்று கணித்தால், வர்த்தகர்கள் அந்த கால இடைவெளியில் வர்த்தகம் செய்யலாம்.
• விலை இடைவெளி வர்த்தகம் (Price Range Trading): ARIMA மாதிரி ஒரு குறிப்பிட்ட விலை வரம்பிற்குள் விலை இருக்கும் என்று கணித்தால், வர்த்தகர்கள் அந்த விலை வரம்பிற்குள் வர்த்தகம் செய்யலாம்.

ARIMA மாதிரியின் வரம்புகள்

ARIMA மாதிரி ஒரு சக்திவாய்ந்த கருவியாக இருந்தாலும், அது சில வரம்புகளைக் கொண்டுள்ளது:

• தரவு தரம்: ARIMA மாதிரியின் துல்லியம் தரவின் தரத்தைப் பொறுத்தது. தவறான அல்லது முழுமையற்ற தரவு தவறான முன்னறிவிப்புகளுக்கு வழிவகுக்கும்.
• மாதிரி சிக்கலானது: ARIMA மாதிரியை உருவாக்குவது மற்றும் சரிபார்ப்பது சிக்கலானதாக இருக்கலாம், குறிப்பாக அனுபவம் இல்லாதவர்களுக்கு.
• நிலையான தன்மை அனுமானம்: ARIMA மாதிரி தரவு நிலையானது என்று அனுமானிக்கிறது. தரவு நிலையாக இல்லாவிட்டால், அதை நிலையானதாக மாற்றுவது அவசியம், இது சில நேரங்களில் தகவல்களை இழக்க நேரிடலாம்.
• வெளிப்புற காரணிகள்: ARIMA மாதிரி வெளிப்புற காரணிகளை கணக்கில் எடுத்துக்கொள்வதில்லை. பொருளாதார நிகழ்வுகள், அரசியல் மாற்றங்கள் மற்றும் பிற எதிர்பாராத நிகழ்வுகள் விலை நகர்வுகளை பாதிக்கலாம்.

ARIMA மாதிரியை மேம்படுத்துவதற்கான உத்திகள்

ARIMA மாதிரியின் துல்லியத்தை மேம்படுத்த பின்வரும் உத்திகளைப் பயன்படுத்தலாம்:

• தரவு முன்தயாரிப்பு: தரவை சுத்தம் செய்து, காணாமல் போன மதிப்புகளை நிரப்பவும்.
• மாதிரி தேர்வு: வெவ்வேறு p, d, மற்றும் q மதிப்புகளைப் பயன்படுத்தி பல ARIMA மாதிரிகளை உருவாக்கி, சிறந்த மாதிரியைத் தேர்ந்தெடுக்கவும்.
• மாதிரி கலவை (Model Combination): பல ARIMA மாதிரிகளை இணைத்து, ஒரு கலவை மாதிரியை உருவாக்கவும்.
• வெளிப்புற காரணிகளைச் சேர்த்தல்: ARIMA மாதிரியில் வெளிப்புற காரணிகளைச் சேர்த்து, முன்னறிவிப்பு துல்லியத்தை மேம்படுத்தவும்.

பிற தொடர்புடைய நுட்பங்கள்

• எக்ஸ்போனென்ஷியல் ஸ்மூத்திங் (Exponential Smoothing)
• GARCH மாதிரி (GARCH Model)
• நியூரல் நெட்வொர்க்குகள் (Neural Networks)
• சப்போர்ட் வெக்டர் மெஷின் (Support Vector Machine)
• காலவரிசை சிதைவு (Time Series Decomposition)

தொடர்புடைய பகுப்பாய்வு கருவிகள்

• தொழில்நுட்ப பகுப்பாய்வு (Technical Analysis)
• அடிப்படை பகுப்பாய்வு (Fundamental Analysis)
• அளவு பகுப்பாய்வு (Quantitative Analysis)
• சந்தை உணர்வு பகுப்பாய்வு (Sentiment Analysis)
• ரிஸ்க் மேனேஜ்மென்ட் (Risk Management)

முடிவுரை

ARIMA மாதிரி, பைனரி ஆப்ஷன் பரிவர்த்தனையில் விலை நகர்வுகளைக் கணிக்கப் பயன்படும் ஒரு பயனுள்ள கருவியாகும். இருப்பினும், அதன் வரம்புகளைப் புரிந்துகொண்டு, அதை மேம்படுத்துவதற்கான உத்திகளைப் பயன்படுத்துவது அவசியம். சரியான தரவு தயாரிப்பு, மாதிரி தேர்வு மற்றும் வெளிப்புற காரணிகளைச் சேர்ப்பதன் மூலம், ARIMA மாதிரியின் துல்லியத்தை மேம்படுத்தலாம் மற்றும் லாபகரமான வர்த்தக முடிவுகளை எடுக்கலாம்.

ARIMA மாதிரி அளவுருக்கள்

அளவுரு

விளக்கம்

p

AR கூறுகளின் எண்ணிக்கை

d

ஒருங்கிணைத்தலின் அளவு

q

MA கூறுகளின் எண்ணிக்கை

ஏனெனில், ARIMA (AutoRegressive Integrated Moving Average) என்பது காலவரிசை பகுப்பாய்வில் பயன்படுத்தப்படும் ஒரு புள்ளிவிவர மாதிரி ஆகும்.

இப்போது பரிவர்த்தனையை தொடங்குங்கள்

IQ Option-ல் பதிவு செய்யவும் (குறைந்தபட்ச டெபாசிட் $10) Pocket Option-ல் கணக்கு திறக்கவும் (குறைந்தபட்ச டெபாசிட் $5)

எங்கள் சமூகத்தில் சேருங்கள்

எங்கள் Telegram சேனலுக்கு சேர்ந்து @strategybin பெறுங்கள்: ✓ தினசரி பரிவர்த்தனை சமிக்ஞைகள் ✓ சிறப்பு உத்திகள் மற்றும் ஆலோசனைகள் ✓ சந்தை சார்ந்த அறிவிப்புகள் ✓ தொடக்க அடிப்படையிலான கல்வி பொருட்கள்