ARIMA மாதிரி

ARIMA மாதிரி

ARIMA மாதிரி (AutoRegressive Integrated Moving Average) என்பது ஒரு புள்ளிவிவர முறையாகும். இது காலம்சார்ந்த தரவுத் தொடர்களை (Time Series Data) பகுப்பாய்வு செய்து, எதிர்கால மதிப்புகளைக் கணிக்கப் பயன்படுகிறது. குறிப்பாக, நிதிச் சந்தைகள் போன்ற துறைகளில் இது பரவலாகப் பயன்படுத்தப்படுகிறது. பைனரி ஆப்ஷன்ஸ் வர்த்தகத்திலும், சந்தை போக்குகளை முன்கூட்டியே அறிய இது ஒரு முக்கியமான கருவியாக விளங்குகிறது.

அறிமுகம்

காலம்சார்ந்த தரவுத் தொடர் என்பது, ஒரு குறிப்பிட்ட கால இடைவெளியில் சேகரிக்கப்பட்ட தரவுகளின் வரிசையாகும். உதாரணமாக, ஒரு பங்கின் தினசரி விலைகள், ஒரு நாட்டின் மாதந்திர பணவீக்கம், அல்லது ஒரு நிறுவனத்தின் வாராந்திர விற்பனை புள்ளிவிவரங்கள். இந்தத் தரவுகளில் உள்ள போக்குகள், பருவகால மாறுபாடுகள் மற்றும் சீரற்ற ஏற்ற இறக்கங்களைப் புரிந்துகொள்வது, எதிர்காலத்தை கணிப்பதற்கு அவசியம்.

ARIMA மாதிரியானது, முந்தைய தரவு மதிப்புகளைப் பயன்படுத்தி, தற்போதைய மற்றும் எதிர்கால மதிப்புகளைக் கணிக்கிறது. இது மூன்று முக்கிய கூறுகளைக் கொண்டது:

• தானியங்கு தொடர்பு (AutoRegressive - AR): முந்தைய தரவு மதிப்புகளுக்கும் தற்போதைய மதிப்புக்கும் இடையிலான தொடர்பை இது அளவிடுகிறது.
• ஒருங்கிணைப்பு (Integrated - I): தரவுத் தொடர் நிலையற்றதாக இருந்தால், அதை நிலையானதாக மாற்றும் செயல்முறையை இது குறிக்கிறது.
• நகரும் சராசரி (Moving Average - MA): முந்தைய பிழைகளின் (errors) அடிப்படையில் தற்போதைய மதிப்பை கணிக்கிறது.

ARIMA மாதிரியின் கூறுகள்

ARIMA மாதிரி மூன்று அளவுருக்களால் குறிக்கப்படுகிறது: (p, d, q).

• p (தானியங்கு தொடர்பின் வரிசை): முந்தைய எத்தனை தரவு மதிப்புகள் தற்போதைய மதிப்பை பாதிக்கின்றன என்பதைக் குறிக்கிறது.
• d (ஒருங்கிணைப்பு வரிசை): தரவுத் தொடரை நிலையானதாக மாற்ற எத்தனை முறை வேறுபாடு (differencing) காண வேண்டும் என்பதைக் குறிக்கிறது.
• q (நகரும் சராசரியின் வரிசை): முந்தைய பிழைகள் எத்தனை தற்போதைய மதிப்பை பாதிக்கின்றன என்பதைக் குறிக்கிறது.

உதாரணமாக, ARIMA(1, 1, 1) என்பது p=1, d=1, மற்றும் q=1 என்பதைக் குறிக்கிறது.

ARIMA மாதிரியை உருவாக்குதல்

ARIMA மாதிரியை உருவாக்குவதற்கு பின்வரும் படிகளைப் பின்பற்ற வேண்டும்:

1. தரவு சேகரிப்பு மற்றும் தயாரிப்பு: முதலில், பகுப்பாய்வு செய்ய வேண்டிய காலம்சார்ந்த தரவுத் தொடரை சேகரிக்க வேண்டும். பின்னர், தரவுகளைச் சுத்தம் செய்து, காணாமல் போன மதிப்புகளை நிரப்ப வேண்டும். 2. தரவு நிலைத்தன்மை சோதனை: தரவுத் தொடர் நிலையானதா என்பதைச் சோதிக்க வேண்டும். நிலையான தரவுத் தொடர் என்பது, அதன் சராசரி மற்றும் மாறுபாடு காலப்போக்கில் மாறாமல் இருக்கும். Augmented Dickey-Fuller சோதனை போன்ற புள்ளிவிவர சோதனைகளைப் பயன்படுத்தி இதைச் சரிபார்க்கலாம். 3. p, d, q அளவுருக்களைத் தேர்ந்தெடுப்பது: தரவுத் தொடரின் தானியங்கு தொடர்புச் சார்பு (Autocorrelation Function - ACF) மற்றும் பகுதி தானியங்கு தொடர்புச் சார்பு (Partial Autocorrelation Function - PACF) வரைபடங்களைப் பயன்படுத்தி p, d, q அளவுருக்களைத் தேர்ந்தெடுக்கலாம். ACF வரைபடம், தரவுத் தொடருக்கும் அதன் முந்தைய மதிப்புகளுக்கும் இடையிலான தொடர்பைக் காட்டுகிறது. PACF வரைபடம், இரண்டு மதிப்புகளுக்கு இடையிலான நேரடி தொடர்பைக் காட்டுகிறது. 4. மாதிரியைப் பொருத்துதல்: தேர்ந்தெடுக்கப்பட்ட p, d, q அளவுருக்களைப் பயன்படுத்தி, தரவுத் தொடருக்கு ARIMA மாதிரியைப் பொருத்த வேண்டும். 5. மாதிரி மதிப்பீடு: மாதிரியின் துல்லியத்தை மதிப்பிட வேண்டும். RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), மற்றும் R-squared போன்ற புள்ளிவிவர அளவீடுகளைப் பயன்படுத்தி இதைச் செய்யலாம்.

ARIMA மாதிரியின் பயன்பாடுகள்

ARIMA மாதிரியானது பல்வேறு துறைகளில் பரவலாகப் பயன்படுத்தப்படுகிறது:

• நிதிச் சந்தை முன்னறிவிப்பு: பங்குகள், பத்திரங்கள், மற்றும் கமாடிட்டிகளின் விலைகளை கணிக்க இது பயன்படுகிறது. தொழில்நுட்ப பகுப்பாய்வு மற்றும் அளவு பகுப்பாய்வு ஆகியவற்றுடன் இணைந்து, இது வர்த்தக முடிவுகளை எடுக்க உதவுகிறது.
• விற்பனை முன்னறிவிப்பு: எதிர்கால விற்பனையை கணிக்க இது பயன்படுகிறது. இது சரக்கு மேலாண்மை மற்றும் உற்பத்தி திட்டமிடலுக்கு உதவுகிறது.
• பொருளாதார முன்னறிவிப்பு: பணவீக்கம், வட்டி விகிதங்கள், மற்றும் மொத்த உள்நாட்டு உற்பத்தி போன்ற பொருளாதார மாறிகளை கணிக்க இது பயன்படுகிறது.
• வானிலை முன்னறிவிப்பு: வெப்பநிலை, மழைப்பொழிவு, மற்றும் காற்றின் வேகத்தை கணிக்க இது பயன்படுகிறது.

பைனரி ஆப்ஷன் வர்த்தகத்தில் ARIMA மாதிரி

பைனரி ஆப்ஷன்ஸ் வர்த்தகத்தில், ARIMA மாதிரியானது ஒரு குறிப்பிட்ட காலத்திற்குள் ஒரு சொத்தின் விலை உயருமா அல்லது குறையுமா என்பதை கணிப்பதற்குப் பயன்படுகிறது. சந்தை போக்குகளை அடையாளம் காணவும், வர்த்தக வாய்ப்புகளைக் கண்டறியவும் இது உதவுகிறது.

உதாரணமாக, ஒரு பங்கின் விலை தொடர்ந்து உயர்ந்து கொண்டிருந்தால், ARIMA மாதிரி எதிர்காலத்திலும் விலை உயரும் என்று கணிக்கலாம். இந்த கணிப்பின் அடிப்படையில், ஒரு வர்த்தகர் "call option" வாங்கலாம். மாறாக, விலை குறையும் என்று கணிக்கப்பட்டால், "put option" வாங்கலாம்.

ARIMA மாதிரியின் வரம்புகள்

ARIMA மாதிரியானது ஒரு சக்திவாய்ந்த கருவியாக இருந்தாலும், சில வரம்புகளைக் கொண்டுள்ளது:

• தரவு தேவை: ARIMA மாதிரிக்கு போதுமான அளவு தரவு தேவை. தரவு குறைவாக இருந்தால், மாதிரியின் துல்லியம் குறையலாம்.
• நிலையான தரவு: ARIMA மாதிரி நிலையான தரவுத் தொடரில் சிறப்பாக செயல்படுகிறது. தரவு நிலையற்றதாக இருந்தால், அதை நிலையானதாக மாற்ற வேண்டும்.
• நேரியல் தொடர்பு: ARIMA மாதிரி தரவு மதிப்புகளுக்கு இடையே நேரியல் தொடர்பை மட்டுமே கருதுகிறது. நேரியல் அல்லாத தொடர்புகளைக் கண்டறிய இது பொருத்தமானதல்ல.
• அதிகப்படியான பொருத்தம்: அதிகப்படியான அளவுருக்களைப் பயன்படுத்தினால், மாதிரி பயிற்சி தரவுகளுக்கு மிக நெருக்கமாகப் பொருந்தலாம், ஆனால் புதிய தரவுகளுக்கு சரியாக கணிக்க முடியாது.

மேம்பட்ட ARIMA மாதிரிகள்

ARIMA மாதிரியின் செயல்திறனை மேம்படுத்த பல மேம்பட்ட மாதிரிகள் உள்ளன:

• 'Seasonal ARIMA (SARIMA): பருவகால மாறுபாடுகளைக் கணக்கில் எடுத்துக்கொள்வதற்கு இது பயன்படுகிறது.
• 'ARIMAX: இது ARIMA மாதிரியில் கூடுதல் வெளிப்புற மாறிகளை சேர்க்கிறது.
• 'GARCH: இது நிதிச் சந்தைகளில் உள்ள மாறுபாடு (volatility) மாதிரியாக்க பயன்படுகிறது.

உதாரண அட்டவணை: ARIMA மாதிரி அளவுருக்களின் தேர்வு

ARIMA மாதிரி அளவுருக்களின் தேர்வு

விளக்கம் | தேர்வு முறை |

தானியங்கு தொடர்பின் வரிசை | PACF வரைபடத்திலிருந்து |

ஒருங்கிணைப்பு வரிசை | தரவு நிலைத்தன்மை சோதனை மூலம் |

நகரும் சராசரியின் வரிசை | ACF வரைபடத்திலிருந்து |

தொடர்புடைய இணைப்புகள்

• காலம்சார்ந்த தொடர் பகுப்பாய்வு
• தானியங்கு தொடர்பு
• பகுதி தானியங்கு தொடர்பு
• Augmented Dickey-Fuller சோதனை
• RMSE
• MAE
• R-squared
• நிதிச் சந்தைகள்
• தொழில்நுட்ப பகுப்பாய்வு
• அளவு பகுப்பாய்வு
• பணவீக்கம்
• வட்டி விகிதங்கள்
• மொத்த உள்நாட்டு உற்பத்தி
• SARIMA
• ARIMAX
• GARCH
• பைனரி ஆப்ஷன்ஸ்
• சந்தை போக்குகள்
• வர்த்தக உத்திகள்
• சந்தை பகுப்பாய்வு
• முன்னறிவிப்பு முறைகள்
• புள்ளிவிவர மாதிரிகள்

முடிவுரை

ARIMA மாதிரி என்பது காலம்சார்ந்த தரவுத் தொடர்களை பகுப்பாய்வு செய்வதற்கும், எதிர்கால மதிப்புகளைக் கணிப்பதற்கும் ஒரு பயனுள்ள கருவியாகும். குறிப்பாக, நிதிச் சந்தை முன்னறிவிப்பு மற்றும் பைனரி ஆப்ஷன் வர்த்தகத்தில் இது முக்கிய பங்கு வகிக்கிறது. இருப்பினும், மாதிரியின் வரம்புகளைப் புரிந்துகொண்டு, அதை கவனமாகப் பயன்படுத்த வேண்டும். சரியான அளவுருக்களைத் தேர்ந்தெடுப்பதன் மூலமும், மேம்பட்ட மாதிரிகளைப் பயன்படுத்துவதன் மூலமும், ARIMA மாதிரியின் துல்லியத்தை மேம்படுத்தலாம்.

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