ARIMA மாதிரிகள்

From binaryoption
Jump to navigation Jump to search
Баннер1
    1. ARIMA மாதிரிகள்

ARIMA மாதிரிகள் (AutoRegressive Integrated Moving Average models) என்பவை காலம் தொடர் பகுப்பாய்வுயில் (Time Series Analysis) பரவலாகப் பயன்படுத்தப்படும் ஒரு புள்ளியியல் முறையாகும். குறிப்பாக, நிதிச் சந்தைகளில், குறிப்பாக பைனரி ஆப்ஷன் வர்த்தகத்தில், எதிர்கால மதிப்புகளைக் கணிக்க இவை உதவுகின்றன. இந்த மாதிரிகள், முந்தைய தரவுகளின் அடிப்படையில் நிகழ்கால மற்றும் எதிர்கால போக்குகளை ஆராய்கின்றன.

ARIMA மாதிரிகளின் அடிப்படைகள்

ARIMA மாதிரிகள் மூன்று முக்கிய கூறுகளைக் கொண்டிருக்கின்றன:

  • AutoRegressive (AR) (சுய-தொடர்பு): இந்த கூறு, ஒரு மாறியின் தற்போதைய மதிப்பு அதன் முந்தைய மதிப்புகளுடன் உள்ள தொடர்பை விளக்குகிறது. அதாவது, கடந்த கால மதிப்புகள் நிகழ்கால மதிப்பை எவ்வாறு பாதிக்கின்றன என்பதை இது ஆராய்கிறது.
  • Integrated (I) (ஒருங்கிணைப்பு): காலம் தொடர் தரவு நிலையற்றதாக (Non-Stationary) இருந்தால், அதை நிலையானதாக மாற்ற இந்த கூறு பயன்படுகிறது. நிலையற்ற தரவு என்பது, அதன் புள்ளியியல் பண்புகள் காலப்போக்கில் மாறும் தரவைக் குறிக்கிறது. நிலையற்ற தன்மையை நீக்க, தரவுகளின் வேறுபாடுகளை (Differences) கணக்கிடலாம்.
  • Moving Average (MA) (நகரும் சராசரி): இந்த கூறு, முந்தைய பிழைகளின் (Errors) அடிப்படையில் தற்போதைய மதிப்பை விளக்குகிறது. அதாவது, முந்தைய கணிப்புகளில் ஏற்பட்ட தவறுகள் நிகழ்கால மதிப்பை எவ்வாறு பாதிக்கின்றன என்பதை இது ஆராய்கிறது.

இந்த மூன்று கூறுகளையும் இணைத்து, ARIMA(p, d, q) என்ற பொதுவான வடிவில் மாதிரி குறிப்பிடப்படுகிறது. இதில்:

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

உதாரணமாக, ARIMA(1, 1, 1) என்பது ஒரு AR கூறு, ஒரு ஒருங்கிணைப்பு கூறு மற்றும் ஒரு MA கூறு ஆகியவற்றைக் கொண்ட மாதிரியாகும்.

ARIMA மாதிரிகளை உருவாக்குதல்

ARIMA மாதிரியை உருவாக்குவதில் பல நிலைகள் உள்ளன:

1. தரவு சேகரிப்பு மற்றும் தயாரிப்பு : முதலில், நீங்கள் பகுப்பாய்வு செய்ய விரும்பும் காலம் தொடர் தரவைச் சேகரிக்க வேண்டும். தரவு சுத்தமாகவும், பிழைகள் இல்லாமலும் இருக்க வேண்டும். தேவைப்பட்டால், காணாமல் போன மதிப்புகளை நிரப்ப வேண்டும். 2. தரவு நிலைத்தன்மை சோதனை : தரவு நிலையானதா என்பதைச் சோதிக்க வேண்டும். ஆகமென்டட் டிக்-ஃபில்லர் சோதனை (Augmented Dickey-Fuller test) போன்ற புள்ளியியல் சோதனைகளைப் பயன்படுத்தலாம். தரவு நிலையற்றதாக இருந்தால், அதை நிலையானதாக மாற்ற வேறுபாடுகளைக் கணக்கிட வேண்டும். 3. ACF மற்றும் PACF வரைபடங்கள் : தரவின் சுய-தொடர்பு மற்றும் நகரும் சராசரி கூறுகளை அடையாளம் காண ACF (Autocorrelation Function) மற்றும் PACF (Partial Autocorrelation Function) வரைபடங்களைப் பயன்படுத்தலாம். ACF வரைபடம், தரவுகளின் வெவ்வேறு கால இடைவெளிகளுக்கு இடையிலான தொடர்பைக் காட்டுகிறது. PACF வரைபடம், இரண்டு கால இடைவெளிகளுக்கு இடையிலான நேரடி தொடர்பைக் காட்டுகிறது. 4. மாதிரி தேர்வு : ACF மற்றும் PACF வரைபடங்களின் அடிப்படையில், பொருத்தமான ARIMA(p, d, q) மாதிரியைத் தேர்ந்தெடுக்கவும். 5. மாதிரி மதிப்பீடு : சேகரிக்கப்பட்ட தரவைப் பயன்படுத்தி மாதிரியின் அளவுருக்களை (Parameters) மதிப்பிடவும். குறைந்த சதுர முறை (Least Squares Method) போன்ற முறைகளைப் பயன்படுத்தலாம். 6. மாதிரி சரிபார்ப்பு : மாதிரியின் துல்லியத்தை சரிபார்க்க, தரவின் ஒரு பகுதியை (Hold-out sample) பயன்படுத்தவும். RMSE (Root Mean Squared Error) போன்ற அளவீடுகளைப் பயன்படுத்தி மாதிரியின் செயல்திறனை மதிப்பிடலாம்.

பைனரி ஆப்ஷன் வர்த்தகத்தில் ARIMA மாதிரிகளின் பயன்பாடு

பைனரி ஆப்ஷன் வர்த்தகத்தில் ARIMA மாதிரிகள் பல வழிகளில் பயன்படுத்தப்படலாம்:

  • விலை முன்னறிவிப்பு : ஒரு சொத்தின் எதிர்கால விலையை கணிக்க ARIMA மாதிரிகளைப் பயன்படுத்தலாம். இந்த முன்னறிவிப்புகளை அடிப்படையாகக் கொண்டு, ஒரு குறிப்பிட்ட காலக்கெடுவிற்குள் விலை உயரும் அல்லது குறையும் என்று கணிப்பு செய்யலாம்.
  • சந்தை போக்குகளை அடையாளம் காணுதல் : ARIMA மாதிரிகள், சந்தை போக்குகளை அடையாளம் காணவும், அவற்றின் வலிமையை மதிப்பிடவும் உதவுகின்றன. இந்த தகவல்கள், வர்த்தக முடிவுகளை எடுக்க உதவுகின்றன.
  • ஆபத்து மேலாண்மை : ARIMA மாதிரிகள், விலை ஏற்ற இறக்கங்களை மதிப்பிடவும், சாத்தியமான இழப்புகளைக் கணிக்கவும் உதவுகின்றன. இது, ஆபத்து மேலாண்மைக்கு உதவுகிறது.
  • தானியங்கி வர்த்தகம் : ARIMA மாதிரிகளை தானியங்கி வர்த்தக அமைப்புகளில் (Automated Trading Systems) ஒருங்கிணைக்கலாம். இதன் மூலம், சந்தை நிலைமைகளுக்கு ஏற்ப தானாகவே வர்த்தகம் செய்ய முடியும்.

ARIMA மாதிரிகளின் வரம்புகள்

ARIMA மாதிரிகள் சக்திவாய்ந்த கருவிகளாக இருந்தாலும், அவற்றின் வரம்புகளைப் புரிந்துகொள்வது அவசியம்:

  • தரவு தரம் : ARIMA மாதிரிகளின் துல்லியம் தரவின் தரத்தைப் பொறுத்தது. தவறான அல்லது முழுமையற்ற தரவு தவறான கணிப்புகளுக்கு வழிவகுக்கும்.
  • நிலையற்ற தன்மை : ARIMA மாதிரிகள் நிலையான தரவை மட்டுமே கையாள முடியும். தரவு நிலையற்றதாக இருந்தால், அதை நிலையானதாக மாற்ற வேண்டும், இது சில நேரங்களில் தகவல்களை இழக்க நேரிடலாம்.
  • நேரியல் தன்மை : ARIMA மாதிரிகள் தரவுகளுக்கு இடையே நேரியல் தொடர்புகளை மட்டுமே கருதுகின்றன. உண்மையான உலக சந்தைகளில், தொடர்புகள் நேரியல் அல்லாதவையாக இருக்கலாம்.
  • அதிகப்படியான பொருத்தம் (Overfitting): மாதிரியை அதிகப்படியாக பொருத்தினால், அது பயிற்சி தரவில் (Training Data) நன்றாக செயல்படலாம், ஆனால் புதிய தரவில் மோசமாக செயல்படலாம்.

மேம்பட்ட ARIMA மாதிரிகள்

அடிப்படை ARIMA மாதிரிகளுக்கு கூடுதலாக, பல மேம்பட்ட ARIMA மாதிரிகள் உள்ளன:

  • SARIMA (Seasonal ARIMA): பருவகால தரவுகளுக்கு ஏற்றது. பருவகால போக்குகளைக் கணிக்க உதவுகிறது.
  • ARIMAX (ARIMA with Exogenous Variables): வெளிப்புற மாறிகளை (External Variables) உள்ளடக்கியது. இது, மாதிரியின் துல்லியத்தை அதிகரிக்க உதவுகிறது.
  • GARCH (Generalized Autoregressive Conditional Heteroskedasticity): விலை ஏற்ற இறக்கங்களை (Volatility) மாதிரியாகக் கொள்ள உதவுகிறது. இது, நிதிச் சந்தைகளில் மிகவும் பயனுள்ளதாக இருக்கும்.

தொடர்புடைய கருத்துகள்

தொடர்புடைய உத்திகள், தொழில்நுட்ப பகுப்பாய்வு மற்றும் அளவு பகுப்பாய்வு

ஏனெனில், ARIMA மாதிரிகள் காலம் தொடர் பகுப்பாய்வின் ஒரு முக்கிய பகுதியாகும்.

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

Баннер
Retrieved from "https://binaryoption.wiki/ta/index.php?title=ARIMA_மாதிரிகள்&oldid=2650"