Previsão técnicas de análise estatística de dados grandes

Muitas técnicas diferentes foram concebidos para prever o valor futuro de uma variável. Duas delas são modelos de regressão de séries temporais e modelos de simulação.

modelos de regressão de séries temporais

UMA modelo de regressão de séries temporais é usada para estimar a tendência seguido por uma variável ao longo do tempo, utilizando técnicas de regressão. UMA linha de tendência mostra a direcção em que uma variável está em movimento medida que o tempo decorre.

Como exemplo, a figura mostra uma série temporal que representa a produção anual de uma mina de ouro (medido em milhares de onças por ano) desde que a mina foi aberta há dez anos.

Video: Seleção das Técnicas de Previsão de Demanda

A equação da linha de tendência é estimada em

Y = 0,9212X + 1,3333

Onde

X é o ano.

Y é a produção anual de ouro (medido em milhares de onças).

Esta linha de tendência é estimada usando análise de regressão. A linha de tendência mostra que, em média, a saída da mina cresce 0.9212 mil (921,2 onças) a cada ano.

Você poderia usar esta linha de tendência para prever a saída do próximo ano (o 11º ano de operação) substituindo 11 para X, do seguinte modo:

Y = 0,9212X + 1,3333

Y = 0,9212 (11) + 1,3333 = 11,4665

Com base na equação de linha de tendência, seria esperado que a mina para produzir 11,466.5 onças de ouro no próximo ano.

Os modelos de simulação

Você pode usar simulação modelos para prever uma série de tempo. Os modelos de simulação são extremamente flexíveis, mas pode ser extremamente demorado para implementar. Sua precisão também depende de suposições estão sendo feitas sobre propriedades estatísticas dos dados de séries temporais.

Duas abordagens padrão para previsão de séries financeiras com modelos de simulação são simulação histórica e simulação Monte Carlo.

simulação histórica

Histórico simulação é uma técnica utilizada para gerar uma distribuição de probabilidade para uma variável à medida que evolui ao longo do tempo, com base nos seus valores passados. Se as propriedades da variável que está sendo simulado permanecer estável ao longo do tempo, esta técnica pode ser altamente preciso. Uma desvantagem dessa abordagem é que, a fim de obter uma previsão precisa, você precisa ter um monte de dados. Também depende do pressuposto de que o comportamento passado de uma variável irá continuar no futuro.

Video: ESTATÍSTICA NO EXCEL

Como um exemplo, esta figura mostra um histograma que representa os retornos para um estoque ao longo dos últimos 100 dias.

Este histograma mostra a distribuição de probabilidade de retornos sobre o estoque com base nos últimos 100 dias de negociação. O gráfico mostra que o retorno mais frequentes ao longo dos últimos 100 dias era uma perda de 2 por cento, o segundo mais frequente foi a uma perda de 3 por cento, e assim por diante. Você pode usar as informações contidas neste gráfico para criar uma distribuição de probabilidade para o retorno mais provável neste ações ao longo do dia de negociação vinda.

Simulação de Monte Carlo

Monte Carlo simulação é uma técnica na qual os números aleatórios são substituídos em um modelo estatístico, a fim de prever os valores futuros de uma variável. Esta metodologia é utilizada em muitas disciplinas diferentes, incluindo finanças, economia e ciências exatas, como física. Simulação de Monte Carlo pode funcionar muito bem, mas também pode ser extremamente demorado para implementar. Além disso, sua precisão depende do modelo estatístico a ser usado para descrever o comportamento da série histórica.