image
تاریخ : 2015/07/04 نویسنده : h.gh دیدگاه : 0

اکثر روش‎های سری زمانی در قلمروی زمان می‎باشند، همانند الگوهای باکس جنکینز (الگوهای ARIMA) که توابع خودهمبستگی وخودهمبستگی جزیی برای مطالعه تکامل تدریجی سری زمانی باتوجه به الگوهای پارامتری بوده است.

هنگامی که مشاهدات گذشته با مشاهدات در آینده دور خودهمبستگی دارند و رابطه آن­ها غیرقابل چشم پوشی است، سری زمانی مورد مطالعه دارای ویژگی حافظه بلندمدت است و تشخیص این الگو کاربردهای مهمی برای خرید و فروش­های کوتاه مدت و همچنین استراتژی سرمایه گذاری بلندمدت دارد. زیرا تصمیمات سرمایه گذاری نسبت به دامنه زمانی مورد بررسی حساس هستند و این تصمیمات وابسته به میزان حافظه بلندمدت خواهند بود. حافظه بلندمدت موجب وابستگی غیرخطی در گشتاور اول توزیع بازده می­گردد و در دینامیک سری زمانی پارامتری را تولید می نماید که قابلیت پیش بینی دارد. از این پارامتر در ادبیات مالی با عنوان پارامتر حافظه­ ی بلندمدت نامبرده می­ شود. این گونه مدل­ها که حالت حافظه بلند مدت سری­های زمانی ARIMA نام دارد با نماد ARFIMA نمایش داده می­ شود (Fractional ARIMA).

طی دهه­ های گذشته فرآیندهای حافظه­ ی بلندمدت، بخش اساسی و مهمی از تحلیل سری زمانی را مطرح کرده­اند. فرآیندهای حافظه­ ی بلندمدت با خودهمبستگی­ هایی که بسیار بسیار آهسته کاهش می یابند یا با یک چگالی طیفی که در فرکانس نزدیک صفر یک نقطه اوج دارد، مشخص می ­شوند. این خصوصیات، رفتار آماری تخمین­ ها و پیش بینی­ ها را به شدت تغییر می­ دهد. در نتیجه، بسیاری از نتایج و روش­های نظری مورد استفاده در تحلیل سری­های زمانی با حافظه­ ی کوتاه مدت مانند فرآیندهای ARIMA، برای مدل­ های با حافظه­ ی بلند مدت مناسب نیستند.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *