Pronosticar técnicas de análisis estadístico de datos grande

Muchas técnicas diferentes han sido diseñadas para predecir el valor futuro de una variable. Dos de ellos son modelos de regresión de series de tiempo y modelos de simulación.

Modelos de regresión de series de tiempo

LA modelo de regresión de series de tiempo se utiliza para estimar la tendencia seguido de una variable en el tiempo, usando técnicas de regresión. LA línea de tendencia muestra la dirección en la que una variable se está moviendo como transcurre el tiempo.

A modo de ejemplo, la figura se muestra una serie de tiempo que representa la producción anual de una mina de oro (medida en miles de onzas por año), ya que la mina se abrió hace diez años.

La ecuación de la línea de tendencia se estima en

Y = 0,9212X + 1.3333

dónde

X es el año.Y es la producción anual de oro (medida en miles de onzas).

Esta línea de tendencia se estima a través del análisis de regresión. La línea de tendencia muestra que, en promedio, la salida de la mina crece por 0.9212 mil (921,2 oz) cada año.

Usted podría utilizar esta línea de tendencia para predecir la salida el próximo año (el 11 año de operación) mediante la sustitución de 11 de X, como sigue:

Y = 0,9212X + 1.3333Y = 0,9212 (11) + 1.3333 = 11.4665

Con base en la ecuación de la línea de tendencia, se espera que la mina produzca 11,466.5 onzas de oro el próximo año.

Los modelos de simulación

Puedes usar simulación modelos para pronosticar una serie de tiempo. Los modelos de simulación son extremadamente flexibles, pero pueden ser extremadamente lento de implementar. Su exactitud depende también de supuestos están realizando acerca de las propiedades estadísticas de los datos de series de tiempo.

Dos enfoques estándar a la previsión de series financieras tiempo con modelos de simulación son simulación histórica y la simulación de Monte Carlo.

Simulación Histórica

Histórico simulación es una técnica utilizada para generar una distribución de probabilidad de una variable a medida que evoluciona con el tiempo, en función de sus valores pasados. Si las propiedades de la variable que está siendo simulada permanecen estables en el tiempo, esta técnica puede ser muy precisa. Una desventaja de este enfoque es que el fin de obtener una predicción precisa, es necesario tener una gran cantidad de datos. También depende de la suposición de que el comportamiento pasado de una variable continuará en el futuro.

Como ejemplo, esta cifra muestra un histograma que representa los rendimientos de una población efectuadas en los últimos 100 días.

Este histograma muestra la distribución de probabilidad de los rendimientos de las acciones sobre la base de los últimos 100 días de negociación. El gráfico muestra que el retorno más frecuente en los últimos 100 días fue una pérdida de 2 por ciento, el segundo más frecuente fue una pérdida de 3 por ciento, y así sucesivamente. Puede utilizar la información contenida en este gráfico para crear una distribución de probabilidad para el regreso más probable es que en esta población durante la jornada que viene.

Simulación de Monte Carlo

Monte Carlo simulación es una técnica en la que los números aleatorios se sustituyen en un modelo estadístico para predecir los valores futuros de una variable. Esta metodología se utiliza en muchas disciplinas diferentes, incluyendo las finanzas, la economía y las ciencias duras, como la física. Simulación de Monte Carlo puede funcionar muy bien, pero también puede ser extremadamente lento de implementar. Además, su precisión depende del modelo estadístico se utiliza para describir el comportamiento de la serie temporal.