ARIMA

1. 1. ARIMA: ஒரு அறிமுகம்

ARIMA (AutoRegressive Integrated Moving Average) என்பது நேரத் தொடர் பகுப்பாய்வுயில் பரவலாகப் பயன்படுத்தப்படும் ஒரு புள்ளியியல் மாதிரி ஆகும். இது எதிர்கால மதிப்புகளை முன்னறிவிப்பதற்காக, முந்தைய மதிப்புகளின் அடிப்படையில் நேரத் தொடர் தரவைப் பகுப்பாய்வு செய்கிறது. கிரிப்டோகரன்சி சந்தை போன்ற நிதித் துறைகளில், விலை நகர்வுகளைப் புரிந்துகொள்ளவும், வர்த்தக முடிவுகளை எடுக்கவும் ARIMA ஒரு முக்கியமான கருவியாக விளங்குகிறது. இந்த கட்டுரை ARIMA மாதிரியின் அடிப்படைகள், அதன் கூறுகள், பயன்பாடுகள் மற்றும் வரம்புகள் ஆகியவற்றை விரிவாக விளக்குகிறது.

1. 1. 1. நேரத் தொடர் தரவு என்றால் என்ன?

ARIMA மாதிரியைப் பற்றிப் பார்ப்பதற்கு முன், நேரத் தொடர் தரவு என்றால் என்ன என்பதைப் புரிந்துகொள்வது அவசியம். நேரத் தொடர் தரவு என்பது ஒரு குறிப்பிட்ட கால இடைவெளியில் சேகரிக்கப்பட்ட தரவு புள்ளிகளின் வரிசையாகும். உதாரணமாக, ஒரு கிரிப்டோகரன்சியின் தினசரி விலை, ஒரு நிறுவனத்தின் மாதாந்திர வருவாய், அல்லது ஒரு நாட்டின் வருடாந்திர மொத்த உள்நாட்டு உற்பத்தி (GDP) ஆகியவை நேரத் தொடர் தரவுகளுக்கு எடுத்துக்காட்டுகள். இந்தத் தரவு புள்ளிகள் காலவரிசைப்படி அமைக்கப்பட்டிருக்கும்.

1. 1. 1. ARIMA மாதிரியின் கூறுகள்

ARIMA மாதிரி மூன்று முக்கிய கூறுகளைக் கொண்டது:

1. **AutoRegressive (AR):** முந்தைய மதிப்புகளைப் பயன்படுத்தி தற்போதைய மதிப்பை முன்னறிவிப்பது AR கூறு ஆகும். அதாவது, தற்போதைய மதிப்பு முந்தைய மதிப்புகளுடன் ஒரு நேர்கோட்டு தொடர்பைக் கொண்டிருக்கும். இதனை ‘p’ என்ற அளவுரு குறிக்கிறது. இது எத்தனை முந்தைய மதிப்புகள் பயன்படுத்தப்படுகின்றன என்பதைக் குறிக்கிறது. 2. **Integrated (I):** நேரத் தொடர் தரவு நிலையற்றதாக (non-stationary) இருந்தால், அதை நிலையானதாக மாற்றும் செயல்பாடு Integrated கூறு ஆகும். நிலையற்ற தரவு என்பது காலப்போக்கில் அதன் சராசரி மற்றும் மாறுபாடு மாறும் தரவு ஆகும். 'd' என்ற அளவுரு, தரவை நிலையானதாக மாற்ற எத்தனை முறை வேறுபாடு (differencing) செய்ய வேண்டும் என்பதைக் குறிக்கிறது. 3. **Moving Average (MA):** முந்தைய பிழைகளை (errors) பயன்படுத்தி தற்போதைய மதிப்பை முன்னறிவிப்பது MA கூறு ஆகும். அதாவது, முந்தைய முன்னறிவிப்பு பிழைகள் தற்போதைய மதிப்பை பாதிக்கின்றன. இதனை ‘q’ என்ற அளவுரு குறிக்கிறது. இது எத்தனை முந்தைய பிழைகள் பயன்படுத்தப்படுகின்றன என்பதைக் குறிக்கிறது.

ARIMA மாதிரியானது ARIMA(p, d, q) என்ற குறியீட்டின் மூலம் குறிப்பிடப்படுகிறது. இங்கு p, d, மற்றும் q ஆகியவை முறையே AR, I, மற்றும் MA கூறுகளின் அளவுருக்களைக் குறிக்கின்றன.

1. 1. 1. ARIMA மாதிரியை உருவாக்குதல்

ARIMA மாதிரியை உருவாக்குவதற்கு சில முக்கிய படிகள் உள்ளன:

1. **தரவு சேகரிப்பு:** முதலில், பகுப்பாய்வு செய்ய வேண்டிய நேரத் தொடர் தரவைச் சேகரிக்க வேண்டும். 2. **தரவு காட்சிப்படுத்தல்:** சேகரிக்கப்பட்ட தரவை வரைபடமாக வரைந்து அதன் போக்குகள் (trends), பருவகால மாறுபாடுகள் (seasonality), மற்றும் நிலையற்ற தன்மை ஆகியவற்றைக் கண்டறிய வேண்டும். 3. **நிலையற்ற தன்மையைச் சரிசெய்தல்:** தரவு நிலையற்றதாக இருந்தால், அதை நிலையானதாக மாற்ற வேறுபாடு (differencing) போன்ற நுட்பங்களைப் பயன்படுத்த வேண்டும். 4. **ACF மற்றும் PACF வரைபடங்கள்:** Autocorrelation Function (ACF) மற்றும் Partial Autocorrelation Function (PACF) வரைபடங்களைப் பயன்படுத்தி p மற்றும் q அளவுருக்களின் பொருத்தமான மதிப்புகளைக் கண்டறிய வேண்டும். ACF மற்றும் PACF ஆகியவை தரவு புள்ளிகளுக்கு இடையிலான தொடர்பை அளவிட உதவுகின்றன. 5. **மாதிரி மதிப்பீடு:** கண்டறியப்பட்ட p, d, மற்றும் q மதிப்புகளைக் கொண்டு ARIMA மாதிரியை உருவாக்க வேண்டும். 6. **மாதிரி சரிபார்ப்பு:** உருவாக்கப்பட்ட மாதிரி தரவுக்குப் பொருந்துமா என்பதைச் சரிபார்க்க வேண்டும். இதற்காக, மீதமுள்ள பிழைகளை (residual errors) பகுப்பாய்வு செய்யலாம். மீதமுள்ள பிழைகள் சீரற்ற முறையில் இருந்தால், மாதிரி நன்றாகப் பொருந்துவதாகக் கருதலாம். 7. **முன்னறிவிப்பு:** சரிபார்க்கப்பட்ட மாதிரியைப் பயன்படுத்தி எதிர்கால மதிப்புகளை முன்னறிவிக்கலாம்.

1. 1. 1. ARIMA மாதிரியின் பயன்பாடுகள்

ARIMA மாதிரி பல்வேறு துறைகளில் பரவலாகப் பயன்படுத்தப்படுகிறது. அவற்றில் சில முக்கியமான பயன்பாடுகள் கீழே கொடுக்கப்பட்டுள்ளன:

• **நிதி:** பங்குச் சந்தை விலைகள், கிரிப்டோகரன்சி விலைகள், மற்றும் வட்டி விகிதங்களை முன்னறிவிப்பதில் ARIMA பயன்படுகிறது. கிரிப்டோகரன்சி சந்தையில், குறிப்பாக பிட்காயின் (Bitcoin) மற்றும் எத்திரியம் (Ethereum) போன்ற கிரிப்டோகரன்சிகளின் விலை நகர்வுகளைப் புரிந்துகொள்ள இது உதவுகிறது.
• **பொருளாதாரம்:** மொத்த உள்நாட்டு உற்பத்தி (GDP), பணவீக்கம் (inflation), மற்றும் வேலையின்மை விகிதங்களை முன்னறிவிப்பதில் ARIMA பயன்படுகிறது.
• **வானிலை முன்னறிவிப்பு:** வெப்பநிலை, மழைப்பொழிவு, மற்றும் காற்றின் வேகத்தை முன்னறிவிப்பதில் ARIMA பயன்படுகிறது.
• **விற்பனை முன்னறிவிப்பு:** ஒரு நிறுவனத்தின் எதிர்கால விற்பனையை முன்னறிவிப்பதில் ARIMA பயன்படுகிறது.
• **போக்குவரத்து:** போக்குவரத்து நெரிசல் மற்றும் பயண நேரத்தை முன்னறிவிப்பதில் ARIMA பயன்படுகிறது.

1. 1. 1. கிரிப்டோகரன்சி சந்தையில் ARIMA

கிரிப்டோகரன்சி சந்தை மிகவும் நிலையற்றது மற்றும் கணிக்க முடியாதது. ஆனால், ARIMA மாதிரி இந்த சந்தையின் விலை நகர்வுகளைப் புரிந்துகொள்ள ஒரு பயனுள்ள கருவியாக இருக்கும். உதாரணமாக, பிட்காயினின் விலை தரவை ARIMA மாதிரியில் உள்ளீடு செய்து, அதன் எதிர்கால விலையை ஓரளவு துல்லியமாக கணிக்க முடியும். இருப்பினும், கிரிப்டோகரன்சி சந்தை வெளிப்புற காரணிகளால் (சட்ட ஒழுங்கு மாற்றங்கள், ஊடக செய்திகள், தொழில்நுட்ப மேம்பாடுகள்) பாதிக்கப்படக்கூடியது என்பதை நினைவில் கொள்ள வேண்டும்.

1. 1. 1. ARIMA மாதிரியின் வரம்புகள்

ARIMA மாதிரி பல பயனுள்ள பயன்பாடுகளைக் கொண்டிருந்தாலும், சில வரம்புகளையும் கொண்டுள்ளது:

• **நேரியல் தன்மை:** ARIMA மாதிரி தரவு புள்ளிகளுக்கு இடையே ஒரு நேர்கோட்டு தொடர்பை மட்டுமே கருதுகிறது. தரவில் நேரியல் அல்லாத தொடர்பு இருந்தால், இந்த மாதிரி சரியாக வேலை செய்யாது.
• **நிலையற்ற தன்மை:** ARIMA மாதிரி நிலையான தரவில் மட்டுமே சிறப்பாக செயல்படும். நிலையற்ற தரவை நிலையானதாக மாற்றுவது சில நேரங்களில் கடினமாக இருக்கலாம்.
• **அளவுரு தேர்வு:** p, d, மற்றும் q அளவுருக்களின் சரியான மதிப்புகளைத் தேர்ந்தெடுப்பது சவாலானதாக இருக்கலாம். தவறான அளவுருக்கள் தவறான முன்னறிவிப்புகளுக்கு வழிவகுக்கும்.
• **வெளிப்புற காரணிகள்:** ARIMA மாதிரி வெளிப்புற காரணிகளைக் கருத்தில் கொள்வதில்லை. கிரிப்டோகரன்சி சந்தையில், இது ஒரு பெரிய வரம்பாக இருக்கலாம், ஏனெனில் சந்தை வெளிப்புற செய்திகள் மற்றும் நிகழ்வுகளால் அடிக்கடி பாதிக்கப்படுகிறது.

1. 1. 1. மேம்பட்ட ARIMA மாதிரிகள்

ARIMA மாதிரியின் வரம்புகளைக் குறைக்க, பல மேம்பட்ட மாதிரிகள் உருவாக்கப்பட்டுள்ளன. அவற்றில் சில முக்கியமானவை:

• **SARIMA (Seasonal ARIMA):** பருவகால மாறுபாடுகளைக் கொண்ட தரவைப் பகுப்பாய்வு செய்ய இந்த மாதிரி பயன்படுத்தப்படுகிறது. SARIMA ஆனது பருவகாலத்தின் போக்குகளை கணக்கில் எடுத்துக்கொண்டு முன்னறிவிப்புகளை மேம்படுத்துகிறது.
• **ARIMAX (ARIMA with Exogenous Variables):** வெளிப்புற காரணிகளையும் (exogenous variables) கருத்தில் கொண்டு முன்னறிவிப்புகளைச் செய்ய இந்த மாதிரி பயன்படுத்தப்படுகிறது.
• **GARCH (Generalized Autoregressive Conditional Heteroskedasticity):** நிலையற்ற மாறுபாடுகளைக் (volatility) கொண்ட தரவைப் பகுப்பாய்வு செய்ய இந்த மாதிரி பயன்படுத்தப்படுகிறது. கிரிப்டோகரன்சி சந்தையில், இது மிகவும் பயனுள்ளதாக இருக்கும்.

1. 1. 1. கருவிகள் மற்றும் மென்பொருள்கள்

ARIMA மாதிரியை உருவாக்கவும் பயன்படுத்தவும் பல கருவிகள் மற்றும் மென்பொருள்கள் உள்ளன:

• **R:** R என்பது ஒரு திறந்த மூல புள்ளிவிவர நிரலாக்க மொழி மற்றும் மென்பொருள் ஆகும். இது ARIMA மாதிரிகளை உருவாக்கவும் பகுப்பாய்வு செய்யவும் பரவலாகப் பயன்படுத்தப்படுகிறது.
• **Python:** Python ஒரு பிரபலமான நிரலாக்க மொழி ஆகும், மேலும் ARIMA மாதிரிகளை உருவாக்க பல நூலகங்களைக் கொண்டுள்ளது, குறிப்பாக `statsmodels` மற்றும் `pmdarima`.
• **EViews:** EViews என்பது பொருளாதார மற்றும் புள்ளியியல் மாதிரிகளை உருவாக்குவதற்கான ஒரு வணிக மென்பொருள் ஆகும்.
• **SAS:** SAS என்பது தரவு பகுப்பாய்வு மற்றும் வணிக நுண்ணறிவுக்கான ஒரு மென்பொருள் தொகுப்பு ஆகும்.
• **SPSS:** SPSS என்பது புள்ளியியல் பகுப்பாய்வுக்கான ஒரு மென்பொருள் ஆகும்.

1. 1. 1. முடிவுரை

ARIMA என்பது நேரத் தொடர் தரவைப் பகுப்பாய்வு செய்வதற்கும், எதிர்கால மதிப்புகளை முன்னறிவிப்பதற்கும் ஒரு சக்திவாய்ந்த கருவியாகும். கிரிப்டோகரன்சி சந்தை போன்ற நிதித் துறைகளில் இது குறிப்பாக பயனுள்ளதாக இருக்கும். இருப்பினும், அதன் வரம்புகளைப் புரிந்துகொண்டு, தேவைக்கேற்ப மேம்பட்ட மாதிரிகளைப் பயன்படுத்துவது முக்கியம். சரியான தரவு, சரியான அளவுருக்கள் மற்றும் சரியான கருவிகளைப் பயன்படுத்தி, ARIMA மாதிரியானது துல்லியமான முன்னறிவிப்புகளை வழங்க முடியும்.

காலம் மற்றும் சந்தை பகுப்பாய்வு ஆகியவை ARIMA மாதிரியைப் பயன்படுத்துவதில் முக்கிய பங்கு வகிக்கின்றன. மேலும், தரவு அறிவியல் மற்றும் இயந்திர கற்றல் போன்ற துறைகளில் ARIMA மாதிரியின் பயன்பாடு அதிகரித்து வருகிறது.

சராசரி நகர்வு (Moving Average), எக்ஸ்போனென்ஷியல் ஸ்மூத்திங் (Exponential Smoothing) போன்ற பிற நேரத் தொடர் பகுப்பாய்வு முறைகளுடன் ARIMA மாதிரியை ஒப்பிட்டுப் பார்ப்பது பயனுள்ளதாக இருக்கும்.

• • குறிப்பு:** இந்த கட்டுரை ARIMA மாதிரியின் அடிப்படைகளை அறிமுகப்படுத்துகிறது. மேலும் ஆழமான புரிதலுக்கு, புள்ளியியல் மற்றும் நேரத் தொடர் பகுப்பாய்வு குறித்த கூடுதல் ஆதாரங்களைப் பார்க்கவும். (Category:Time series analysis)

பரிந்துரைக்கப்பட்ட எதிர்கால சந்தை பதிவு தளங்கள்

தளம்	எதிர்கால செயல்பாடுகள்	பதிவு
Binance Futures	125x வரை மூலதனம், USDⓈ-M ஒப்பந்தங்கள்	இங்கு பதிவு செய்யவும்
Bybit Futures	நிரந்தர தலைகீழ் ஒப்பந்தங்கள்	வணிகத்தை தொடங்கு
BingX Futures	நகல் வணிகம்	BingX இல் சேர்
Bitget Futures	USDT உறுதியான ஒப்பந்தங்கள்	கணக்கை திற
BitMEX	கிரிப்டோ சந்தை, 100x வரை மூலதனம்	BitMEX

நமது சமூகத்தில் சேர்க்கை

@strategybin என்ற Telegram சேனலுக்கு குழுசேர்க்கை செய்து மேலும் தகவல்களைப் பெறுங்கள். சிறந்த இலாப தளங்கள் – இங்கு பதிவு செய்யவும்.

நமது சமூகத்தில் பங்கேற்கவும்

@cryptofuturestrading என்ற Telegram சேனலுக்கு குழுசேர்க்கை செய்து பகுப்பாய்வு, இலவச சமிக்ஞைகள் மற்றும் மேலும் தகவல்களைப் பெறுங்கள்!