مدل سری زمانی قیمت نظیر ARIMA (انگلیسی : Time Series Pricing Model)، در ریاضیات (Mathematics)

انواع مدل های قیمت گذاری (Pricing Models) را در آموزش زیر شرح دادیم :

مدل سری زمانی قیمت نظیر ARIMA (انگلیسی : Time Series Pricing Model) :

مدل های سری زمانی (Time Series Models) دسته ای از مدل های آماری هستند که برای تحلیل و پیش بینی داده های جمع آوری شده در طول زمان (مانند قیمت روزانه سهام، فروش ماهانه، قیمت هفتگی کالاها) استفاده می شوند. در قیمت گذاری، از این مدل ها برای پیش بینی قیمت های آتی، شناسایی الگوها و روندها، و تصمیم گیری در مورد زمان مناسب خرید یا فروش استفاده می شود. مدل ARIMA (AutoRegressive Integrated Moving Average) یکی از محبوب ترین و قدرتمندترین مدل های سری زمانی است.

مفاهیم پایه در تحلیل سری زمانی:

روند (Trend): حرکت بلندمدت داده ها به سمت بالا یا پایین.

فصلی بودن (Seasonality): الگوهای تکراری در دوره های زمانی مشخص (مثلا افزایش فروش در ایام نوروز).

چرخه (Cyclical): نوسانات بلندمدت مرتبط با چرخه های اقتصادی.

نویز (Noise): تغییرات تصادفی و غیرقابل پیش بینی.

ایستایی (Stationarity): سری زمانی که میانگین و واریانس آن در طول زمان ثابت باشد. بسیاری از مدل ها نیاز به داده های ایستا دارند.

مدل ARIMA به صورت خلاصه: ARIMA (p, d, q) از سه بخش تشکیل شده است:

AR (p): بخش خودرگرسیو (AutoRegressive) که نشان می دهد مقدار فعلی به مقادیر گذشته وابسته است:

\[ Y_t = c + \phi_1 Y_{t-1} + \phi_2 Y_{t-2} + ... + \phi_p Y_{t-p} + \varepsilon_t \]

I (d): درجه تفاضل گیری (Integrated) برای ایستا کردن سری. d تعداد دفعاتی است که از تفاضل گیری استفاده می شود.

MA (q): بخش میانگین متحرک (Moving Average) که نشان می دهد مقدار فعلی به خطاهای پیش بینی گذشته وابسته است:

\[ Y_t = c + \varepsilon_t + \theta_1 \varepsilon_{t-1} + ... + \theta_q \varepsilon_{t-q} \] \[ Y_t = c + \phi_1 Y_{t-1} + ... + \phi_p Y_{t-p} + \varepsilon_t + \theta_1 \varepsilon_{t-1} + ... + \theta_q \varepsilon_{t-q} \]

🔑 مراحل ساخت مدل ARIMA برای پیش بینی قیمت:

گام ۱: جمع آوری داده های سری زمانی قیمت

گام ۲: رسم نمودار و بررسی وجود روند، فصلی بودن و ناایستایی

گام ۳: انجام آزمون های ایستایی (مانند Augmented Dickey-Fuller) و در صورت نیاز تفاضل گیری (تعیین d)

گام ۴: شناسایی مقادیر p و q با استفاده از نمودارهای ACF و PACF

گام ۵: برآورد مدل با مقادیر منتخب p, d, q

گام ۶: بررسی مانده های مدل (باقیمانده ها) برای اطمینان از نبود خودهمبستگی

گام ۷: انتخاب بهترین مدل بر اساس معیارهایی مانند AIC یا BIC

گام ۸: پیش بینی قیمت های آتی با مدل نهایی

مثال: پیش بینی قیمت سهام با ARIMA:

📘 مثال:

فرض کنید داده های قیمت بسته شدن روزانه یک سهم برای ۵۰۰ روز داریم. مراحل:

نمودار سری نشان می دهد که قیمت روند صعودی دارد و ایستا نیست.

آزمون ADF: p-value = 0.3 > 0.05 → رد فرض ایستایی

با یک بار تفاضل گیری (d=1): ADF p-value = 0.01 → سری ایستا شد.

نمودار ACF: در وقفه ۱ بریده شده، PACF: در وقفه ۱ بریده شده → مدل ARIMA(1,1,1) پیشنهاد می شود.

برآورد مدل:

\[ \Delta Y_t = 0.2 + 0.7 \Delta Y_{t-1} + \varepsilon_t + 0.3 \varepsilon_{t-1} \]

بررسی مانده ها: نمودار ACF مانده ها همگی در محدوده اطمینان → مدل مناسب است.

پیش بینی قیمت برای ۵ روز آینده: روز ۱: ۱۵,۲۰۰، روز ۲: ۱۵,۳۵۰، روز ۳: ۱۵,۴۰۰، روز ۴: ۱۵,۴۲۰، روز ۵: ۱۵,۴۳۰.

مدل های سری زمانی پیشرفته تر:

SARIMA (Seasonal ARIMA): برای داده های با فصلی بودن قوی (مانند فروش ماهانه).

VAR (Vector Autoregression): برای مدل سازی هم زمان چند سری زمانی (مثلا قیمت چند محصول مرتبط).

GARCH (Generalized Autoregressive Conditional Heteroscedasticity): برای مدل سازی نوسانات (Volatility) قیمت.

مدل های فضا-حالت (State Space Models) و فیلتر کالمن: برای سری های زمانی با ساختار پنهان.

مدل های یادگیری ماشین (LSTM، Prophet): رویکردهای نوین برای پیش بینی سری های زمانی.

مزایای مدل های سری زمانی برای قیمت گذاری:

نیاز به داده های محدود (فقط داده های تاریخی قیمت)

قابلیت پیش بینی کوتاه مدت با دقت خوب

شناسایی الگوهای فصلی و روندها

کاربرد در معاملات الگوریتمی و نوسان گیری

مدل سازی نوسانات (برای مدیریت ریسک)

معایب و محدودیت ها:

فرض می کند الگوهای گذشته در آینده تکرار می شوند (که همیشه درست نیست)

تأثیر عوامل بنیادی (مانند سودآوری شرکت) را نادیده می گیرد

حساسیت به انتخاب پارامترها (p,d,q)

برای پیش بینی بلندمدت دقت کمی دارد

در صورت وجود شکست ساختاری (Structural Break) نامعتبر می شود

کاربردها در قیمت گذاری:

پیش بینی قیمت سهام، ارز، کالاها و نرخ بهره

پیش بینی فروش و تقاضا برای تنظیم قیمت های پویا

شناسایی نقاط برگشت قیمت (برای معامله گران)

مدل سازی نوسانات قیمت برای قیمت گذاری اختیار معامله

تحلیل تأثیر رویدادها بر قیمت (با استفاده از مدل های مداخله)

نرم افزارهای رایج: EViews، Stata، R (بسته های forecast، tseries)، Python (کتابخانه statsmodels، pmdarima)، SAS، MATLAB.