🏘️ Predyktor rentowności najmu — ARIMA na żywo
Obserwuj, jak prawdziwy model szeregów czasowych ARIMA (autoregresyjna zintegrowana średnia ruchoma) prognozuje na żywo symulowane trendy rentowności najmu, dopasowany za pomocą rzeczywistej estymacji parametrów w stylu maksymalnej wiarygodności — równania Yule-Walkera dla części AR, warunkowe najmniejsze kwadraty Hannana-Rissanena dla pełnego dopasowania ARMA. Dostosuj p, d i q, a stożek prognozy aktualizuje się przy każdym nowym dopasowaniu.
O tej symulacji
Ten symulator generuje syntetyczny miesięczny szereg rentowności najmu z konfigurowalnym trendem i szumem, a następnie dopasowuje do niego prawdziwy model ARIMA(p, d, q) w całości w przeglądarce — bez serwera, bez wstępnie obliczonych współczynników. Proces przebiega według tej samej podręcznikowej procedury, jaka jest stosowana w prawdziwym oprogramowaniu ekonometrycznym: różnicuj surowy szereg d razy, aż będzie wyglądał na stacjonarny, zweryfikuj to porównaniem wariancji i regresją w stylu rozszerzonego testu Dickeya-Fullera, oszacuj część autoregresyjną za pomocą równań Yule-Walkera (rozwiązywanych rekurencją Levinsona-Durbina), a następnie wspólnie dopracuj współczynniki AR i MA metodą warunkowych najmniejszych kwadratów Hannana-Rissanena. Dopasowany model jest wykorzystywany do generowania rzeczywistych prognoz wieloetapowych, z pasmami ufności wyprowadzonymi z symulacji Monte Carlo metodą bootstrapu reszt, a nie założonej stałej szerokości.
🔬 Co pokazuje
Trójwymiarowa wstęga kreśli historyczny szereg rentowności najmu, druga wstęga pokazuje wartości dopasowane przez model w próbie, a poszerzający się półprzezroczysty stożek pokazuje prognozę wieloetapową z jej 90-procentowym przedziałem ufności — promień stożka jest ustalany bezpośrednio przez bootstrapowaną wariancję prognozy na każdym kroku horyzontu. Wykres 2D poniżej kreśli wartości rzeczywiste, dopasowane i prognozowane na płaskiej osi czasu dla precyzyjnego odczytu.
🎮 Jak korzystać
Przeciągaj suwaki p, d i q, aby zmienić rząd modelu — każda zmiana wywołuje pełne ponowne dopasowanie od zera na bieżących danych. Użyj przycisku „Resampluj nowy szereg”, aby wygenerować nową losową historię rentowności najmu, i dostosuj suwaki dryfu trendu i skali szumu, aby zobaczyć, jak dopasowane współczynniki i pasma ufności reagują na różną dynamikę bazową. Przeciągaj, aby obracać widok 3D, przewijaj, aby przybliżać.
💡 Czy wiesz, że…?
Rentowność najmu (roczny czynsz ÷ cena nieruchomości, w procentach) zachowuje się podobnie do innych rzeczywistych szeregów ekonomicznych: powoli podąża za trendem wraz ze stopami procentowymi i lokalną podażą/popytem, po czym oscyluje wokół tego trendu. Ta kombinacja — trend plus szum — to dokładnie ten rodzaj procesu, do obsługi którego zaprojektowano składnik „I” (zintegrowany) modelu ARIMA, poprzez odróżnicowanie trendu przed modelowaniem pozostałych wahań.
Najczęściej zadawane pytania
Co właściwie oznacza ARIMA(p,d,q)?
ARIMA to skrót od AutoRegressive Integrated Moving Average (autoregresyjna zintegrowana średnia ruchoma). Trzy rzędy opisują trzy oddzielne operacje połączone razem: d to liczba, ile razy surowy szereg jest różnicowany (odejmowanie każdej wartości od następnej), aby usunąć trendy i uczynić go stacjonarnym; p to liczba przeszłych wartości zróżnicowanego szeregu użytych w równaniu autoregresyjnym (AR); a q to liczba przeszłych błędów prognozy użytych w równaniu średniej ruchomej (MA). Dopasowany model ARIMA(2,1,1), na przykład, różnicuje szereg raz, a następnie modeluje wynik jako liniową kombinację jego dwóch ostatnich wartości plus ostatniego wyrazu błędu.
Dlaczego różnicujemy szereg przed dopasowaniem wyrazów AR i MA?
Modele AR i MA zakładają, że szereg jest stacjonarny — że jego średnia, wariancja i struktura autokorelacji nie zmieniają się w czasie. Szereg rentowności najmu ze stałym trendem wzrostowym lub spadkowym narusza to założenie: jego wariancja stale rośnie, a autokorelacje zanikają bardzo powoli. Różnicowanie (yt − yt−1, powtarzane d razy przy silniejszych trendach) usuwa dryf i zwykle pozostawia szereg, którego własności statystyczne są na tyle stabilne, by estymacja metodą Yule-Walkera lub najmniejszych kwadratów była poprawna, a wynikowe prognozy miały dobrze zachowujące się przedziały błędu.
Jak faktycznie estymowane są współczynniki AR i MA i dlaczego to nie jest po prostu zaszyte na stałe?
Ta symulacja rzeczywiście dopasowuje model do danych aktualnie widocznych na ekranie. Najpierw próbkowe autokowariancje zróżnicowanego szeregu są podawane do rekurencji Levinsona-Durbina, aby rozwiązać równania Yule-Walkera, co daje wstępną autoregresję. To długie dopasowanie AR generuje przybliżoną resztę w każdym punkcie czasowym. Następnie metoda Hannana-Rissanena regresuje szereg jednocześnie na jego własnych opóźnieniach i na tych przybliżonych opóźnieniach reszt za pomocą zwykłych najmniejszych kwadratów (warunkowe najmniejsze kwadraty), co wspólnie dopracowuje końcowe współczynniki φ (AR) i θ (MA). Poruszenie dowolnego z suwaków p, d, q regeneruje cały ten proces estymacji od surowego szeregu — nic nie jest wstępnie obliczone ani sfałszowane.
Jak sprawdzana jest stacjonarność i czym jest pokazywana statystyka w stylu ADF?
Panel porównuje wariancję surowego szeregu z wariancją po d rundach różnicowania — duży stosunek wskazuje, że różnicowanie usunęło istotny niestacjonarny dryf. Uruchamia też regresję w stylu rozszerzonego testu Dickeya-Fullera, Δxt = c + ρ·xt−1 + Σβi·Δxt−i + εt, obliczaną metodą zwykłych najmniejszych kwadratów, i podaje statystykę t dla ρ. Statystyka t bardziej ujemna niż w przybliżeniu −2,86 (standardowa asymptotyczna wartość krytyczna MacKinnona na poziomie 5% dla specyfikacji tylko ze stałą) jest dowodem przeciwko pierwiastkowi jednostkowemu, czyli dowodem, że szereg jest stacjonarny i bezpieczny do modelowania wyrazami AR/MA.
Jak generowane są pasma ufności prognozy?
Gdy φ i θ są już dopasowane, własne historyczne reszty modelu są łączone i próbkowane ponownie (bootstrap reszt), aby zasymulować kilkaset alternatywnych przyszłych ścieżek zróżnicowanego szeregu, z których każda jest napędzana innym losowym losowaniem wstrząsów o tej samej empirycznej wariancji, co rzeczywiste reszty dopasowania. Każda symulowana ścieżka jest następnie całkowana z powrotem przez te same kroki różnicowania użyte do uczynienia szeregu stacjonarnym, odtwarzając prawdopodobną przyszłą trajektorię rentowności najmu. 5. i 95. percentyl wszystkich symulowanych ścieżek w każdym miesiącu prognozy tworzą 90-procentowe pasmo ufności — to rzeczywista propagacja Monte Carlo prawdziwej wariancji reszt modelu, a nie założone lub o stałej szerokości pasmo.
Dlaczego trójwymiarowy stożek prognozy poszerza się w miarę oddalania się w przyszłość?
Ponieważ niepewność prognozy narasta z każdym kolejnym krokiem: prognoza na miesiąc naprzód zależy tylko od znanych danych historycznych, ale prognoza na dwadzieścia cztery miesiące naprzód zależy od łańcucha pośrednich, niepewnych prognozowanych wartości zasilających się nawzajem. Promień trójwymiarowej rurki w każdym punkcie wzdłuż horyzontu prognozy jest ustalany bezpośrednio na podstawie szerokości bootstrapowanego przedziału ufności w danym miesiącu, więc widocznie rosnący promień stożka jest bezpośrednim, dosłownym obrazem tego, jak błąd prognozy narasta na wieloetapowym horyzoncie.
Czy to zastępuje prawdziwą produkcyjną bibliotekę ARIMA, taką jak statsmodels?
Nie. Ta implementacja została zbudowana dla przejrzystości i celów edukacyjnych: wykorzystuje Yule-Walkera/Levinsona-Durbina wraz z warunkowymi najmniejszymi kwadratami Hannana-Rissanena, które są rzeczywistymi, podręcznikowymi metodami estymacji, ale biblioteki produkcyjne, takie jak statsmodels czy funkcja arima() w R, zwykle wykorzystują pełną estymację metodą największej wiarygodności za pomocą filtracji Kalmana, co jest statystycznie bardziej efektywne przy małych próbach i wspiera składniki sezonowe. Współczynniki pokazane tutaj są rzeczywistymi dopasowaniami do rzeczywistych danych, ale przy prognozowaniu finansowym wysokiej stawki potrzebna byłaby implementacja metodą największej wiarygodności i znacznie dłuższa, rzeczywista (nie symulowana) historia.