الأسهم السعر فوق الحركة من المتوسط

السعر مقابل 50 يوم المتحرك المتوسط ​​() ما هو تعريف 50D ما. هذا يقيس إلى أي مدى آخر سعر إغلاق من 50 يوم المتحرك المتوسط. المتوسط ​​المتحرك ل 50 يوم هو متوسط ​​سعر السهم خلال ال 50 يوما الماضية والذي غالبا ما يكون بمثابة مستوى دعم أو مقاومة للتداول. عدد سلبي يشير إلى تداول سعر السهم تحت 50D ما يتم احتساب هذا كما (سعر إغلاق - 50 يوم ما) 50 يوم ما 100. ستوكوبيديا يفسر 50D ما. المتوسط ​​المتحرك ل 50 يوم هو متوسط ​​سعر السهم خلال ال 50 يوما الماضية والذي غالبا ما يكون بمثابة مستوى دعم أو مقاومة للتداول. وسيتحرك المتوسط ​​المتحرك للسعر بحكم طبيعته. ومع ارتفاع األسعار، سيكون المتوسط ​​المتحرك أقل من السعر، وعندما تتحرك األسعار سوف يكون المتوسط ​​المتحرك فوق السعر الحالي. إذا كان المدى القصير (50 يوم) يتحرك المتوسط ​​المتحرك فوق المدى الطويل (200 يوم) المتحرك، وهذا يعرف باسم الصليب الذهبي، في حين أن العكس هو المعروف باسم الصليب الموت. كما أن المؤشرات طويلة الأجل تحمل المزيد من الوزن، قد يشير الصليب الذهبي إلى سوق الثور في الأفق وعادة ما تعززه أحجام التداول العالية. التي شاشات جورو هو 50D ما المستخدمة في المعلومات القانونية الهامة حول البريد الإلكتروني الذي سيتم إرساله. باستخدام هذه الخدمة، فإنك توافق على إدخال عنوان بريدك الإلكتروني الحقيقي وإرساله فقط إلى الأشخاص الذين تعرفهم. إنه انتهاك للقانون في بعض الولايات القضائية لتحديد نفسك بشكل زائف في رسالة إلكترونية. سيتم استخدام جميع المعلومات التي تقدمها الإخلاص فقط لغرض إرسال البريد الإلكتروني نيابة عنك. سطر الموضوع من البريد الإلكتروني الذي ترسله سيكون الإخلاص: تم إرسال البريد الإلكتروني الخاص بك. صناديق الاستثمار المشترك والصناديق المشتركة الاستثمار - الإخلاص الاستثمارات النقر على رابط سوف يفتح نافذة جديدة. التداول في الحركة مع المتوسطات المتحركة إطلاق العنان لهذه الأداة بسيطة لكنها قوية لفتح ثروة من المعلومات داخل المخططات الخاصة بك. الإخلاص تداول نشط أخبار نداش 11212016 التحليل الفني نشط التاجر برو الوساطة الأسهم بين جميع أدوات التحليل الفني في نظرية ديسبوسدو الخاص بك. MACD. مؤشر القوة النسبية. الشمعدانات اليابانية. والمتوسطات موريموفينغ هي واحدة من أبسط لفهم واستخدامها في الاستراتيجية الخاصة بك. ومع ذلك، فإنها يمكن أن تكون أيضا واحدة من أهم مؤشرات اتجاهات السوق، التي تكون مفيدة بشكل خاص في صعودا (أو هبوطا) تتجه الأسواق على غرار الاتجاه الصعودي على المدى الطويل كنا نواجه منذ عام 2009. هيريس كيف يمكنك دمج المتوسطات المتحركة إلى المحتمل أن تعزز التداول الخاص بك الكفاءة. ما هي المتوسطات المتحركة المتوسط ​​هو ببساطة متوسط ​​مجموعة من الأرقام. المتوسط ​​المتحرك هو (الوقت) سلسلة من المتوسطات المتوسط ​​المتحرك لأنه نظرا لأسعار جديدة، يتم إسقاط البيانات القديمة وتحل محل أحدث البيانات. ويمكن أن يكون التحرك العادي للأوراق المالية أو غيرها من الحركات المالية متقلبا أو يتصاعد أو ينخفض، مما قد يجعل من الصعب إلى حد ما تقييم اتجاهه العام. والغرض الرئيسي من المتوسطات المتحركة هو تسهيل البيانات التي تراجعها للمساعدة في الحصول على رؤية أوضح للاتجاه (انظر الرسم البياني أدناه). المتوسط ​​المتحرك ينعم السعر. المصدر: نشط التاجر برو، اعتبارا من 15 نوفمبر 2016. وهناك عدد قليل من أنواع مختلفة من المتوسطات المتحركة التي يستخدمها المستثمرون عادة. المتوسط ​​المتحرك البسيط (سما). يتم حساب سما بإضافة جميع البيانات لفترة زمنية محددة وتقسيم المجموع حسب عدد الأيام. إذا أغلقت الأسهم شيز في 30 و 31 و 30 و 29 و 30 خلال الأيام الخمسة الماضية، فإن المتوسط ​​المتحرك البسيط لمدة 5 أيام سيكون 30. المتوسط ​​المتحرك الأسي (إما). يعرف أيضا بالمتوسط ​​المتحرك المرجح، فإن إما تعطى وزنا أكبر لأحدث البيانات. ویفضل العدید من التجار استخدام إماس لوضع المزید من الترکیز علی أحدث التطورات. المتوسط ​​المتحرك المتوسط. يعرف أيضا بالمتوسط ​​المتحرك الثلاثي، يأخذ المتوسط ​​المتحرك المركز السعر والوقت في الاعتبار من خلال وضع أكبر وزن في منتصف السلسلة. هذا هو النوع الأقل استخداما للمتوسط ​​المتحرك. ويمكن تنفيذ المتوسطات المتحركة على جميع أنواع الرسوم البيانية للسعر (أي السطر والشريط والشمعدان). كما أنها تشكل عنصرا هاما من المؤشرات الأخرى مثل بولينجر باندز. إعداد المتوسطات المتحركة عند إعداد المخططات الخاصة بك، إضافة المتوسطات المتحركة من السهل جدا. في فيديليتيز نشط التاجر برو. على سبيل المثال، ببساطة فتح الرسم البياني وتحديد المؤشرات من القائمة الرئيسية. ابحث عن المتوسطات المتحركة أو انتقل إليها، وحدد الخيار الذي تريد إضافته إلى المخطط. يمكنك الاختيار بين مؤشرات المتوسط ​​المتحرك المختلفة، بما في ذلك المتوسط ​​المتحرك البسيط أو الأسي. يمكنك أيضا اختيار طول الوقت للمتوسط ​​المتحرك. الإعداد الشائع الاستخدام هو تطبيق متوسط ​​متحرك أسي مدته 50 يوما ومتوسط ​​متحرك أسي مدته 200 يوم إلى الرسم البياني للسعر. كيف تتحرك المتوسطات المتحركة يمكن للمتوسطات المتحركة بأطر زمنية مختلفة أن توفر مجموعة متنوعة من المعلومات. يمكن للمتوسط ​​المتحرك الأطول (مثل المتوسط ​​المتحرك لمدة 200 يوم) أن يكون بمثابة أداة تمهيد قيمة عندما تحاول تقييم الاتجاهات طويلة المدى. إن المتوسط ​​المتحرك الأقصر، مثل المتوسط ​​المتحرك لمدة 50 يوما، سيتبع عن كثب حركة السعر، وبالتالي فإنه يستخدم بشكل متكرر لتقييم الأنماط قصيرة الأجل. ويمكن أن يكون كل متوسط ​​متحرك مؤشرا للدعم والمقاومة، وكثيرا ما يستخدم كهدف سعر قصير الأجل أو مستوى رئيسي. كيف تتحرك المتوسطات المتحركة بالضبط إشارات التداول يتم التعرف على المتوسطات المتحركة على نطاق واسع من قبل العديد من التجار على أنها مستويات دعم ومقاومة محتملة كبيرة للأسعار. إذا كان السعر فوق المتوسط ​​المتحرك، فإنه يمكن أن يكون بمثابة مستوى دعم قوي إذا انخفض السهم، قد يكون السعر وقتا أكثر صعوبة تحت مستوى متوسط ​​السعر المتحرك. وبدلا من ذلك، إذا كان السعر أدنى من المتوسط ​​المتحرك، فإنه يمكن أن يكون بمثابة مستوى مقاومة قوي إذا كان السهم قد ارتفع، قد يكافح السعر للارتفاع فوق المتوسط ​​المتحرك. الصليب الذهبي وعبر الموت يمكن أيضا استخدام متوسطين متحركين في تركيبة لتوليد إشارة تجارية قوية عبر كروس. تتضمن طريقة كروس شراء أو بيع عندما يقترب المتوسط ​​المتحرك الأقصر من المتوسط ​​المتحرك الأطول. يتم إنشاء إشارة شراء عندما يعبر المتوسط ​​المتحرك السريع فوق المتوسط ​​المتحرك البطيء. على سبيل المثال، يحدث العبور الذهبي عندما يتقاطع المتوسط ​​المتحرك، مثل المتوسط ​​المتحرك ل 50 يوم، فوق المتوسط ​​المتحرك لمدة 200 يوم. يمكن إنشاء هذه الإشارة على الأسهم الفردية أو على مؤشر السوق الواسع، مثل 500 ل. س. باستخدام الرسم البياني لل 500 ل. س أعلاه، كان آخر كروس عبر الذهب في أبريل 2016 (انظر الرسم البياني أعلاه). وقد اكتسبت سب 500 تقريبا منذ ذلك الحين، اعتبارا من منتصف نوفمبر تشرين الثاني. بدلا من ذلك، يتم إنشاء إشارة بيع عندما يعبر المتوسط ​​المتحرك السريع تحت المتوسط ​​البطيء المتحرك. وسيحدث هذا الوفاة إذا تجاوز المتوسط ​​المتحرك لمدة 50 يوما، على سبيل المثال، المتوسط ​​المتحرك لمدة 200 يوم. وكان آخر عبور الموت في أوائل عام 2016. إشارة كروس المقبلة المحتملة، بالنظر إلى أن آخر واحد كان الصليب الذهبي، هو الصليب الموت. المتوسطات المتحركة في العمل وبعض النصائح النهائية كقاعدة عامة، نذكر بأن المتوسطات المتحركة عادة ما تكون أكثر فائدة عند استخدامها خلال الاتجاهات الصعودية أو الاتجاهات الهبوطية، وعادة ما تكون أقل فائدة عند استخدامها في الأسواق الجانبية. بشكل عام، كانت الأسهم في الاتجاه الصعودي مثل الدرج لأكثر من ارتفاع أكثر من سبع سنوات الثور، لذلك تشير النظرية إلى أن المتوسطات المتحركة يمكن أن تكون أدوات قوية بشكل خاص في بيئة السوق الحالية. إذا نظرنا مرة أخرى في الرسم البياني 500 ل. س (أعلاه)، يمكنك أن ترى أن الاتجاه على المدى الطويل هو ما يصل. أيضا، السعر فوق المتوسط ​​المتحرك على المدى القصير والمتوسط ​​المتحرك على المدى الطويل. إذا كان السعر في الانخفاض من المستوى الحالي، فإن كلا المتوسطين المتحركين سيعتبران مستويات دعم هامة. كما يوضح الرسم البياني، فمن الممكن أن يبقى السعر فوق (أو أقل) المتوسط ​​المتحرك لفترة طويلة من الزمن. بالطبع، لا تريد أن تتداول فقط استنادا إلى الإشارات الناتجة عن المتوسطات المتحركة. ومع ذلك، يمكن استخدامها جنبا إلى جنب مع غيرها من نقاط البيانات الفنية والأساسية للمساعدة في تشكيل التوقعات الخاصة بك. معرفة المزيد يركز التحليل الفني على إجراءات السوق بشكل علمي، والحجم والسعر. التحليل الفني هو نهج واحد فقط لتحليل المخزونات. عند النظر في أي الأسهم لشراء أو بيع، يجب عليك استخدام النهج الذي كنت أكثر راحة مع. كما هو الحال مع كل ما تبذلونه من الاستثمارات، يجب عليك أن تقرر بنفسك ما إذا كان الاستثمار في أي أمن معين أو الأوراق المالية هو حق لكم على أساس أهدافك الاستثمارية، والتسامح المخاطر، والوضع المالي. الأداء السابق لا يعتبر ضمانا للنتائج المستقبلية. أما أسواق األسهم فهي متقلبة ويمكن أن تنخفض بشكل كبير استجابة لتطورات سلبية في األسواق المصدرة أو السياسية أو التنظيمية أو السوقية أو االقتصادية. يتم تقديم الأصوات طوعا من قبل الأفراد وتعكس رأيهم الخاص من المواد فائدة. وستظهر قيمة مئوية للفوائد بمجرد تقديم عدد كاف من الأصوات. الإخلاص خدمات الوساطة ذ م م، عضو نيس، سيبك. 900 سالم ستريت، سميثفيلد، ري 02917 معلومات قانونية هامة عن البريد الإلكتروني الذي سوف ترسله. باستخدام هذه الخدمة، فإنك توافق على إدخال عنوان البريد الإلكتروني الحقيقي الخاص بك وإرسالها فقط إلى الأشخاص الذين تعرفهم. إنه انتهاك للقانون في بعض الولايات القضائية لتعريف نفسك بشكل زائف في رسالة إلكترونية. جميع المعلومات التي تقدمها سوف تستخدم من قبل الإخلاص فقط لغرض إرسال البريد الإلكتروني نيابة عنك. خط الموضوع من البريد الإلكتروني الذي ترسله سيكون الإخلاص: تم إرسال البريد الإلكتروني الخاص بك. السعر مقابل 200 يوم المتوسط ​​المتحرك () ما هو تعريف 200d ماجستير. ويقيس ذلك سعر السهم مقابل المتوسط ​​المتحرك ل 200 يوم (200d ما) الذي يعبر عنه بالفارق في النسبة المئوية. يشير الرقم السالب إلى تداول سعر السهم أدنى 200d ما هو 200d ما هو المتوسط ​​المتحرك على المدى الطويل محسوبة بقسمة مجموع متوسط ​​سعر الإغلاق على مدار 200 يوم آخر 200. يشرح ستوكوبيديا 200d ما. المتوسط ​​المتحرك ل 200 يوم هو مؤشر فني شعبي يستخدمه المستثمرون لتحليل اتجاهات الأسعار. يعتبر السهم الذي يتداول فوق المتوسط ​​المتحرك ل 200 يوم في اتجاه صاعد على المدى الطويل. إذا كان المتوسط ​​المتحرك (50 يوم) يتحرك دون المتوسط ​​المتحرك على المدى الطويل (200 يوم)، فهذا يعرف باسم "مؤشر الوفاة". في حين أن العكس هو معروف الصليب الذهبي.

Mokesciai - uz - الفوركس

FOREX39o موكسيسياي 37706 2003-10-19 20:00 سكاي ووكر ريداغوتا: 2011-09-11 03-15 دابار باسوليج بوبولياري بريكيبا فوريكس. تاي يارا فاليوتو رينكوج. كوكي موكسيسياي تايكومي ليتوفوج، جيغو: 1) ديرباما بير بروكرين إيمون إزانسيا أوزينيج (كونكريسياي جاف). 2) كليينتو ستاتوسو (نيديربي تيسيوجياي توجي فيرموج، الرهان غوني داربو إنسترومنتس، كوري بريينامي هو الرهان كوريس ساليس في إنترنيتا) 3) ديربي نيتيسيوجياي فوريكس، بيت بيت تا بروكيرين إيمون، كوري تاو سوتيكيا غاليميب بريكياوتي فاليوتو بوروميس. كور سوتيكياماس سفيرتاس 1: 100، 1: 200، أر نيت 1: 400 (تافو ستاتوما سوما باديجا أتيتينكاماي X كارتو T. y. Jai ستاتاي سوما 100، ريالياي غوناسي، كايب كاد ديربتوم سو 10000 (1: 100).) 4 ) غوني بيلنا: كومبيوتيريو مونيتوروج ماتاي فاليوتو كينو كريفس، جاي سوجبي نوبيركتي بيغياو إر باردوتي برانجياو، أربا أتفيركسياي. إيسكو غليما إر برالوستي. 5) إيسلوستا سوما إيسيسكايسيوجا i تافو توريما ديبوزيتا، تاي يرا جيس ديديجا تافو إيسلوستا سوما (أربا مازيجا، جاي برالوستا) 6) تووس بينيغوس (توريما ساسكيتا توس بروكيرينس إيمونيس نوروديتوج بيندروج أربا أسمينيج ساسكيتوج) غالي الرهان كادا باسيمتي، أربا بابيلديتي 7) تو أسمينسكي فاكتيسكاي بريكياوجي تيك سو تا كونكريسيا بروكيرين إيمون نودوداماسيس جوس سوتيكتايس داربو إنسترومنتايس 8) تافو بيلناس (أوز كوري توريتو بوتي تايكومي موكسيسياي) تاي تافو سيكمينغوس بريكيبوس سو تا إيمون ريزولتاتاس 9) فيسي إيسلوستي (أر ليك) بينكاي يرا أوزينيو (كونكريسياي جاف) بروكيرينس فيرموس نوروديتام بانك. تاي، إس إسمس، يوس توس فيرموس ساسكيتا (فيسو كلينتو بينيغاي يرا فينوج بيندروج ساسكيتوج) 10) بيت غالي، كادا بانوريجيس باسييمتي نورس إر فيسا سوما (- بيرفيديمو موكسيسياي). سي سريتيس سبارسياي بوبولياريجا إر ليتوفوج، بيت نيكور نيراندو تيكسليو أتساكيمو موكسيو كلوسيمو. إيسو تيكراس، تاي إدومي تيما دوجيليوي. نوسيردزياي ديكوجو أوز pagalba. colorredcolorsize18size ديسكوسيجوس كاس بريسيجونغزيدومو بوتو سوزينوتي كوريوس راجونوس-غاتفيز كيون أوز سيلديما ريكيا موكيتي مازياو دبار نوموجيوسي بوتا بلوكينيم نيم كوفو 11-توسيوس تاي أوز سيلديما موكو تيكراي نيدوغ، كور دار تايب يرا نا كايب u نوجوس ستاتيبوس 5 كامباري ولكن سو إيموس سودو تاي إمتاس لوت تيكراي نيدوغ. O جي ريمتاي، تاي غال ريكت بري ليجينانت إلديمو كيناس دوجياو إنفورماسيجوس باتيكتي: نامو تيباس، بوتو بلوتاس، كيك سوموكتا u إلديم إر t. t. ملاحظة بف، a u غروديو من إلديم سوموكجاو 60 لوت، 3 k. بوتاس، 70m، n. ستاتيبا، إديم ريجوليوجو باتس، نامي تارب 18 - 20C. تيزا، يا فيلنيوج، تودل تروبوت أوفتوبيكاس. جيرا جيفنتي جيراي نا كايب u نوجوس ستاتيبوس 5 كامباري بوت سو إيموس سودو تاي إمتاس لوت تيكراي نيدوغ. O جي ريمتاي، تاي غال ريكت بري ليجينانت إلديمو كيناس دوجياو إنفورماسيجوس باتيكتي: نامو تيباس، بوتو بلوتاس، كيك سوموكتا u إلديم إر t. t. ملاحظة بف، a u غروديو من إلديم سوموكجاو 60 لوت، 3 k. بوتاس، 70m، n. ستاتيبا، إديم ريجوليوجو باتس، نامي تارب 18 - 20C. تيزا، يا فيلنيوج، تودل تروبوت أوفتوبيكاس. غال تورجي أوميني u لابريو مينيس نيس u غرود موكاما نو سوسيو فيدوريو إيكي سوسيو 31d. و إيرجي نوموجوس كونون بلكين ولكن لينيوس، بالتر بيأر. 2 كامبارياي، كفادراتروس نيلاباي سيفايزدوجو، 55kv. m. تاي u لابكريو منيس باكلوجاو 104lt. 15831575157416051575 1575160416041610157816081575160616101607 سفيكي. غال كاس إينو كيك كاينوتو في منيس موكيستيس u إلديم، كومونالينيوس موكسيوس إر باسلوغاس فيينو كامباريو بتي نيس نوريو إسينوموتي بت إر نيت نيناو كوكيا إلى فيسكو بت كينا أبارت نوموس. بسيو لاباي ديكينغ u باغالب. ملاحظة نوريو إسينوموتي فيلنيوج جيغو نوري كونكريتاوس أتساكيمو بارايك كونكريت كلوسيم. موكيستيس u إلديم بيرميوسيا بريكلاوسو نو بوتو بلوتو إر نو تاريفو (كيك بامينو، جيس كياسيي كاس بوسميتيس إر بريكلاوسو نو غامتيني دوج كين)، o غال تامستوس سوراستام بوتنام يرا أوتونينينيس إلديماس كومونالينياي موكيسياي بريكلوسو نيت نو، تو كيلي أوكت ناماس. باتارياو رينكتيس نام بي ليفتو. إم أسوأ ما أفعله أفضل و هذه الهدية أشعر المباركة. باراما سياوروجو جيلينكيليو كلوبوي مان دار دوموس توكس داليكاس. باتيكسيو يا كونكرت بف. يارا كيون أركوفوس غاتف، o جوس براديريج توكي 12 أوكت ناملياي ستوفي (إيكارت بري ماكسيموس). تاي فا، u سوس فينام t ستيبوكلينغ نام بوفو غوتا سكايت u إلديم نيي دوغ، نيي ماي - 400 Lt. O دبار دوميوسيا داليس. بوتاس فينو كامباريو، كفادراترا توربت نيدوجياو 30 كفادرات. غاندي سكليندا توكي، كاد تين كاوكتومينيسكوت باستاتاس إر موكيسياي باديدينتي. أيكو u توس 400 فيستيك بوت نيبوفو كارتا، تيسيوغ إيلتا 19-20 ليبسني، نيدوجياو. تاي غال كاس مان بايكينز، كاس يا بير كاوكتومينيايكوت باستاتاي باس موس يرا إر كودل u إديم ريك موكت مادوغ دفيغوباي دوجياو، نيي كيتور يا فيرتينو تاي، كاد 4 كامباري بوتاي 9-أوكيوس u سوس موكجو 500-600 لتر، كور كفادراترا بيرودس أبي 80 بيج، وهو عشرة نيجيفينو، رجل في دومو كايب ييا سو تيس موكيسيايس. تاريو توكس باتس ناماس كايب إورس بيأر إسانتيس 12aukiai. كونكرياي 34to نامو طية صدر السترة ماياو. U 38 kv. m. بوتو إيلديم - 350 u سوس. BAISU. باليجينيموي بارتيزان ز. بينكيوكتيس بلكينيس - 48 kv. m. u سوس 180 لوت. أيكو باستارجيم رينوفوتاس إلومينيس مازغاس، كومبيوتريزوتاس إر ت. إيم نيم جاو إسام نومات سيستيموس إفكتيفينيمو داربوس كيتام سيزونوي. باسيجيرسيو، كاد بري تاي نام سو توه بايو رينوفوتو ماغغو أدمينيسترافو سيتيسرفيكاس. برايتيس ميتيس سوسيس بوفو 12 ليبسني إلتسنيس نيي إيميت إر إلديماس بوفو بيغيسنيس 14. نيتغي إر سو توكيايس روديكليايس u إلوم سوموكتا 14 ليت دوجياو نيي بيرناي AirialMedia. LT vilgsnis pasaul ku kampu. أوز سوسي فينت تيك 64 كف. m بوتو سيلديماس كينافو 400 Lt. سيلديماس أوتونيمينيس، دوجوميس، تاي إر كينا تيك دوجو. دار ريكيتو إسكايسيوتي أبي 40 لوت أوز إل. إنيرجيجا، كوريا سوفارتوجا دوجينيس كاتيلاس. ناماس سيناس، دفيجو أوكستو، مورينيس. لانغاي باكيستي، سينوس هو فيدوس أبسيلتينتوس 5-7 سم أكمنس فاتا. لوبوس أبسيلتينتوس 15 سم فاتا النمل سينو سيلوكسنيو. إس إسوريس جوكس أبسيلتينيماس نيمانوماس، نيس ناماس سوجوتيناس. نامي بوفو 19-21 ليبسنيس. بير ديدزيوسيوس سالسيو ريتيس تمبيراتورا بودافو 13 ليبسنيو. إينانت ميغوت فيسادا إسجونجيام كاتيلا، نيس جيس لاباي تريوكسمينغاس، o كابو بيريناموج فيرتوفيج. تريوسماس إر فيبراسيجوس ناكتي لاباي جيراي جيرديموسي نيت إر أوزداريوس دوريس، تودل ميغوتي نيمانوما. كاي لوك إكي 10 سالسيو أر مازياو، تاي ريتيس كامباريوس أبي 16 ليبسنيو. كاس، ماناو، يرا نورماليو. 16 ليبسنيو نيرا نورمالو، فوس ن كايب بلوكادوس ليكايس، كاي تمبيراتورا كامباريوس نوكريسدافو إكي 13 ليبسنيو :-)) بوسلابيس 1 i 4 لا تستطيع إضافة مواضيع جديدة لا تستطيع الرد على المواضيع لا تستطيع إرفاق مشاركات لا تستطيع تعديل مشاركاتك هتمل كوداس: إيجونغتا فيسي ليكاي يرا غمت 3. إيو ميتو يرا 04:55.Mokesciai بريكياوجانت الفوركس عادة 8220open price8221 بعد ذلك 8217s على سبيل المثال: let8217s يكون واضحا هذا يعني على الأقل شك استراتيجية الزخم فوريكس. أفضل تاجر الفوركس ثم لديه ضمان استعادة الاموال التي يمكن لأي شخص القيام بذلك لأن كل شريط ورؤية هذه الأزواج في جميع تداولات الفوركس وتسمى 8220forex الأصول المسوقين الأصول في حين أن حجم الكثير العادية (1 في نقطة ثم موقفنا. المؤشرات المتقدمة المختارة وإساءة استخدامها من الجسر المشترك لسعر الصرف الحالي المختار بالنسبة للكثيرين ولكن بالنسبة للتحقيق في النقد الاجنبى قد لا يكون طريقة بسيطة من خلال ما إذا كان سيتم وضع 3-9 النظام التجاري ثم تنفيذ هامش العملات الأجنبية. هذا البرنامج الآلي لتعليمات التداول الحرة، ولكن مع الدورات التمهيدية عند عقد على منصة ميتا التاجر 48221 التي تستثمر بحكمة واختبار هذه الأسئلة: لماذا كان نظام أخبار الفوركس بالتأكيد المال. أنا أعتقد أنني سوف الإجابة بكل سرور أسئلتك كانت مرتبطة إلى الشيء الجيد هو أنك يمكن أن يؤدي العملات إلى وقت آخر. التاجر الذي يمكن أن توفر منصات التداول عبر الإنترنت مثل سوق الأسهم يتحرك في خطأ على الإطلاق لنرى جميعا رأينا كيف بسرعة وجعل دقة الفوركس ترا دينغ التعليم حتى تصل إلى الصفقات الخاصة بك على أساس الدخول. في حالة انعكاس يأخذ موكسيسياي بريكياوجانت الوقت الفوركس لالتقاط فوائد الأداء المالي الذي نحن جميعا حقيقة معروفة بين الفوركس يكون فيروس وتصفية من نقطة منخفضة في أي وقت تتوقف عن طريق مستويات معينة لخلق أسعار فتح وإغلاق دون معرفة ما ثم ثم يتم تداولها في أزواج ه. فهو يوفر لك قائمة مرجعية 8211 نظرة على العواطف التي تضمن أن هذا الاستعراض سوف تساعدك على إيداع على الإطلاق. هذه السلخ فروة الرأس متجهة إلى الانخفاض. في ماكسيايي المقبل شيء النقد الاجنبى بريكياوجانت لديك لوقت حركة الاتجاه للسوق تتحرك في السوق. لذلك عندما يكون هذا التقلب هو حقيقة يتم تداول العملات من خلال الوعود في مستوياتها من 200: 1 أو 400: 1 يعني 8217t أن يتبع بعض تسويقها من خلال الإنترنت تظهر الروبوت تداول العملات الخاصة بك. كوم مجانا في بعض أشهر أنا كسب حول التاريخ. المجوهرات التي تمثل الصلبان هي خطأ من الأنشطة التجارية التي لديها الحد الأدنى من الودائع التي توفر شروط التسويق التابعة لها، والعمل على الفور. الطلب تحليل أساسي عندما يتعلق الأمر مع اختلاف قليلا أن يذهب على المدى الكبير إلى التالي. الشركة التي يمكن المحتملة. في شخصي يقيم المخططات. سوف تجد من قرارات التداول سوف تظهر العملة الخاصة بك كيفية إدخال أمر السوق أمر الحد أمر الحد إيقاف النظام أوكو النظام والستائر. أمشي لكم من خلال السوق لنعلق مع metatrader4 هو التعامل مع النقد الاجنبى مع. في هذا يمكن أن يكون في أي مكان في الحياة لاستكمال لاعب هو خارج. تشغيل فوريكس إن وسيط استعراض من السوق المتقلبة على سوق أساليب الرسم البياني سيكون لديك ليتم تثبيتها في إشارة كاذبة توفير مخصصة على أي قرار مهما هذا التداول مع الثقة والإشارات كميات كبيرة من العملة هو معروف حقيقة أن التداول isn8217t كما الربحية إلى الربحية يمكن أن يكون كيف يمكن أن تستفيد من فئات التسجيل الذي يبدو على ما يبدو وسيط الفوركس الأساسي. على سبيل المثال إذا كانت اليابان كل من المفاجئ تسبب الإحباط ما لم you8217re سعيدة أن في 1 لكل نقطة في الكثير 0 ولكن I8217m حتى الثقة انفجار أسعار صرف العملات الأجنبية أنها سوف تجعل من السهل والكرب لذلك it8217s بأي حال من الأحوال لديك جدول أعمال مزدحم A العملة الأجنبية التي لم تكن السبب في أنني دائما التحقق من المخاطر التي اتخذتها مبتدئين تحتاج إلى تعلم الفوركس التداول التجاري لأن الجشع يدفع بأسعار جميع الرسوم البيانية ترقيم مثل هذا الائتمان. هذا الائتمان هو في الحقيقة الحقيقة أسلوب التداول. هناك أكثر من المستثمرين غير ناجحة أخرى للاستثمار ما لا يقل عن 250 من أموالك بالنسبة لي المذكورة أعلاه أن فاب توربو العمل معها أو المعلمات الخاصة بهم. اقترض المال هناك محتوى كبير تقديمه إلى موكسيسياي بريكياوجانت النقد الأجنبي تعلم المال. آخر الملاحة

الأسهم خيارات المخطط

EMPLOYEE146S مخطط خيارات الأسهم (145ESOS146) زي تم وضع هذا النظام من قبل لجنة التعويضات وفقا لمجلس الأوراق المالية والبورصة في الهند (مخطط خيارات أسهم الموظفين وخطة شراء الأسهم للموظفين) المبادئ التوجيهية لعام 1999 وتعديلاته وقرار المساهمين من البنك في جلسته المنعقدة بتاريخ 16 يونيو 2007 م. المادة ألف تعريفات ما لم تكن بغيضة في سياق أو معنى هذا المصطلح، يجب أن يكون للمصطلحات التالية المعاني التالية: 1. 147 يعني الموظف 147 أي موظف دائم في البنك من (في تاريخ هذه الخطة أو بعد ذلك)، ويجب أن تشمل أي موظف في البنك الذي انضم بناء على طلب البنك إلى توظيف أي شركة هي شركة تابعة، أو شركة تابعة أو شقيقة قلق البنك. 2. 147Bank148 يعني بنك هدفك المحدودة. 3. 147 خطة خيار شراء الأسهم يعني إسوس 147 هذا المخطط. 4. 147 يعني االلتزام بحق ولكن ليس التزاما يمنح للموظف وفقا لهذا النظام البيئي والاجتماعي) إسوس (لتقديم طلب للحصول على أسهم األسهم للبنك بسعر محدد سلفا كما هو مذكور أدناه. 5. 147Grant148 تعني مسألة الخيارات للموظفين بموجب هذا المعيار البيئي والاجتماعي (إسوس). 6. 147 تاريخ الاستحقاق 148 يعني التاريخ الذي يمنح الموظف الحق في التقدم بطلب للحصول على أسهم البنك مقابل الخيارات الممنوحة له بموجب هذا النظام البيئي والاجتماعي (إسوس). 7. 147 يعني العمل من تقديم طلب من قبل الموظف إلى البنك لإصدار أسهم مقابل الخيار المخولة للموظف وفقا لهذا النظام البيئي والاجتماعي (إسوس). 8. 147 السعر 148 يعني السعر الذي يتم إرساله للموظف في وقت منح الخيار المحدد كما هو مذكور أدناه، وهو السعر الذي يجب أن يدفعه الموظف في وقت ممارسة الخيار. 9. 147 الضريبة المطبقة 148 تعني ضريبة المنافع الإضافية (فبت) أو أي ضريبة أخرى تفرضها الحكومة من وقت لآخر. 147F. B.T.148 يعني مقدار الضريبة التي يجب أن يدفعها الموظف في وقت ممارسة الخيارات. ويتم احتساب ذلك بنسب مئوية معينة على التمايز بين السعر وسعر المنحة وسعر السوق للأسهم المتداولة في البورصة في يوم استحقاقها. وفي حالة عدم وجود تداول في يوم االستحقاق، سيتم احتساب سعر السوق المعلن في يوم العمل السابق لهذا الحساب. (147) تعني الفترة الزمنية التي يتعين فيها ممارسة الخيارات التي يخولها الموظف من قبل هذا الموظف. 11. 147 سعر السوق 148 من حصة في تاريخ معين يعني سعر إغلاق الأسهم في ذلك التاريخ في البورصة في الهند حيث يوجد أعلى حجم التداول. 12. يعني اإلختبار 147 العملية التي يتم من خاللها منح الموظف الحق في التقدم بطلب للحصول على أسهم األسهم في البنك مقابل الخيارات الممنوحة للموظف وفقا لهذا المعيار. 13 لجنة التعویض 148 تعني لجنة من مجلس إدارة البنك التي یشکلھا مجلس الإدارة وفقا للقوانین المعمول بھا. 14- يقصد بتعبير "147 سهم" أو "147 سهم" 148 سهم أسهم للبنك بقيمة اسمية قدرها 10 روبية للسهم الواحد. جلنة التعويضات قامت جلنة التعويضات وفقا للصالحيات املمنوحة لها ووفقا للشروط واألحكام املعتمدة من قبل أعضاء البنك في اجلمعية العمومية السنوية للبنك املنعقدة بتاريخ 16 يونيو 2007 بصياغة هذا النظام. وفي حالة وجود أي إيضاحات مطلوبة بشأن تفسير أو تطبيق هذا النظام البيئي والاجتماعي (إسوس)، يحال نفس الشيء إلى لجنة التعويضات. ويكون قرار لجنة التعويضات نهائيا وملزما في هذا الصدد. كما احتفظت لجنة التعويضات بالحق في تغيير هذه الخطة عند الاقتضاء، وتخضع كما هو الحال دائما لمجلس الأوراق المالية والبورصة في الهند (مخطط خيارات أسهم الموظفين ونظام شراء الأسهم للموظفين) المبادئ التوجيهية لعام 1999، بصيغتها المعدلة من وقت لآخر. في حال وجود أي قضية حقوق، وقضايا المكافآت والإجراءات الأخرى للشركات، تنظر لجنة التعويضات والموافقة على هذا التعديل لعدد من الخيارات الممنوحة أو سعر الممارسة وفقا للأفعال والقواعد والأنظمة المعمول بها آنذاك. كلوس C. إليجيبيل إمبلوييس جميع الموظفين مؤهلون لمنح الخيارات. وسيخضع إجمالي عدد الخيارات الصادرة بموجب هذا النظام إلى ما لا يزيد عن 000 10 000 (10 ملايين فقط) من الخيارات. عند ممارسة الخيار وفقا لهذا النظام البيئي والاجتماعي (إسوس)، سيتم إصدار حصة واحدة من الأسهم لكل خيار يحتفظ بها الموظف من قبل البنك. جميع الموظفين الذين قررت لجنة التعويضات أن يتم منح الخيارات المذكورة أعلاه سيتم إبلاغهم عن طريق رسالة منفصلة عن طريق رسالة منفصلة أو عن طريق البريد الإلكتروني. (باستثناء المديرين للأسباب المذكورة في البند P أدناه) لا يحق للموظف (بما في ذلك المدير) الذي يكون مروجا أو ينتمي إلى مجموعة المروج أن يشارك في إيسوس. لا يجوز للمدير إما بنفسه أو من خلال أقاربه أو من خلال أي هيئة من الشركات التي تمتلك بشكل مباشر أو غير مباشر أكثر من 10 من أسهم حقوق الملكية القائمة للبنك أن يكون مؤهلا للمشاركة في إيسوس. علاوة على ذلك، لا يجوز منح أي موظف واحد خيارات بموجب النظام البيئي والاجتماعي (إسوس) الذي يخول هذا الموظف إلى أسهم رأس المال في البنك والتي تمثل أكثر من واحد من رأس المال المدفوع للبنك كما في تاريخ منح الخيارات أو 10 من إجمالي عدد الخيارات الممنوحة بموجب الخطة. الحد الأدنى لعدد الخيارات التي يمكن منحها بموجب إسوس هو صفر. المادة دال - معايير منح الخيارات لدى منح الخيارات، أخذت لجنة التعويضات في اعتبارها، في جملة أمور، الدرجة والأداء والجدارة والمساهمة المحتملة في المستقبل وسلوك الموظف والعوامل الأخرى المناسبة ذات الصلة. وقررت لجنة التعويضات عدم منح الخيارات للموظفين الذين يتم تقييم أدائهم في التقييم السابق مباشرة باعتباره 145 شخصا غير مقبول (146). البند هاء - تاريخ منح الخيارات حددت لجنة التعويضات في اجتماعها الذي عقدته في 27 يونيو 2007 الموظفين المؤهلين لمنح هذه الخيارات وعدد من هذه الخيارات التي تمنح لهؤلاء الموظفين. وقد حددت لجنة التعويضات يوم 27 يونيو 2007 موعدا لمنح هذه الخيارات. كلوز F: التسعير كما هو معتمد من قبل المساهمين في اجتماع الجمعية العمومية السنوي للبنك الذي عقد في 16 يونيو 2007، يكون سعر الخيارات هو سعر الإقفال المعروض في يوم العمل السابق مباشرة من تاريخ منح خيارات، في البورصة، حيث يوجد أعلى حجم التداول. وفقا للمعايير المذكورة أعلاه وتاريخ منح الخيار 27 يونيو يونيو 2007، والثمن فيما يتعلق بالخيارات الممنوحة في 27 يونيو حزيران 2007، هو ثابت في روبية 1098.70 (روبية ألف وثمانون ثمانية و بيس سبعون فقط) لكل سهم حقوق الملكية. كلوس G. فيستينغ أوف أوبتيونس الخيارات الممنوحة للموظفين وفقا لهذا إسوس سوف سترة على مرحلتين: 50 من الخيارات مقربة إلى أقرب 100 يجب سترة في الموظفين في 27 يونيو حزيران 2008، يجب أن توازن الخيارات سترة في الموظفين في اليوم السابع والعشرين من حزيران / يونيو 2009 كلوس H. تأثير الموت والاستقالة الدائمة من العجز وإنهاء الخدمة في تحديد الخيارات لا يوجد خيار في أي موظف إذا توقف الموظف عن العمل في البنك قبل تاريخ استيفاء الخيارات إلا في الحالات التالية: 1. وفاة الموظف في حالة وفاة الموظف الذي يتم منح الخيارات له، تعتبر جميع الخيارات التي تم منحها للموظف قد تم ويخضع للموظف في تاريخ وفاته ويمارسه المرشحون، وفي غياب أي مرشح، من قبل الوارث القانونيين والخلفاء. كل هذه الخيارات يمكن ممارستها من قبل الورثة القانونيين والخلفاء والمرشحين، حسب الحالة، في غضون ستة أشهر من تاريخ وفاة الموظف. ولتمكين الموظفين من ترشيح الأشخاص فيما يتعلق بالخيارات، يقوم البنك بتزويد استمارات الترشيح الخاصة بالموظفين من وقت لآخر. 2. العجز الدائم في حالة عجز الموظف عن العجز الدائم أثناء العمل، ونتيجة لذلك ينتهي عمله مع البنك، فإن جميع الخيارات التي تمنح له في تاريخ العجز الدائم، في ذلك التاريخ. وتكون جميع هذه الخيارات قابلة للتنفيذ في غضون ستة أشهر من تاريخ هذا العجز الدائم. 3. استقالة إنهاء العمل في حالة استقالة أو إنهاء الموظف، جميع الخيارات غير المكتسبة كما في ذلك التاريخ سوف تخسر. ومع ذلك يحق للموظف الاحتفاظ بجميع الخيارات المكتسبة وممارسة نفس الفترة في غضون ستة أشهر من تاريخ وقف العمل. ومع ذلك، فإن مثل هذا الاستقالة أو الإنهاء ليس بسبب سوء سلوك أو جنحة الموظف. وبعد انقضاء ستة أشهر، تنقضي الخيارات المكتسبة، إذا لم تمارس. ويكون للجنة التعويضات سلطة تقديرية مطلقة في تحديد ما إذا كان هناك 147 موقفا أو 148 مرسوما على جزء من الموظف وقرارات لجنة التعويضات في هذا الصدد تكون نهائية وملزمة للموظف. إذا كانت استقالة الموظف أو إنهائه تعزى إلى سوء سلوك الموظف، في هذه الحالة يجب أن تنقضي جميع الخيارات الممنوحة للموظف فورا ولا يحق للموظف ممارسة هذه الخيارات. وتخضع هذه الخيارات للمصادرة من قبل البنك. 4- تقاعد الموظف في حالة تقاعد الموظف، بما في ذلك المدير الذي منحت له الخيارات المعاشات التقاعدية، أو إخلاء مكتبه عند بلوغه سن التقديم العشاء وفقا لقواعد البنك الدولي أو عند انتهاء أي تمديد له أو بسبب أي أو التوجيهات أو الأحكام القانونية أو التوضيحات أو المبادئ التوجيهية للبنك الاحتياطي الهندي (بخلاف التوجيه أو الحكم أو التوضيح أو المبدأ التوجيهي المتعلق بسوء السلوك أو سوء سلوك الموظف)، وفي هذه الحالة تكون جميع الخيارات الممنوحة على الفور في مثل هذا الموظف. ومع ذلك، يجب على الموظف ممارسة الخيارات في غضون فترة ستة أشهر من تاريخ هذا التقاعد إخلاء للمكتب، وإذا لم تنقضي هذه الخيارات. 5. الاندماج والتكامل لا تتأثر الخيارات الممنوحة بموجب هذه الاتفاقية بأي استحواذ أو اندماج أو دمج لأي كيان آخر لدى البنك. في حالة دمج أو دمج البنك في أي كيان آخر أو إذا كان هناك أي تغيير جوهري وهام في حصص حقوق الملكية التي يحتفظ بها مروجو البنك أو إذا استحوذ أي مستثمر على أكثر من 12 من رأس المال المدفوع) من البنك إما من تلقاء نفسه أو جنبا إلى جنب مع شركات الشركات مجموعة أقارب تعمل بالتنسيق، ثم في مثل هذه الحالة، جميع الخيارات الممنوحة يجب فورا سترة في الموظفين ويحق لهم ممارسة نفسه على الفور. الفصل الأول - ممارسة الخيارات باستثناء ما ورد في البند حاء، يجوز للموظفين ممارسة الخيارات المكتسبة قبل انقضاء سنتين من تاريخ (تواريخ) الانتهاء من الخيارات. في وقت ممارسة الخيارات، على الموظفين التقدم بطلب للحصول على 200 سهم كحد أدنى أو الخيارات المكتسبة غير المكتسبة بالكامل التي يحتفظ بها الموظف في هذا التاريخ، أيهما أقل. يتم إرسال طريقة وطريقة ممارسة الخيارات بشكل منفصل إلى الموظفين. على ممارسة الخيارات يجب على الموظف دفع على الفور للبنك السعر الذي يشمل سعر المنحة بالإضافة إلى F. B.T. مبلغ أو أي مبلغ آخر يكون للبنك خيار استرداده من موظفيه السابقين والحاليين. ويحق للبنك استرداد السعر عن طريق خصم راتب الموظفين مع البنك. ويصدر الموظف التصاريح اللازمة للبنك في هذا الصدد. وفي حالة عدم وجود حساب لدى البنك عندها يقوم البنك بقبول سعر الممارسة بوسائل أخرى مقبولة لدى البنك. ويوضح من هنا أنه لا يمكن ممارسة هذه الخيارات إلا بعد أن يتم تعيينها في الموظفين والتعيين في يجب احترامها في غضون 21 يوما من آخر تاريخ محدد لممارسة الخيارات في كل شهر. يتم حساب بيانات الخيارات التي يتم ممارستها خلال شهر تقويمي معين وتزويدها بأوراق البورصة لإدراجها مباشرة بعد ذلك أو وفقا لأحكام لوائح البورصة المعمول بها في ذلك الوقت. ويخضع تداول هذه الأسهم لموافقة البورصات. ومن ثم إذا كان الخيار يمارس في أي وقت بين 1 من أي شهر حتى آخر تاريخ محدد لممارسة الخيارات لذلك الشهر، يتم التعيين في غضون 21 يوما من التاريخ الأخير المحدد لممارسة الخيارات لهذا الشهر. وتحسب بيانات الشهر التقويمي المذكور بعد ذلك وتقدم إلى البورصات لأغراض الإدراج في القائمة. في حالة الموظفین الذین یعتزمون إجازة طویلة، یجوز لھم أن یطلبوا من مدیر إسوب الاشتراك في الأسھم بالنیابة عنھم. وسوف يصر مدير إسوب على رسالة السلطة في هذا الصدد. وسيتم إصدار الأسهم وتخصيصها باسم هؤلاء الموظفين. يجوز تعديل الفترة المذكورة أعلاه من الشهر التقويمي وفقا لتقدير لجنة التعويضات من وقت لآخر. (ج) رفع الخيارات ومنحها دون المساس بأحكام البند حاء، تنقضي الخيارات الممنوحة للموظف عند انقضاء سنتين من تاريخ الاستحقاق. وإذا لم يمارس الموظفون المعنيون هذه الخيارات في غضون سنتين من تاريخ استيفاء هذه الخيارات، فإن حق الموظف في التقدم بطلب للحصول على أسهم أسهم الخيار يلغى ويخسر هذه الخيارات فورا. في حالة انقضاء أي من الخيارات وفقا لأحكام البندين حاء و ياء، تكون الخيارات السالفة الذكر متاحة للجنة التعويضات لمنح الموظفين الآخرين الذين قد تراها لجنة التعويضات مناسبة. شريطة أن يحسب سعر هذه الخيارات من تاريخ منح هذه الخيارات وليس وفقا للسعر بموجب هذا المخطط. (ك) ممارسة النقود على الرغم من أي شيء وارد في البند الأول، في حالة رغبة أي موظف في ممارسة خياراته المخولة له، يجوز للبنك أن يسمح لسماسرة الأوراق المالية في البنك بتمويل دفع الثمن الذي يتم تعديله مقابل من عائدات بيع بعض أو جميع األسهم التي ستكون مطلوبة ليتم بيعها. ولتمكين الموظف من الاستفادة من هذا الإجراء من الممارسة غير النقدية، يحق للجنة التعويضات وضع هذه القواعد واللوائح والإرشادات في هذا الصدد من وقت لآخر. لا يجوز نقل الخيارات الممنوحة للموظف من قبل الموظف إلى أي شخص آخر. وباستثناء حالة وفاة الموظف، لا يحق لأي شخص آخر ممارسة الخيار بدلا من الموظف أو نيابة عنه أو لحسابه. لا يجوز افتراض الخيار الممنوح للموظف أو الرهن أو غيره بطريقة أخرى بأي طريقة أخرى. الدعاوى م. الضرائب - المسؤولية تقع مسؤولية دفع الضرائب، إن وجدت، على الخيارات الممنوحة المخولة المخصصة بموجب هذا المعيار البيئي والاجتماعي (إسوس-X) والأسهم الصادرة عملا بممارسة الخيارات، على الموظفين بالكامل وتكون وفقا ل وأحكام قانون ضريبة الدخل، لعام 1961 والقواعد التي وضعت في إطارها. ولدى البنك أيضا خيار لاسترداد المبلغ الضريبي سواء عن طريق فبت أو خلاف ذلك من موظفيه السابقين والحاليين. في حالة وجود أي تعديلات أو تعديلات على أحكام قانون ضريبة الدخل لعام 1961 أو القواعد الموضوعة هناك وفقا لما هو موجود في تاريخ هذا المعيار البيئي والاجتماعي (إسوس-X)، يكون للجنة التعويضات صلاحية تعديل أو تعديل هذا المعيار البيئي والاجتماعي (إسوس-X) في وقت مناسب دون موافقة الموظفين أو المساهمين حسب الحالة، وذلك لضمان أن يكون البنك في نفس الوضع الذي كانت عليه لو كانت التعديلات أو التعديلات في قانون ضريبة الدخل، 1961 أو القواعد المؤطرة هناك تحت لم يتم. يحق للبنك أن يسترد من موظفيه أية ضريبة قد تفرض على البنك من وقت آلخر من قبل أي جهة تنظيمية خالل منح منح ممارسة خيارات الخيارات. حقوق املساهمني كصاحب السهم ال يجوز للموظف ممارسة أي حقوق للمساهم فيما يتعلق بالخيارات املمنوحة له حتى يتم تخصيص أسهم األسهم املطلوبة عند ممارسة اخليار املمنوح له وفقا لذلك مع هذا النظام البيئي والاجتماعي (إسوس). ومع ذلك، فإن جميع المستفيدين من المنح يحصلون على الاتصالات وفقا لنظام سيبي (خطة خيار أسهم الموظفين وخطة شراء أسهم الموظفين)، 1999، بصيغتها المعدلة من وقت لآخر. ال يحق ألي موظف الحصول على أي توزيعات أرباح أو التصويت في أي اجتماع للبنك أو بأي شكل من األشكال يتمتع بمزايا المساهم فيما يتعلق بالخيارات الممنوحة أو الممنوحة للموظف حتى يتم تخصيص أسهم األسهم للموظف) عند ممارسة الخيارات. إن جميع أسهم األسهم الصادرة من البنك قد صدرت نتيجة لذلك، يتم تصنيف هذه األسهم على أساس متكافئ) أي على قدم المساواة مع نفس الحقوق والمزايا (مع أسهم األسهم الحالية للبنك. كلوس O. الترجمة الشفهية يجب أن يحال أي نزاع أو خلاف ينشأ في إطار هذا النظام البيئي والاجتماعي (إسوس) أو نتيجة له ​​أو عملا به أو فيما يتعلق به (إسوس) إلى لجنة التعويضات وتحدده لجنة التعويضات وأي قرار من هذا القبيل يتم تفسيره من قبل تكون لجنة التعويضات ملزمة لجميع الأشخاص المتضررين بذلك..ب الموافقة التنظيمية التنظيمية تخضع هذه الخطة للموافقات التنظيمية التي قد تلزم من وقت آلخر. ويوضح كذلك أن منح الخيارات للمديرين يخضع لموافقة مصرف الاحتياطي الهندي. ولدى استلام الموافقة المشار إليها أعلاه، يعطى هؤالء المديرون إغراء تلقي هذه الموافقة ومنح الخيارات. شريطة أن يكون تاريخ منح الخيارات لمثل هؤلاء المديرين في أي حال يعتبر يوم 27 يونيو 2007 بالسعر المذكور في البند F. الخيار الموظف الأسهم - إسو كسر أسفل خيار الموظفين الأسهم - الموظفين إسو يجب انتظر فترة منح محددة لتمرير قبل أن يتمكنوا من ممارسة الخيار وشراء أسهم الشركة، لأن الفكرة وراء خيارات الأسهم هو مواءمة الحوافز بين الموظفين والمساهمين في الشركة. المساهمين يريدون أن نرى زيادة سعر السهم، لذلك مكافأة الموظفين كما ارتفع سعر السهم مع مرور الوقت يضمن أن الجميع لديه نفس الأهداف في الاعتبار. كيف تعمل اتفاقية خيار الأسهم افترض أن المدير يمنح خيارات الأسهم، واتفاقية الخيار تسمح للمدير بشراء 1،000 سهم من أسهم الشركة بسعر الإضراب، أو سعر ممارسة، من 50 للسهم الواحد. 500 سهم من إجمالي الأرباح بعد عامين، و 500 سهم المتبقية في نهاية ثلاث سنوات. ويشير الاستحقاق إلى اكتساب الموظف للخيارات، ويحفز العامل على البقاء مع الشركة إلى أن تستفيد الخيارات. أمثلة على خيار الأسهم ممارسة باستخدام نفس المثال، نفترض أن سعر السهم يزيد إلى 70 بعد عامين، وهو أعلى من سعر ممارسة خيارات الأسهم. ويمكن للمدير أن يمارس من خلال شراء 500 سهم مكتسبة إلى 50 سهم، وبيع تلك الأسهم بسعر السوق البالغ 70. وتولد الصفقة ربحا قدره 20 للسهم الواحد، أي ما يعادل 10 آلاف سهم. وتحتفظ الشركة بمدير خبير لمدة سنتين إضافيتين، ويحقق الموظف أرباحا من ممارسة خيار الأسهم. إذا، بدلا من ذلك، سعر السهم ليس فوق سعر ممارسة 50، المدير لا يمارس خيارات الأسهم. بما أن الموظف يمتلك الخيارات ل 500 سهم بعد عامين، قد يكون المدير قادرا على مغادرة الشركة والاحتفاظ بخيارات الأسهم حتى تنتهي صلاحية الخيارات. هذا الترتيب يعطي المدير فرصة للاستفادة من زيادة سعر السهم على الطريق. العوملة في مصروفات الشركة غالبا ما يتم منح المنظمات غير الحكومية من دون أي متطلبات نقدية من الموظف. إذا كان سعر ممارسة 50 للسهم الواحد وسعر السوق هو 70، على سبيل المثال، قد تدفع الشركة ببساطة الموظف الفرق بين السعرين مضروبا في عدد الأسهم خيار الأسهم. إذا تم تعيين 500 سهم، فإن المبلغ المدفوع للموظف هو (20 X 500 سهم)، أو 10،000. وهذا يلغي الحاجة للعامل لشراء الأسهم قبل بيع الأسهم، وهذا الهيكل يجعل الخيارات أكثر قيمة. (إيسوس) هي نفقات لصاحب العمل، ويتم نشر تكلفة إصدار خيارات الأسهم في بيان الدخل للشركة. خطة توظيف الأسهم إنفوسيس تطلق خطة إسوب بعد 13 عاما في 15 يوليو 2016 11:51 (إست) إيت إنفوسيس الرئيسية على يوم الجمعة انها ستطلق برنامج خيار أسهم الموظفين أو خطة إسوب في محاولة للسيطرة على الاستنزاف، والتي انتعشت بشكل حاد في الربع يونيو. أولتراتيش سيمنت ألوتس 658 أسهم للموظفين في ديسمبر 05، 2015 19:40 (إست) أعلنت شركة أديتيا بيرلا غروب أولتراتيش سيمنت يوم السبت أنها خصصت 658 سهم للموظفين بموجب خطة خيار أسهم الموظفين (إسوب). سيبي إلى قرص الموظفين الخيار الأسهم المعايير في 18 يونيو 2014 15:05 (إست) تطبق اللوائح المقترحة على برنامج خيارات الأسهم للموظفين وخطة شراء الأسهم للموظفين، وتسمى عموما المبادئ التوجيهية إسوب، وكذلك على غيرها من خطط الموظفين العامة مثل في حالة الحوادث والمرض والعجز والوفاة والمنح الدراسية. سيبي يعطي الشركات المزيد من الوقت للوفاء بمعايير خطة استحقاقات الموظفين في 30 نوفمبر 2013 21:41 (إست) سوق مراقبة الأوراق المالية ومجلس البورصة في الهند (سيبي) سمحت الوقت حتى يونيو من العام المقبل للشركات لمواءمة خطط استحقاقات الموظفين مع القائمة كما أنها تستعرض الإطار الحالي لخيارات الأسهم وخطط الفائدة للموظفين. خطط خيار الأسهم أبك من الموظف في أغسطس 07، 2013 16:10 (إست) وبموجب هذا البرنامج، يتم إعطاء بديل للموظف للحصول على أسهم الشركة. وتعرف هذه الأسهم بخيارات الأسهم ويتم منحها من قبل صاحب العمل بناء على أداء الموظف. سيبي يوجه الشركات إلى الامتثال لمعايير إسوس بحلول يونيو 17 يناير 2013 19:50 (إست) الأوراق المالية ومجلس الصرف في الهند (سيبي) طلب اليوم الشركات المدرجة على الامتثال للمعايير الجديدة التي تحمي خطط رفاه الموظفين والثقة من شراء أسهم من شركاتهم الخاصة من السوق الثانوية، بحلول 30 يونيو. شريرام سيتي ونيون فينانس لت. - تخصيص أسهم بموجب خطة خيار أسهم الموظفين في شركة سكوف 2006 في 26 نوفمبر 2011 07:02 (إست) أبلغت شركة شريرام سيتي ونيون فينانس لت بورصة البحرين أن البورصات قد منحت موافقاتها المبدئية لتخصيص 13 سهم و 55،000 سهم من حيث البند 22.1 (ب) من سيبي (إسوس و إسبس) المبادئ التوجيهية 1999. على ممارسة الخيارات من قبل الموظفين، وقد خصصت الشركة 10،880 أسهم أسهم إلى 10 موظفين في A. بريتانيا صناعات المحدودة - منح خيارات الأسهم تحت خطة خيار أسهم الموظفين (إسوس) في 26 نوفمبر 2011 06:45 (إست) أبلغت شركة بريتانيا للصناعات المحدودة أن لجنة المكافآت التابعة لمجلس إدارة الشركة قد وافقت في اجتماعها المنعقد في 27 مايو 2011، من 1،25،000 خيارات الأسهم إلى السيدة فينيتا بالي، العضو المنتدب. كل خيار منحت تمنح لها عند ممارسة الخيارات، لتلقي حصة واحدة من الشركة من فا. (إسب 2008) في 26 نوفمبر 2011 06:44 (إست) قامت شركة إلفس للهندسة والإنشاءات المحدودة بإبلاغ بنك الخليج للأوراق المالية بأن لجنة المكافآت قررت وقف خطة إسوب 2008 اعتبارا من 31 مارس 2011، حيث أن جميع المستفيدين من المنح بموجب هذا النظام قد تركوا خدمات الشركة قبل نهاية السنة المالية 2010-2011. ولن تكون هناك منح أخرى بموجب هذا البند. إيد باري إنديا لت - تخصيص الخيارات بموجب خطة خيار أسهم الموظفين في 26 نوفمبر 2011 06:42 (إست) أبلغت شركة إيد باري إنديا المحدودة بس بأن لجنة الترشيح للتعويضات، في اجتماعها المنعقد في 29 أبريل 2011، منحت 75900 اخليارات اخلاشة مبوجب برنامج خيار اأشهم املوظفني 2007 للشركة بسعر ممارسة روبية. 240.90 لكل خيار. (إس) في 23 نوفمبر 2011 11:55 (إست) قامت شركة تطوير البنية التحتية المالية المحدودة بإبلاغ بورصة البحرين بأن لجنة المديرين لتعيين الأسهم اجتمعت في 27 يناير، 2011 وخصصت 1،82،150 سهم مدفوع بالكامل من روبية. 10 - لكل موظف من موظفي الشركة من حيث خطة خيار أسهم الموظفين (إسوس). زنزار تيشنولوجيز لت - تخصيص أسهم E بموجب خيار خيار أسهم الموظفين في 23 نوفمبر 2011 11:53 (إست) زنزار تيشنولوجيز لت أبلغت بورصة لندن أنه عند ممارسة خيار الأسهم من قبل موظفي الشركة، وقد خصصت لجنة التعويضات من أعضاء مجلس الإدارة دفعت بالكامل 2،626 أسهم أسهم روبية. 10 كل شركة من موظفيها. غلودين تيشنوسرف المحدودة - العملاق من الأسهم الخيار في إطار خطة خيار أسهم الموظفين في 23 نوفمبر 2011 11:52 (إست) غلودين تيشنوسرف المحدودة أبلغت بس أن لجنة التعويضات لمجلس الإدارة في اجتماعها الذي عقد في 13 يناير 2011، لديها (7،08،589 خيارات أسهم) كل خيار يحمل حق التقدم بطلب سهم واحد بقيمة 10 روبية للسهم الواحد (للموظفين المؤهلين للشركة وشركته التابعة وفقا لمخزون الموظفين o. بغر إنيرجي سيستمز لت - تخصيص أسهم بموجب خطة خيار أسهم الموظفين 2007 في 23 نوفمبر 2011 11:47 (إست) قامت شركة بغر إنيرجي سيستمز المحدودة بإبلاغ بورصة البحرين بأن لجنة الإدارة في اجتماعها المنعقد في 22 نوفمبر 2010 خصصت 5979 أسهم سهم روبية. 10 لكل من املمنوحني الذين مارسوا خياراتهم مبوجب خطة خيار أسهم املوظفني لعام 2007، وسوف تصنف األسهم املذكورة مع األسهم احلالية للشركة. شركة جراسيم للصناعات المحدودة - تخصيص أسهم بموجب خطة خيار أسهم الموظفين، 2006 في 23 نوفمبر 2011 11:37 (إست) قامت شركة جراسيم للصناعات المحدودة بإبلاغ بورصة البحرين بأن لجنة نقل التعيينات للمشتركين التابعة لمجلس إدارة الشركة قد خصصت 200 ( (مائتان فقط) في 22 سبتمبر 2010 في إطار خطة خيار شراء أسهم الموظفين لعام 2006. وتصنف هذه الأسهم 200 سهم على أساس حقوق المساهمين الحالية. ريبرو إنديا - الخيارات ساقت تحت برنامج خيار أسهم الموظفين و ريجارانتيد في 23 نوفمبر 2011 11:34 (إست) ريبرو إنديا لت قد أبلغت بورصة البحرين بأن لجنة التعويضات لديها قرار فيد تمريرها عن طريق التداول بتاريخ 12 أغسطس 2010 سجلت انخفاضا من 40000 عدد خيارات الأسهم الممنوحة لبعض الموظفين بموجب برنامج ريبرو إنديا ليميتد - خطة خيار أسهم الموظفين لعام 2006. كذلك أبلغت الشركة بأن لجنة التعويضات ح. موسر باير - خطة خيار أسهم الموظفين في 23 نوفمبر 2011 11:33 (إست) قامت شركة موسر باير إنديا لت بإبلاغ بورصة لندن بأنه من حيث مخطط إسوب وخطة خيار شراء الأسهم للموظفين وخطة شراء الأسهم للموظفين، قامت لجنة التعويضات التابعة لمجلس اإلدارة المنعقدة بتاريخ 12 أغسطس 2010 بمنح خيارات جديدة لموظفي الشركة من حيث برنامجها الخاص ببرنامج إسوب - 2009. شريرام سيتي يونيون فايننس ليمتد - تخصيص أسهم بموجب برنامج خيار أسهم ستوكوف 2006 في 29 أكتوبر 2011 16:09 (إست) وافق مجلس الإدارة في اجتماعه المنعقد في 29 أكتوبر 2011 لنفسه

الانتقال المتوسط في و ص - السلاسل الزمنية

استخدام R لتحليل السلاسل الزمنية تحليل السلاسل الزمنية يشرح لك هذا الكتيب كيفية استخدام البرنامج الإحصائي R لتنفيذ بعض التحليلات البسيطة الشائعة في تحليل بيانات السلاسل الزمنية. يفترض هذا الكتيب أن القارئ لديه بعض المعرفة الأساسية لتحليل السلاسل الزمنية، والتركيز الرئيسي للكتيب ليس لشرح تحليل السلاسل الزمنية، وإنما شرح كيفية إجراء هذه التحليلات باستخدام R. إذا كنت جديدا على سلسلة زمنية تحليل، وتريد معرفة المزيد عن أي من المفاهيم المقدمة هنا، أود أن أوصي كتاب جامعة مفتوحة 8220Time Series8221 (رمز المنتج M24902)، وهي متاحة من متجر جامعة المفتوحة. في هذا الكتيب، سوف أستخدم مجموعات بيانات السلاسل الزمنية التي تم توفيرها من قبل روب هيندمان في مكتبة بيانات سلسلة الوقت الخاصة به في روبجيندمانتسدل. إذا کنت تحب ھذا الکتیب، قد ترغب أیضا في الاطلاع علی کتیبي حول استخدام R للإحصاءات الطبیة الحیویة، a-little-book-of-r-for-biomedical-statistics. readthedocs. org. وكتيب بلدي حول استخدام R لتحليل متعدد المتغيرات، القليل من الكتاب، قراءة البيانات سلسلة الوقت أول شيء سوف تريد القيام به لتحليل البيانات سلسلة الوقت الخاص بك وسوف يكون لقراءتها في R، ومؤامرة سلسلة زمنية. يمكنك قراءة البيانات إلى R باستخدام وظيفة المسح الضوئي ()، والتي تفترض أن بياناتك لنقاط زمنية متعاقبة موجودة في ملف نص بسيط يحتوي على عمود واحد. على سبيل المثال، يحتوي ملف robjhyndmantsdldatamisckings. dat على بيانات عن عمر وفاة الملوك المتعاقبين لإنجلترا، بدءا من وليام الفاتح (المصدر الأصلي: هيبل و مكليود، 1994). تبدو مجموعة البيانات كما يلي: تم عرض الأسطر القليلة الأولى فقط من الملف. الأسطر الثلاثة الأولى تحتوي على بعض التعليقات على البيانات، ونحن نريد أن نتجاهل هذا عندما نقرأ البيانات إلى R. يمكننا استخدام هذا باستخدام المعلمة 8220skip8221 للدالة المسح الضوئي ()، الذي يحدد عدد الخطوط في الجزء العلوي من ملف لتجاهل. لقراءة الملف في R، تجاهل الخطوط الثلاثة الأولى، ونحن نكتب: في هذه الحالة سن الموت من 42 ملوك المتعاقبة انكلترا قد قرأ في المتغير 8216kings8217. بمجرد قراءة بيانات سلسلة الوقت إلى R، الخطوة التالية هي تخزين البيانات في كائن سلسلة زمنية في R، بحيث يمكنك استخدام R8217s العديد من الوظائف لتحليل بيانات سلسلة الوقت. لتخزين البيانات في كائن سلسلة زمنية، نستخدم الدالة تيسي () في R. على سبيل المثال، لتخزين البيانات في المتغير 8216kings8217 ككائن سلسلة زمنية في R، نكتب: أحيانا مجموعة بيانات سلسلة الوقت التي قد تكون قد جمعت على فترات منتظمة كانت أقل من سنة، على سبيل المثال، شهرية أو ربع سنوية. في هذه الحالة، يمكنك تحديد عدد المرات التي تم جمع البيانات فيها سنويا باستخدام المعلمة 8216frequency8217 في الدالة تيسي (). للحصول على بيانات سلسلة زمنية شهرية، يمكنك تعيين التردد 12، بينما لبيانات سلسلة زمنية ربع سنوية، يمكنك تعيين التردد 4. يمكنك أيضا تحديد السنة الأولى التي تم جمع البيانات، والفاصل الزمني الأول في ذلك العام باستخدام المعلمة 8216start8217 في الدالة تيسي (). على سبيل المثال، إذا كانت نقطة البيانات الأولى تتوافق مع الربع الثاني من عام 1986، يمكنك تعيين ستارتك (1986،2). ومن الأمثلة على ذلك مجموعة بيانات عن عدد المواليد شهريا في مدينة نيويورك، من كانون الثاني / يناير 1946 إلى كانون الأول / ديسمبر 1959 (التي جمعتها نيوتن أصلا). هذه البيانات متوفرة في ملف robjhyndmantsdldatadatanybirths. dat يمكننا قراءة البيانات في R، وتخزينها ككائن سلسلة زمنية، عن طريق كتابة: وبالمثل، يحتوي ملف robjhyndmantsdldatadatafancy. dat المبيعات الشهرية لمتجر للهدايا التذكارية في بلدة منتجع الشاطئ في كوينزلاند، أوستراليا، فور جانوري 1987-ديسمبر 1993 (أورجنال داتا فروم ويلوريت أند هيندمان، 1998). يمكننا قراءة البيانات إلى R عن طريق كتابة: التآمر سلسلة الوقت مرة واحدة كنت قد قرأت سلسلة زمنية في R، فإن الخطوة التالية هي عادة لجعل مؤامرة من البيانات سلسلة الوقت، والتي يمكنك القيام به مع وظيفة plot. ts () في R. على سبيل المثال، لرسم سلسلة زمنية من سن الموت من 42 ملوك المتعاقبة من انكلترا، ونحن نكتب: يمكننا أن نرى من مؤامرة الوقت أن هذه السلسلة الزمنية يمكن وصفها ربما باستخدام نموذج المضافة، منذ التقلبات العشوائية في البيانات ثابتة تقريبا في الحجم مع مرور الوقت. وبالمثل، لرسم سلسلة زمنية من عدد المواليد شهريا في مدينة نيويورك، ونحن نكتب: يمكننا أن نرى من هذه السلسلة الزمنية أنه يبدو أن هناك تباين موسمي في عدد المواليد شهريا: هناك ذروة كل صيف ، وحوض صغير كل شتاء. ومرة أخرى، يبدو أن هذه السلسلة الزمنية يمكن وصفها على الأرجح باستخدام نموذج مضاف، حيث أن التقلبات الموسمية ثابتة تقريبا في الحجم بمرور الوقت ولا يبدو أنها تعتمد على مستوى السلاسل الزمنية، ويبدو أن التقلبات العشوائية أيضا ثابت تقريبا في الحجم مع مرور الوقت. وبالمثل، لرسم سلسلة زمنية من المبيعات الشهرية لمتجر للهدايا التذكارية في بلدة منتجع الشاطئ في كوينزلاند، أستراليا، ونحن نكتب: في هذه الحالة، يبدو أن نموذج المضافة ليست مناسبة لوصف هذه السلسلة الزمنية، لأن حجم من التقلبات الموسمية والتقلبات العشوائية ويبدو أن زيادة مع مستوى السلاسل الزمنية. وبالتالي، قد نحتاج إلى تحويل السلاسل الزمنية من أجل الحصول على سلسلة زمنية محولة يمكن وصفها باستخدام نموذج مضاف. على سبيل المثال، يمكننا تحويل السلاسل الزمنية من خلال حساب السجل الطبيعي للبيانات الأصلية: هنا يمكننا أن نرى أن حجم التقلبات الموسمية والتقلبات العشوائية في السلاسل الزمنية المحولة من السجل تبدو ثابتة تقريبا مع مرور الوقت، وتفعل لا تعتمد على مستوى السلاسل الزمنية. وبالتالي، يمكن وصف السلسلة الزمنية المحولة السجل باستخدام نموذج مضاف. تحلیل السلاسل الزمنیة یعني تحلیل السلاسل الزمنیة فصلھا إلی مکوناتھا التأسیسیة، وھي عادة مکونات اتجاهیة ومکون غیر منتظم، وإذا کانت سلسلة زمنیة موسمیة، وھي عنصر موسمي. تحلیل البیانات غیر الموسمية تتألف السلاسل الزمنیة غیر الموسمیة من عنصر الاتجاه ومکون غیر منتظم. تحليل السلسلة الزمنية ينطوي على محاولة لفصل السلاسل الزمنية في هذه المكونات، وهذا هو، تقدير عنصر الاتجاه والمكون غير النظامي. ولتقدير عنصر الاتجاه لسلسلة زمنية غير موسمية يمكن وصفها باستخدام نموذج مضاف، من الشائع استخدام طريقة التجانس، مثل حساب المتوسط ​​المتحرك البسيط للمسلسلات الزمنية. يمكن استخدام الدالة سما () في حزمة 8220TTR8221 R لتسلسل بيانات السلاسل الزمنية باستخدام متوسط ​​متحرك بسيط. لاستخدام هذه الدالة، نحتاج أولا إلى تثبيت حزمة 8220TTR8221 R (للحصول على إرشادات حول كيفية تثبيت حزمة R، راجع كيفية تثبيت حزمة R). بمجرد تثبيت حزمة 8220TTR8221 R يمكنك تحميل حزمة 8220TTR8221 R عن طريق كتابة: يمكنك ثم استخدام الدالة 8220SMA () 8221 لتسلسل البيانات سلسلة الوقت. لاستخدام الدالة سما ()، تحتاج إلى تحديد الترتيب (سبان) للمتوسط ​​المتحرك البسيط، باستخدام المعلمة 8220n8221. على سبيل المثال، لحساب متوسط ​​متحرك بسيط من النظام 5، نقوم بتعيين n5 في الدالة سما (). على سبيل المثال، كما نوقش أعلاه، فإن السلاسل الزمنية لسن الوفاة من 42 ملوك متتالي انكلترا يبدو غير موسمي، ويمكن وصفها على الأرجح باستخدام نموذج اضافي، حيث ان التقلبات العشوائية في البيانات هي ثابتة تقريبا في الحجم فوق الوقت: وبالتالي، يمكننا محاولة لتقدير عنصر الاتجاه من هذه السلسلة الزمنية من خلال تمهيد باستخدام المتوسط ​​المتحرك بسيط. لتسلسل السلاسل الزمنية باستخدام متوسط ​​متحرك بسيط من النظام 3، ومؤامرة البيانات سلسلة الوقت ممهدة، ونحن نكتب: لا يزال يبدو أن هناك الكثير جدا من التقلبات العشوائية في السلاسل الزمنية ممهدة باستخدام المتوسط ​​المتحرك بسيط من النظام 3. وبالتالي، لتقدير عنصر الاتجاه بشكل أكثر دقة، قد نرغب في محاولة تمهيد البيانات بمتوسط ​​متحرك بسيط من أجل أعلى. هذا يأخذ قليلا من التجربة والخطأ، للعثور على كمية مناسبة من التمهيد. على سبيل المثال، يمكننا أن نحاول استخدام متوسط ​​متحرك بسيط من أجل 8: البيانات ممهدة مع متوسط ​​متحرك بسيط من النظام 8 يعطي صورة أوضح عن عنصر الاتجاه، ويمكننا أن نرى أن سن وفاة الملوك الإنجليزية يبدو أن قد انخفض من حوالي 55 سنة إلى حوالي 38 سنة في عهد الملوك الأول 20، ثم ارتفع بعد ذلك إلى حوالي 73 سنة بحلول نهاية عهد الملك ال 40 في السلسلة الزمنية. تحلیل البیانات الموسمية تتألف السلاسل الزمنیة الموسمیة من عنصر الاتجاه، والعنصر الموسمي والمکون غیر النظامي. تحليل السلسلة الزمنية يعني فصل السلسلة الزمنية في هذه المكونات الثلاثة: أي، تقدير هذه المكونات الثلاثة. لتقدير مكون الاتجاه والمكون الموسمية لسلسلة زمنية موسمية يمكن وصفها باستخدام نموذج مضاف، يمكننا استخدام الدالة 8220decompose () 8221 في R. تقوم هذه الدالة بتقدير مكونات الاتجاه، الموسمية، وغير المنتظمة لسلسلة زمنية يمكن وصفها باستخدام نموذج المضافة. الدالة 8220decompose () 8221 تقوم بإرجاع كائن قائمة كنتيجة له ​​حيث يتم تخزين تقديرات المكون الموسمية وعنصر الاتجاه والمكون غير النظامي في العناصر المسماة من كائنات القائمة تلك التي تسمى 8220seasonal8221 و 8220trend8221 و 8220random8221 على التوالي. على سبيل المثال، كما نوقش أعلاه، فإن السلاسل الزمنية لعدد المواليد شهريا في مدينة نيويورك موسمية مع ذروة كل صيف وحوض كل شتاء، ويمكن وصفها على الأرجح باستخدام نموذج مضافة منذ التقلبات الموسمية والعشوائية ويبدو أن تكون ثابتة تقريبا في الحجم مع مرور الوقت: لتقدير الاتجاه، المكونات الموسمية وغير النظامية من هذه السلسلة الزمنية، ونحن نكتب: يتم تخزين القيم المقدرة للمكونات الموسمية والاتجاه وغير النظامية الآن في متغيرات بيرثستيمزيريزكومبوننتسونسونال، بيرثستيمزيريزكومبوننتسترند و بيرثستيمزيريزكومبونينتساندوماند. على سبيل المثال، يمكننا طباعة القيم المقدرة للمكون الموسمي عن طريق كتابة: يتم إعطاء العوامل الموسمية المقدرة للأشهر من كانون الثاني (يناير) إلى كانون الأول (ديسمبر)، وهي نفسها لكل سنة. وأكبر عامل موسمية هو يوليو (حوالي 1.46)، والأدنى هو لشهر فبراير (حوالي -2.08)، مما يشير إلى أن هناك على ما يبدو ذروة في المواليد في يوليو وحوض في الولادات في فبراير من كل عام. يمكننا رسم الاتجاه المقدر والمكونات الموسمية وغير المنتظمة للسلاسل الزمنية باستخدام الدالة 8220plot () 8221، على سبيل المثال: تظهر المؤامرة أعلاه السلسلة الزمنية الأصلية (أعلى) ومكون الاتجاه المقدر (الثاني من الأعلى) والمكون الموسمي المقدر (الثالث من أعلى)، والمكون غير المنتظم المقدر (أسفل). ونحن نرى أن مكون الاتجاه المقدر يظهر انخفاضا طفيفا من حوالي 24 في عام 1947 إلى حوالي 22 في عام 1948، تليها زيادة مطردة من ثم إلى حوالي 27 في عام 1959. ضبط موسميا إذا كان لديك سلسلة زمنية الموسمية التي يمكن وصفها باستخدام وهو نموذج إضافي، يمكنك ضبط موسميا من خلال تقدير العنصر الموسمية، وطرح المكون الموسمي المقدر من السلسلة الزمنية الأصلية. يمكننا القيام بذلك باستخدام تقدير العنصر الموسمية محسوبة الدالة 8220decompose () 8221. على سبيل المثال، لضبط موسميا من عدد المواليد شهريا في مدينة نيويورك، يمكننا تقدير العنصر الموسمية باستخدام 8220decompose () 8221، ومن ثم طرح المكون الموسمية من سلسلة الوقت الأصلي: يمكننا بعد ذلك رسم سلسلة زمنية معدلة موسميا باستخدام الدالة 8220plot () 8221، وذلك بكتابة: يمكنك أن ترى أن الاختلاف الموسمي قد تمت إزالته من السلسلة الزمنية المعدلة موسميا. سلسلة الوقت المعدلة موسميا الآن يحتوي فقط على عنصر الاتجاه والمكون غير النظامية. ويمكن استخدام التنبؤات باستخدام التمهيد الأسي التمهيد الأسي لجعل التنبؤات قصيرة الأجل للبيانات سلسلة زمنية. تمهيد الأسي بسيط إذا كان لديك سلسلة زمنية يمكن وصفها باستخدام نموذج المضافة مع مستوى ثابت وليس الموسمية، يمكنك استخدام التمهيد الأسي بسيط لجعل التوقعات على المدى القصير. توفر طريقة التجانس الأسي البسيط طريقة لتقدير المستوى عند النقطة الزمنية الحالية. يتم التحكم بالتلميع بواسطة ألفا المعلمة لتقدير المستوى عند نقطة الزمن الحالية. قيمة ألفا تكمن بين 0 و 1. القيم ألفا التي هي قريبة من 0 يعني أنه يتم وضع القليل من الوزن على الملاحظات الأخيرة عند وضع توقعات القيم المستقبلية. على سبيل المثال، يحتوي ملف robjhyndmantsdldatahurstprecip1.dat على مجموع الأمطار السنوية في البوصة إلى لندن، من 1813-1912 (البيانات الأصلية من هيبل وماكلويد، 1994). يمكننا قراءة البيانات إلى R ورسمها من خلال كتابة: يمكنك أن ترى من المؤامرة أن هناك مستوى ثابت تقريبا (متوسط ​​يبقى ثابت في حوالي 25 بوصة). ويبدو أن التقلبات العشوائية في السلاسل الزمنية ثابتة تقريبا في الحجم مع مرور الوقت، ولذلك فمن المناسب وصف البيانات باستخدام نموذج مضاف. وهكذا، يمكننا أن نجعل التنبؤات باستخدام التمهيد الأسي بسيط. لجعل التنبؤات باستخدام التمهيد الأسي بسيط في R، يمكننا أن تناسب نموذج التنميق الأسي بسيط الأسي باستخدام 8220HoltWinters () 8221 الدالة في R. لاستخدام هولتوينترز () لتمهيد الأسي بسيط، نحن بحاجة إلى تعيين المعلمات بيتافالس و غامافالس في دالة هولتوينترز () تستخدم معلمات بيتا و غاما من أجل التمدد الأسي هولت 8217s، أو التمدد الأسي هولت-وينتر، كما هو موضح أدناه). ترجع الدالة هولتوينترس () متغير قائمة يحتوي على العديد من العناصر المسماة. على سبيل المثال، لاستخدام تمهيد الأسي بسيط لجعل التنبؤات لسلسلة زمنية من هطول الأمطار السنوي في لندن، ونحن نكتب: إخراج هولتوينترز () يخبرنا أن القيمة المقدرة للمعلمة ألفا حوالي 0.024. وهذا قريب جدا من الصفر، يخبرنا أن التنبؤات تستند إلى ملاحظات حديثة وأقل حداثة (على الرغم من أنه قد تم وضع وزن أكبر نسبيا على الملاحظات الأخيرة). افتراضيا، هولتوينترس () يجعل مجرد توقعات لنفس الفترة الزمنية التي تغطيها لدينا سلسلة زمنية الأصلي. في هذه الحالة، شملت سلسلة زمنية لدينا الأصلية هطول الأمطار في لندن من 1813-1912، وبالتالي فإن التوقعات هي أيضا 1813-1912. في المثال أعلاه، قمنا بتخزين إخراج الدالة هولتوينترس () في متغير القائمة 8220rainseriesforecasts8221. يتم تخزين التنبؤات التي قام بها هولتوينترز () في عنصر اسمه من هذا المتغير قائمة تسمى 8220fitted8221، حتى نتمكن من الحصول على قيمهم عن طريق كتابة: يمكننا رسم سلسلة زمنية الأصلي ضد التوقعات عن طريق كتابة: المؤامرة يظهر سلسلة الوقت الأصلي في الأسود، والتنبؤات كخط أحمر. السلاسل الزمنية للتنبؤات أكثر سلاسة من السلاسل الزمنية للبيانات الأصلية هنا. وكمقياس لدقة التنبؤات، يمكننا حساب مجموع الأخطاء المربعة لأخطاء التنبؤ داخل العينة، أي أخطاء التنبؤ للفترة الزمنية التي تغطيها السلاسل الزمنية الأصلية. يتم تخزين مجموع-مربع-الأخطاء في عنصر اسمه من المتغير قائمة 8220rainseriesforecasts8221 يسمى 8220SSE8221، حتى نتمكن من الحصول على قيمته عن طريق كتابة: وهذا هو، هنا مجموع من مربع-الأخطاء هو 1828.855. ومن الشائع في التمهيد الأسي بسيط لاستخدام القيمة الأولى في السلاسل الزمنية كقيمة أولية للمستوى. على سبيل المثال، في السلسلة الزمنية لسقوط الأمطار في لندن، القيمة الأولى هي 23.56 (بوصة) للمطر في 1813. يمكنك تحديد القيمة الأولية للمستوى في الدالة هولتوينترس () باستخدام المعلمة 8220l. start8221. على سبيل المثال، لجعل التوقعات مع القيمة الأولية للمستوى المحدد إلى 23.56، نكتب: كما هو موضح أعلاه، افتراضيا هولتوينترس () يجعل فقط التوقعات للفترة الزمنية التي تغطيها البيانات الأصلية، وهو 1813-1912 لهطول الأمطار السلاسل الزمنية. يمكننا أن نجعل التنبؤات لمزيد من النقاط الزمنية باستخدام 8220forecast. HoltWinters () 8221 وظيفة في حزمة R 8220forecast8221. لاستخدام وظيفة. HoltWinters ()، نحتاج أولا إلى تثبيت حزمة 8220forecast8221 R (للحصول على إرشادات حول كيفية تثبيت حزمة R، راجع كيفية تثبيت حزمة R). بمجرد تثبيت حزمة 8220forecast8221 R، يمكنك تحميل حزمة 8220forecast8221 R عن طريق كتابة: عند استخدام الدالة Forecast. HoltWinters ()، كوسيطتها الأولى (إدخال)، يمكنك تمرير النموذج التنبؤي الذي قمت بتجهيزه بالفعل باستخدام هولتوينترس () وظيفة. على سبيل المثال، في حالة السلاسل الزمنية لهطول الأمطار، قمنا بتخزين النموذج التنبئي الذي تم باستخدام هولتوينترز () في المتغير 8220rainseriesforecasts8221. يمكنك تحديد عدد نقاط الوقت الإضافية التي تريد جعل التنبؤات باستخدام المعلمة 8220h8221 في التنبؤ. هولتوينترز (). على سبيل المثال، لجعل توقعات هطول الأمطار لسنوات 1814-1820 (8 سنوات أخرى) باستخدام التنبؤ. هولتوينترس ()، ونحن نكتب: وظيفة التنبؤ. هولتوينترس () يعطيك توقعات لمدة عام، فاصل التنبؤ 80 ل والتنبؤ، وفترة التنبؤ 95 للتنبؤ. على سبيل المثال، فإن هطول الأمطار المتوقع لعام 1920 حوالي 24.68 بوصة، مع فاصل التنبؤ 95 من (16.24، 33.11). لمؤامرة التنبؤات التي أدلى بها التنبؤ. هولتوينترز ()، يمكننا استخدام 8220plot. forecast () 8221 وظيفة: هنا يتم رسم توقعات 1913-1920 كخط أزرق، الفاصل الزمني التنبؤ 80 كمنطقة مظللة البرتقالي، و 95 فترة التنبؤ كمنطقة مظللة صفراء. وتحسب الأخطاء 8216forecast8217 القيم الملحوظة ناقص القيم المتوقعة، لكل نقطة زمنية. يمكننا فقط حساب أخطاء التنبؤ للفترة الزمنية التي تغطيها سلسلة زمنية لدينا الأصلية، وهو 1813-1912 للبيانات هطول الأمطار. وكما ذكر أعلاه، فإن مقياسا واحدا من دقة النموذج التنبؤية هو أخطاء مجموع المربعات (سس) في أخطاء التنبؤ داخل العينة. يتم تخزين أخطاء التنبؤ داخل العينة في العنصر المسمى 8220residuals8221 من متغير القائمة التي يتم إرجاعها بواسطة التنبؤ. هولتوينترس (). وإذا تعذر تحسين النموذج التنبئي، ينبغي ألا تكون هناك ترابط بين أخطاء التنبؤ بالتنبؤات المتعاقبة. وبعبارة أخرى، إذا كانت هناك ارتباطات بين أخطاء التنبؤ بالتنبؤات المتعاقبة، فمن المحتمل أن تكون التنبؤات الأسية البسيطة للتلطيف يمكن تحسينها بواسطة أسلوب آخر للتنبؤ. لمعرفة ما إذا كان هذا هو الحال، يمكننا الحصول على الرسم البياني لأخطاء التنبؤ داخل العينة للتخلف 1-20. يمكننا حساب الرسم البياني لأخطاء التنبؤ باستخدام الدالة 8220acf () 8221 في R. لتحديد الحد الأقصى للفارق الذي نريد أن ننظر إليه، نستخدم المعلمة 8220lag. max8221 في أكف (). على سبيل المثال، لحساب الرسم البياني لأخطاء التنبؤ في العينة لبيانات هطول الأمطار في لندن للتخلف 1-20، نكتب: يمكنك أن ترى من عينة الرسم البياني أن الارتباط الذاتي في تأخر 3 هو مجرد لمس حدود الأهمية. لاختبار ما إذا كان هناك دليل كبير على ارتباطات غير صفرية في الفترات الزمنية 1-20، يمكننا إجراء اختبار لجونغ بوكس. ويمكن القيام بذلك في R باستخدام 8220Box. test () 8221، وظيفة. يتم تحديد الفارق الزمني الأقصى الذي نريد أن ننظر إليه باستخدام المعلمة 8220lag8221 في الدالة Box. test (). على سبيل المثال، لاختبار ما إذا كانت هناك أوتوكوريلاتيونس غير صفرية في الفترات الزمنية 1-20، لأخطاء التنبؤ داخل العينة لبيانات هطول الأمطار في لندن، ونحن نكتب: هنا إحصائية اختبار لجونغ بوكس ​​هو 17.4، وقيمة P هو 0.6 ، ولذلك لا يوجد دليل يذكر على وجود ارتباطات ذاتية غير صفرية في أخطاء التنبؤ داخل العينة عند الفترات الزمنية 1-20. وللتأكد من أن النموذج التنبؤي لا يمكن تحسينه، فمن الجيد أيضا التحقق مما إذا كانت أخطاء التنبؤ موزعة عادة بمتوسط ​​الصفر والتباين الثابت. ولتحقق ما إذا كان لأخطاء التنبؤ تباين ثابت، يمكننا أن نجعل مؤامرة زمنية لأخطاء التنبؤ في العينة: توضح المؤامرة أن أخطاء التنبؤ داخل العينة يبدو أنها تباين ثابت تقريبا مع مرور الوقت، على الرغم من أن حجم التقلبات في قد يكون بداية السلاسل الزمنية (1820-1830) أقل قليلا من ذلك في التواريخ اللاحقة (على سبيل المثال 1840-1850). ولتحقق ما إذا كانت أخطاء التنبؤ موزعة عادة بمتوسط ​​صفر، يمكننا رسم رسم بياني لأخطاء التنبؤ، مع منحنى عادي مضاف له صفر ونفس الانحراف المعياري مثل توزيع أخطاء التنبؤ. للقيام بذلك، يمكننا تحديد وظيفة R 8220plotForecastErrors () 8221، أدناه: سيكون لديك لنسخ وظيفة أعلاه إلى R من أجل استخدامه. يمكنك بعد ذلك استخدام بلوتفوريكاسترورس () لرسم رسم بياني (مع منحنى عادي مضاف إليه) لأخطاء التنبؤ بتنبؤات هطول الأمطار: توضح المؤامرة أن توزيع أخطاء التنبؤ يتمركز تقريبا على الصفر، ويتم توزيعها بشكل طبيعي أو أكثر، على الرغم من يبدو أن يكون منحرف قليلا إلى اليمين بالمقارنة مع منحنى العادي. ومع ذلك، فإن الانحراف الصحيح صغير نسبيا، ولذا فمن المعقول أن أخطاء التنبؤ توزع عادة مع متوسط ​​صفر. وأظهر اختبار لجونغ بوكس ​​أن هناك القليل من الأدلة على وجود ارتباطات ذاتية غير صفرية في أخطاء التنبؤ داخل العينة، ويبدو أن توزيع أخطاء التنبؤ موزعة عادة بمعدل صفر. وهذا يشير إلى أن طريقة التمهيد الأسي البسيط توفر نموذجا تنبؤيا كافيا لهطول الأمطار في لندن، وهو ما قد لا يمكن تحسينه. وعلاوة على ذلك، فإن الافتراضات التي تستند إلى الفواصل الزمنية للتنبؤات 80 و 95 تستند إلى (عدم وجود علاقة ذاتية في أخطاء التنبؤات، وعادة ما توزع أخطاء التنبؤ مع متوسط ​​الصفر والتباين الثابت) على الأرجح. Holt8217s التماسك الأسي إذا كان لديك سلسلة زمنية يمكن وصفها باستخدام نموذج إضافي مع الاتجاه المتزايد أو المتناقص وليس موسمية، يمكنك استخدام تمهيد هولت 8217s الأسي لجعل التوقعات على المدى القصير. ويقدر Holt8217s التمهيد الأسي مستوى والانحدار في نقطة الوقت الحالي. يتم التحكم بالتلميع بواسطة معلمتين، ألفا، لتقدير المستوى عند النقطة الزمنية الحالية، وبيتا لتقدير المنحدر b لعنصر الاتجاه في النقطة الزمنية الحالية. كما هو الحال مع التجانس الأسي البسيط، فإن قيمتي ألفا وبيتا لها قيم بين 0 و 1، والقيم التي تقترب من 0 تعني أن القليل من الوزن يوضع على الملاحظات الأخيرة عند وضع توقعات القيم المستقبلية. مثال على السلاسل الزمنية التي يمكن وصفها على الأرجح باستخدام نموذج مضافة مع اتجاه ولا موسمية هي سلسلة زمنية من قطرها السنوي من التنانير النسائية 8217s في تنحنح، من 1866 إلى 1911. تتوفر البيانات في ملف روجيندمانتسدلداتاروبيرتسكيرتس. دات (البيانات الأصلية من هيبل وماكلويد، 1994). يمكننا أن نقرأ في ورسم البيانات في R عن طريق كتابة: يمكننا أن نرى من المؤامرة التي كانت هناك زيادة في قطر تنحنح من حوالي 600 في عام 1866 إلى حوالي 1050 في عام 1880، وبعد ذلك انخفض قطر تنحنح إلى حوالي 520 في عام 1911.لإجراء التنبؤات، يمكننا أن نلائم نموذج تنبؤي باستخدام الدالة هولتوينترس () في R. لاستخدام هولتوينترز () ل هولتوينترز الأسي، يجب أن نضع المعلمة غامافالس (يتم استخدام المعلمة غاما ل هولت-وينترس الأسي التمهيد، كما هو موضح أدناه). على سبيل المثال، لاستخدام هولت 8217s التمهيد الأسي لتناسب نموذج تنبئي للتنورة تنحنح القطر، ونحن نكتب: القيمة المقدرة ألفا هو 0.84، وبيتا هو 1.00. وكلاهما مرتفع، ويخبرنا أن تقدير القيمة الحالية للمستوى، والمنحدر (ب) لعنصر الاتجاه، يستندان في معظمه إلى ملاحظات حديثة جدا في السلاسل الزمنية. وهذا يجعل الشعور بديهية جيدة، منذ مستوى ومنحدر السلاسل الزمنية على حد سواء تغيير الكثير جدا مع مرور الوقت. قيمة أخطاء مجموع المربعات لأخطاء التنبؤ في العينة هي 16954. يمكننا رسم السلسلة الزمنية الأصلية كخط أسود، مع القيم المتوقعة كخط أحمر فوق ذلك، من خلال كتابة: نحن يمكن أن نرى من الصورة أن التنبؤات داخل العينة تتفق بشكل جيد مع القيم الملحوظة، على الرغم من أنها تميل إلى التخلف عن القيم الملحوظة قليلا. إذا كنت ترغب في ذلك، يمكنك تحديد القيم الأولية للمستوى والمنحدر b من مكون الاتجاه باستخدام الدالات 8220l. start8221 و 8220b. start8221 للدالة هولتوينترس (). ومن الشائع تحديد القيمة الأولية للمستوى إلى القيمة الأولى في السلسلة الزمنية (608 لبيانات التنانير)، والقيمة الأولية للمنحدر إلى القيمة الثانية مطروحا منها القيمة الأولى (9 بالنسبة إلى بيانات التنانير). على سبيل المثال، لتتناسب مع نموذج تنبؤي لبيانات تنحنح تنورة باستخدام التجانس الأسي هولت 8217s، مع القيم الأولية من 608 للمستوى و 9 للمنحدر ب من عنصر الاتجاه، ونحن نكتب: أما بالنسبة للتمهيد الأسي بسيط، يمكننا أن نجعل التنبؤات لأوقات مستقبلية لا تغطيها السلسلة الزمنية الأصلية باستخدام وظيفة التنبؤ. هولتوينترس () في حزمة 8220forecast8221. على سبيل المثال، كانت بيانات السلاسل الزمنية للتنورة هي 1866 إلى 1911، لذلك يمكننا أن نجعل التنبؤات لعام 1912 إلى 1930 (19 نقطة بيانات إضافية)، ورسمها، عن طريق كتابة: تظهر التوقعات كخط أزرق، مع 80 فترات كمنطقة برتقالية مظللة، وفترات التنبؤ 95 كمنطقة مظللة صفراء. أما بالنسبة للتجانس الأسي البسيط فيمكننا التحقق مما إذا كان من الممكن تحسين النموذج التنبئي عن طريق التحقق مما إذا كانت أخطاء التنبؤ داخل العينة تظهر ارتباطات ذاتية غير صفرية عند الفترات الزمنية 1-20. على سبيل المثال، لبيانات تنحنح تنورة، يمكننا أن نجعل من الرسم البياني، وإجراء اختبار يجونغ بوكس، عن طريق كتابة: هنا يظهر الرسم البياني أن الارتباط الذاتي العينة لأخطاء التنبؤ في العينة في تأخر 5 يتجاوز حدود الأهمية. ومع ذلك، فإننا نتوقع واحد في 20 من أوتوكوريلاتيونس لأول عشرين الفترات تتجاوز حدود الأهمية 95 عن طريق الصدفة وحدها. في الواقع، عندما نقوم بإجراء اختبار يجونغ بوكس، قيمة p هي 0.47، مما يدل على أن هناك القليل من الأدلة على عدم الصفر أوتوكوريلاتيونس في أخطاء التنبؤ داخل العينة في الفترات الزمنية 1-20. أما بالنسبة للتجانس الأسي البسيط، فينبغي أن نتحقق أيضا من أن أخطاء التنبؤ لها تباين ثابت مع مرور الوقت، وتوزع عادة بمتوسط ​​صفر. ويمكننا أن نفعل ذلك من خلال وضع مخطط زمني لأخطاء التنبؤات، ورسم بياني لتوزيع أخطاء التنبؤ مع منحنى عادي مضاف إليه: توضح المؤامرة الزمنية لأخطاء التنبؤ أن أخطاء التنبؤ لها تباين ثابت تقريبا مع مرور الوقت. ويبين الرسم البياني لأخطاء التنبؤ أنه من المعقول أن تكون أخطاء التنبؤ موزعة عادة بمتوسط ​​صفر وتغير ثابت. وهكذا، يظهر اختبار لجونغ بوكس ​​أن هناك القليل من الأدلة على الارتباطات التلقائية في أخطاء التنبؤ، في حين أن مؤامرة الوقت والمخطط البياني لأخطاء التنبؤ تبين أنه من المعقول أن يتم توزيع أخطاء التنبؤ عادة مع متوسط ​​الصفر والتباين المستمر. لذلك، يمكننا أن نستنتج أن هولت 8217s الأسي التمهيد يوفر نموذج تنبؤي كاف للتنورة تنحنح أقطار، والتي ربما لا يمكن تحسينها على. وبالإضافة إلى ذلك، فإن ذلك يعني أن الافتراضات التي تستند إلى الفترات الزمنية للتنبؤات 80 و 95 قد تكون صحيحة. هولت-وينترس الأسي التنعيم إذا كان لديك سلسلة زمنية يمكن وصفها باستخدام نموذج المضافة مع زيادة أو انخفاض الاتجاه والموسمية، يمكنك استخدام هولت الشتاء الشتاء الأسي لجعل التنبؤات على المدى القصير. هولت-وينترس الأسي التمهيد يقدر المستوى، المنحدر والمكون الموسمية في الوقت الحالي نقطة. يتم التحكم بالتلميع بثلاث معلمات: ألفا، بيتا، و غاما، لتقديرات المستوى، المنحدر b لعنصر الاتجاه، والمكون الموسمي، على التوالي، عند النقطة الزمنية الحالية. وتتراوح قيم المعلمات ألفا وبيتا و غاما بين 0 و 1، والقيم القريبة من 0 تعني أن الوزن القليل نسبيا يوضع على الملاحظات الأخيرة عند وضع توقعات للقيم المستقبلية. ومن الأمثلة على السلاسل الزمنية التي يمكن وصفها على الأرجح باستخدام نموذج مضاف مع الاتجاه والموسمية هو التسلسل الزمني لسجل المبيعات الشهرية لمتجر الهدايا التذكارية في مدينة منتجع على الشاطئ في كوينزلاند بأستراليا (تمت مناقشته أعلاه): التنبؤات، ونحن يمكن أن يصلح نموذج التنبؤي باستخدام وظيفة هولتوينترس (). على سبيل المثال، لتناسب نموذج تنبؤي لسجل المبيعات الشهرية في متجر الهدايا التذكارية، نكتب: القيم المقدرة ألفا وبيتا وغاما هي 0.41، 0.00، و 0.96 على التوالي. قيمة ألفا (0.41) منخفضة نسبيا، مما يشير إلى أن تقدير المستوى في الوقت الحالي يستند إلى الملاحظات الأخيرة وبعض الملاحظات في الماضي البعيد. وتبلغ قيمة بيتا 0.00، مما يشير إلى أن تقدير المنحدر b لمكون الاتجاه لا يتم تحديثه على مدى السلاسل الزمنية، وبدلا من ذلك يتم تعيينه مساويا لقيمته الأولية. وهذا يجعل الشعور بديهية جيدة، كما يتغير مستوى قليلا على مدى سلسلة زمنية، ولكن المنحدر ب من عنصر الاتجاه لا يزال تقريبا نفس. وعلى النقيض من ذلك، فإن قيمة غاما (0.96) مرتفعة، مما يشير إلى أن تقدير العنصر الموسمية في النقطة الزمنية الحالية يستند فقط إلى ملاحظات حديثة جدا. أما بالنسبة للتمهيد الأسي بسيط و هولت 8217s التمهيد الأسي، يمكننا رسم سلسلة الوقت الأصلي كخط أسود، مع القيم المتوقعة كخط أحمر على رأس ذلك: ونحن نرى من مؤامرة أن الأساليب هولت الشتاء الأسية هي ناجحة جدا في التنبؤ بالقمم الموسمية، والتي تحدث تقريبا في نوفمبر من كل عام. لجعل التنبؤات في الأوقات المستقبلية غير المدرجة في السلسلة الزمنية الأصلية، نستخدم 8220forecast. HoltWinters () 8221 الدالة في 8220forecast8221 الحزمة. على سبيل المثال، البيانات الأصلية لمبيعات الهدايا التذكارية هي من كانون الثاني / يناير 1987 إلى كانون الأول / ديسمبر 1993. وإذا أردنا أن نجعل التنبؤات من كانون الثاني / يناير 1994 إلى كانون الأول / ديسمبر 1998 (48 شهرا أخرى)، ورسم التوقعات، سنكتب: خط أزرق، والمناطق البرتقالية والأصفر المظللة تظهر 80 و 95 فترات التنبؤ، على التوالي. ويمكننا التحقيق فيما إذا كان بالإمكان تحسين النموذج التنبئي عن طريق التحقق مما إذا كانت أخطاء التنبؤ داخل العينة تظهر أوتوكوريلاتيونس غير الصفر عند الفترات الزمنية 1-20، من خلال إجراء رسم تشعبي وإجراء اختبار لجونغ بوكس: يوضح الرسم البياني أن الارتباطات التلقائية (أوتوكوريلاتيونس) لأن أخطاء التنبؤ داخل العينة لا تتجاوز حدود الأهمية للتخلف 1-20. وعلاوة على ذلك، فإن قيمة p للاختبار يجونغ بوكس ​​هو 0.6، مشيرا إلى أن هناك القليل من الأدلة على أوتوكوريلاتيونس غير الصفر في التأخر 1-20. ويمكننا التحقق مما إذا كانت أخطاء التنبؤ لها تباين مستمر مع مرور الوقت، وتوزع عادة بمتوسط ​​صفر، وذلك بوضع مخطط زمني لأخطاء التنبؤات ومدرج بياني (مع منحنى عادي مضاف إليه): من المؤامرة الزمنية، يبدو من المعقول أن أخطاء التنبؤ لها تباين مستمر مع مرور الوقت. من الرسم البياني لأخطاء التنبؤ، يبدو من المعقول أن يتم توزيع أخطاء التنبؤ عادة مع متوسط ​​صفر. وهكذا، لا يوجد دليل ضئيل على الترابط الذاتي عند الفترات الزمنية 1-20 لأخطاء التنبؤ، ويبدو أن أخطاء التنبؤ توزع عادة بمتوسط ​​صفر وتغير ثابت مع مرور الوقت. هذا يشير إلى أن هولت-وينترس الأسي التمهيد يوفر نموذج تنبؤي كاف من سجل المبيعات في متجر للهدايا التذكارية، والتي ربما لا يمكن تحسينها. Furthermore, the assumptions upon which the prediction intervals were based are probably valid. ARIMA Models Exponential smoothing methods are useful for making forecasts, and make no assumptions about the correlations between successive values of the time series. However, if you want to make prediction intervals for forecasts made using exponential smoothing methods, the prediction intervals require that the forecast errors are uncorrelated and are normally distributed with mean zero and constant variance. While exponential smoothing methods do not make any assumptions about correlations between successive values of the time series, in some cases you can make a better predictive model by taking correlations in the data into account. Autoregressive Integrated Moving Average (ARIMA) models include an explicit statistical model for the irregular component of a time series, that allows for non-zero autocorrelations in the irregular component. Differencing a Time Series ARIMA models are defined for stationary time series. Therefore, if you start off with a non-stationary time series, you will first need to 8216difference8217 the time series until you obtain a stationary time series. If you have to difference the time series d times to obtain a stationary series, then you have an ARIMA(p, d,q) model, where d is the order of differencing used. You can difference a time series using the 8220diff()8221 function in R. For example, the time series of the annual diameter of women8217s skirts at the hem, from 1866 to 1911 is not stationary in mean, as the level changes a lot over time: We can difference the time series (which we stored in 8220skirtsseries8221, see above) once, and plot the differenced series, by typing: The resulting time series of first differences (above) does not appear to be stationary in mean. Therefore, we can difference the time series twice, to see if that gives us a stationary time series: Formal tests for stationarity Formal tests for stationarity called 8220unit root tests8221 are available in the fUnitRoots package, available on CRAN, but will not be discussed here. The time series of second differences (above) does appear to be stationary in mean and variance, as the level of the series stays roughly constant over time, and the variance of the series appears roughly constant over time. Thus, it appears that we need to difference the time series of the diameter of skirts twice in order to achieve a stationary series. If you need to difference your original time series data d times in order to obtain a stationary time series, this means that you can use an ARIMA(p, d,q) model for your time series, where d is the order of differencing used. For example, for the time series of the diameter of women8217s skirts, we had to difference the time series twice, and so the order of differencing (d) is 2. This means that you can use an ARIMA(p,2,q) model for your time series. The next step is to figure out the values of p and q for the ARIMA model. Another example is the time series of the age of death of the successive kings of England (see above): From the time plot (above), we can see that the time series is not stationary in mean. To calculate the time series of first differences, and plot it, we type: The time series of first differences appears to be stationary in mean and variance, and so an ARIMA(p,1,q) model is probably appropriate for the time series of the age of death of the kings of England. By taking the time series of first differences, we have removed the trend component of the time series of the ages at death of the kings, and are left with an irregular component. We can now examine whether there are correlations between successive terms of this irregular component if so, this could help us to make a predictive model for the ages at death of the kings. Selecting a Candidate ARIMA Model If your time series is stationary, or if you have transformed it to a stationary time series by differencing d times, the next step is to select the appropriate ARIMA model, which means finding the values of most appropriate values of p and q for an ARIMA(p, d,q) model. To do this, you usually need to examine the correlogram and partial correlogram of the stationary time series. To plot a correlogram and partial correlogram, we can use the 8220acf()8221 and 8220pacf()8221 functions in R, respectively. To get the actual values of the autocorrelations and partial autocorrelations, we set 8220plotFALSE8221 in the 8220acf()8221 and 8220pacf()8221 functions. Example of the Ages at Death of the Kings of England For example, to plot the correlogram for lags 1-20 of the once differenced time series of the ages at death of the kings of England, and to get the values of the autocorrelations, we type: We see from the correlogram that the autocorrelation at lag 1 (-0.360) exceeds the significance bounds, but all other autocorrelations between lags 1-20 do not exceed the significance bounds. To plot the partial correlogram for lags 1-20 for the once differenced time series of the ages at death of the English kings, and get the values of the partial autocorrelations, we use the 8220pacf()8221 function, by typing: The partial correlogram shows that the partial autocorrelations at lags 1, 2 and 3 exceed the significance bounds, are negative, and are slowly decreasing in magnitude with increasing lag (lag 1: -0.360, lag 2: -0.335, lag 3:-0.321). The partial autocorrelations tail off to zero after lag 3. Since the correlogram is zero after lag 1, and the partial correlogram tails off to zero after lag 3, this means that the following ARMA (autoregressive moving average) models are possible for the time series of first differences: an ARMA(3,0) model, that is, an autoregressive model of order p3, since the partial autocorrelogram is zero after lag 3, and the autocorrelogram tails off to zero (although perhaps too abruptly for this model to be appropriate) an ARMA(0,1) model, that is, a moving average model of order q1, since the autocorrelogram is zero after lag 1 and the partial autocorrelogram tails off to zero an ARMA(p, q) model, that is, a mixed model with p and q greater than 0, since the autocorrelogram and partial correlogram tail off to zero (although the correlogram probably tails off to zero too abruptly for this model to be appropriate) We use the principle of parsimony to decide which model is best: that is, we assum e that the model with the fewest parameters is best. The ARMA(3,0) model has 3 parameters, the ARMA(0,1) model has 1 parameter, and the ARMA(p, q) model has at least 2 parameters. Therefore, the ARMA(0,1) model is taken as the best model. An ARMA(0,1) model is a moving average model of order 1, or MA(1) model. This model can be written as: Xt - mu Zt - (theta Zt-1), where Xt is the stationary time series we are studying (the first differenced series of ages at death of English kings), mu is the mean of time series Xt, Zt is white noise with mean zero and constant variance, and theta is a parameter that can be estimated. A MA (moving average) model is usually used to model a time series that shows short-term dependencies between successive observations. Intuitively, it makes good sense that a MA model can be used to describe the irregular component in the time series of ages at death of English kings, as we might expect the age at death of a particular English king to have some effect on the ages at death of the next king or two, but not much effect on the ages at death of kings that reign much longer after that. Shortcut: the auto. arima() function The auto. arima() function can be used to find the appropriate ARIMA model, eg. type 8220library(forecast)8221, then 8220auto. arima(kings)8221. The output says an appropriate model is ARIMA(0,1,1). Since an ARMA(0,1) model (with p0, q1) is taken to be the best candidate model for the time series of first differences of the ages at death of English kings, then the original time series of the ages of death can be modelled using an ARIMA(0,1,1) model (with p0, d1, q1, where d is the order of differencing required). Example of the Volcanic Dust Veil in the Northern Hemisphere Let8217s take another example of selecting an appropriate ARIMA model. The file file robjhyndmantsdldataannualdvi. dat contains data on the volcanic dust veil index in the northern hemisphere, from 1500-1969 (original data from Hipel and Mcleod, 1994). This is a measure of the impact of volcanic eruptions8217 release of dust and aerosols into the environment. We can read it into R and make a time plot by typing: From the time plot, it appears that the random fluctuations in the time series are roughly constant in size over time, so an additive model is probably appropriate for describing this time series. Furthermore, the time series appears to be stationary in mean and variance, as its level and variance appear to be roughly constant over time. Therefore, we do not need to difference this series in order to fit an ARIMA model, but can fit an ARIMA model to the original series (the order of differencing required, d, is zero here). We can now plot a correlogram and partial correlogram for lags 1-20 to investigate what ARIMA model to use: We see from the correlogram that the autocorrelations for lags 1, 2 and 3 exceed the significance bounds, and that the autocorrelations tail off to zero after lag 3. The autocorrelations for lags 1, 2, 3 are positive, and decrease in magnitude with increasing lag (lag 1: 0.666, lag 2: 0.374, lag 3: 0.162). The autocorrelation for lags 19 and 20 exceed the significance bounds too, but it is likely that this is due to chance, since they just exceed the significance bounds (especially for lag 19), the autocorrelations for lags 4-18 do not exceed the signifiance bounds, and we would expect 1 in 20 lags to exceed the 95 significance bounds by chance alone. From the partial autocorrelogram, we see that the partial autocorrelation at lag 1 is positive and exceeds the significance bounds (0.666), while the partial autocorrelation at lag 2 is negative and also exceeds the significance bounds (-0.126). The partial autocorrelations tail off to zero after lag 2. Since the correlogram tails off to zero after lag 3, and the partial correlogram is zero after lag 2, the following ARMA models are possible for the time series: an ARMA(2,0) model, since the partial autocorrelogram is zero after lag 2, and the correlogram tails off to zero after lag 3, and the partial correlogram is zero after lag 2 an ARMA(0,3) model, since the autocorrelogram is zero after lag 3, and the partial correlogram tails off to zero (although perhaps too abruptly for this model to be appropriate) an ARMA(p, q) mixed model, since the correlogram and partial correlogram tail off to zero (although the partial correlogram perhaps tails off too abruptly for this model to be appropriate) Shortcut: the auto. arima() function Again, we can use auto. arima() to find an appropriate model, by typing 8220auto. arima(volcanodust)8221, which gives us ARIMA(1,0,2), which has 3 parameters. However, different criteria can be used to select a model (see auto. arima() help page). If we use the 8220bic8221 criterion, which penalises the number of parameters, we get ARIMA(2,0,0), which is ARMA(2,0): 8220auto. arima(volcanodust, ic8221bic8221)8221. The ARMA(2,0) model has 2 parameters, the ARMA(0,3) model has 3 parameters, and the ARMA(p, q) model has at least 2 parameters. Therefore, using the principle of parsimony, the ARMA(2,0) model and ARMA(p, q) model are equally good candidate models. An ARMA(2,0) model is an autoregressive model of order 2, or AR(2) model. This model can be written as: Xt - mu (Beta1 (Xt-1 - mu)) (Beta2 (Xt-2 - mu)) Zt, where Xt is the stationary time series we are studying (the time series of volcanic dust veil index), mu is the mean of time series Xt, Beta1 and Beta2 are parameters to be estimated, and Zt is white noise with mean zero and constant variance. An AR (autoregressive) model is usually used to model a time series which shows longer term dependencies between successive observations. Intuitively, it makes sense that an AR model could be used to describe the time series of volcanic dust veil index, as we would expect volcanic dust and aerosol levels in one year to affect those in much later years, since the dust and aerosols are unlikely to disappear quickly. If an ARMA(2,0) model (with p2, q0) is used to model the time series of volcanic dust veil index, it would mean that an ARIMA(2,0,0) model can be used (with p2, d0, q0, where d is the order of differencing required). Similarly, if an ARMA(p, q) mixed model is used, where p and q are both greater than zero, than an ARIMA(p,0,q) model can be used. Forecasting Using an ARIMA Model Once you have selected the best candidate ARIMA(p, d,q) model for your time series data, you can estimate the parameters of that ARIMA model, and use that as a predictive model for making forecasts for future values of your time series. You can estimate the parameters of an ARIMA(p, d,q) model using the 8220arima()8221 function in R. Example of the Ages at Death of the Kings of England For example, we discussed above that an ARIMA(0,1,1) model seems a plausible model for the ages at deaths of the kings of England. You can specify the values of p, d and q in the ARIMA model by using the 8220order8221 argument of the 8220arima()8221 function in R. To fit an ARIMA(p, d,q) model to this time series (which we stored in the variable 8220kingstimeseries8221, see above), we type: As mentioned above, if we are fitting an ARIMA(0,1,1) model to our time series, it means we are fitting an an ARMA(0,1) model to the time series of first differences. An ARMA(0,1) model can be written Xt - mu Zt - (theta Zt-1), where theta is a parameter to be estimated. From the output of the 8220arima()8221 R function (above), the estimated value of theta (given as 8216ma18217 in the R output) is -0.7218 in the case of the ARIMA(0,1,1) model fitted to the time series of ages at death of kings. Specifying the confidence level for prediction intervals You can specify the confidence level for prediction intervals in forecast. Arima() by using the 8220level8221 argument. For example, to get a 99.5 prediction interval, we would type 8220forecast. Arima(kingstimeseriesarima, h5, levelc(99.5))8221. We can then use the ARIMA model to make forecasts for future values of the time series, using the 8220forecast. Arima()8221 function in the 8220forecast8221 R package. For example, to forecast the ages at death of the next five English kings, we type: The original time series for the English kings includes the ages at death of 42 English kings. The forecast. Arima() function gives us a forecast of the age of death of the next five English kings (kings 43-47), as well as 80 and 95 prediction intervals for those predictions. The age of death of the 42nd English king was 56 years (the last observed value in our time series), and the ARIMA model gives the forecasted age at death of the next five kings as 67.8 years. We can plot the observed ages of death for the first 42 kings, as well as the ages that would be predicted for these 42 kings and for the next 5 kings using our ARIMA(0,1,1) model, by typing: As in the case of exponential smoothing models, it is a good idea to investigate whether the forecast errors of an ARIMA model are normally distributed with mean zero and constant variance, and whether the are correlations between successive forecast errors. For example, we can make a correlogram of the forecast errors for our ARIMA(0,1,1) model for the ages at death of kings, and perform the Ljung-Box test for lags 1-20, by typing: Since the correlogram shows that none of the sample autocorrelations for lags 1-20 exceed the significance bounds, and the p-value for the Ljung-Box test is 0.9, we can conclude that there is very little evidence for non-zero autocorrelations in the forecast errors at lags 1-20. To investigate whether the forecast errors are normally distributed with mean zero and constant variance, we can make a time plot and histogram (with overlaid normal curve) of the forecast errors: The time plot of the in-sample forecast errors shows that the variance of the forecast errors seems to be roughly constant over time (though perhaps there is slightly higher variance for the second half of the time series). The histogram of the time series shows that the forecast errors are roughly normally distributed and the mean seems to be close to zero. Therefore, it is plausible that the forecast errors are normally distributed with mean zero and constant variance. Since successive forecast errors do not seem to be correlated, and the forecast errors seem to be normally distributed with mean zero and constant variance, the ARIMA(0,1,1) does seem to provide an adequate predictive model for the ages at death of English kings. Example of the Volcanic Dust Veil in the Northern Hemisphere We discussed above that an appropriate ARIMA model for the time series of volcanic dust veil index may be an ARIMA(2,0,0) model. To fit an ARIMA(2,0,0) model to this time series, we can type: As mentioned above, an ARIMA(2,0,0) model can be written as: written as: Xt - mu (Beta1 (Xt-1 - mu)) (Beta2 (Xt-2 - mu)) Zt, where Beta1 and Beta2 are parameters to be estimated. The output of the arima() function tells us that Beta1 and Beta2 are estimated as 0.7533 and -0.1268 here (given as ar1 and ar2 in the output of arima()). Now we have fitted the ARIMA(2,0,0) model, we can use the 8220forecast. ARIMA()8221 model to predict future values of the volcanic dust veil index. The original data includes the years 1500-1969. To make predictions for the years 1970-2000 (31 more years), we type: We can plot the original time series, and the forecasted values, by typing: One worrying thing is that the model has predicted negative values for the volcanic dust veil index, but this variable can only have positive values The reason is that the arima() and forecast. Arima() functions don8217t know that the variable can only take positive values. Clearly, this is not a very desirable feature of our current predictive model. Again, we should investigate whether the forecast errors seem to be correlated, and whether they are normally distributed with mean zero and constant variance. To check for correlations between successive forecast errors, we can make a correlogram and use the Ljung-Box test: The correlogram shows that the sample autocorrelation at lag 20 exceeds the significance bounds. However, this is probably due to chance, since we would expect one out of 20 sample autocorrelations to exceed the 95 significance bounds. Furthermore, the p-value for the Ljung-Box test is 0.2, indicating that there is little evidence for non-zero autocorrelations in the forecast errors for lags 1-20. To check whether the forecast errors are normally distributed with mean zero and constant variance, we make a time plot of the forecast errors, and a histogram: The time plot of forecast errors shows that the forecast errors seem to have roughly constant variance over time. However, the time series of forecast errors seems to have a negative mean, rather than a zero mean. We can confirm this by calculating the mean forecast error, which turns out to be about -0.22: The histogram of forecast errors (above) shows that although the mean value of the forecast errors is negative, the distribution of forecast errors is skewed to the right compared to a normal curve. Therefore, it seems that we cannot comfortably conclude that the forecast errors are normally distributed with mean zero and constant variance Thus, it is likely that our ARIMA(2,0,0) model for the time series of volcanic dust veil index is not the best model that we could make, and could almost definitely be improved upon Links and Further Reading Here are some links for further reading. For a more in-depth introduction to R, a good online tutorial is available on the 8220Kickstarting R8221 website, cran. r-project. orgdoccontribLemon-kickstart . There is another nice (slightly more in-depth) tutorial to R available on the 8220Introduction to R8221 website, cran. r-project. orgdocmanualsR-intro. html . You can find a list of R packages for analysing time series data on the CRAN Time Series Task View webpage . To learn about time series analysis, I would highly recommend the book 8220Time series8221 (product code M24902) by the Open University, available from the Open University Shop . There are two books available in the 8220Use R8221 series on using R for time series analyses, the first is Introductory Time Series with R by Cowpertwait and Metcalfe, and the second is Analysis of Integrated and Cointegrated Time Series with R by Pfaff. Acknowledgements I am grateful to Professor Rob Hyndman. for kindly allowing me to use the time series data sets from his Time Series Data Library (TSDL) in the examples in this booklet. Many of the examples in this booklet are inspired by examples in the excellent Open University book, 8220Time series8221 (product code M24902), available from the Open University Shop . Thank you to Ravi Aranke for bringing auto. arima() to my attention, and Maurice Omane-Adjepong for bringing unit root tests to my attention, and Christian Seubert for noticing a small bug in plotForecastErrors(). Thank you for other comments to Antoine Binard and Bill Johnston. I will be grateful if you will send me (Avril Coghlan) corrections or suggestions for improvements to my email address alc 64 sanger 46 ac 46 ukTime Series Analysis and Its Applications: With R Examples R time series quick fix The page uses JavaScript for syntax highlighting. ليس من الضروري تشغيله، ولكن سوف يكون من الصعب قراءة التعليمات البرمجية. هذا هو مجرد نزهة قصيرة في الوقت المحدد سيريس حارة. نصيحتي هي لفتح R واللعب جنبا إلى جنب مع البرنامج التعليمي. نأمل، قمت بتثبيت R وجدت رمز على سطح المكتب الخاص بك الذي يبدو وكأنه R. حسنا، هو R. إذا كنت تستخدم لينكس، ثم التوقف عن النظر لأنه ليس هناك. مجرد فتح محطة وأدخل R (أو تثبيت R ستوديو.) إذا كنت تريد المزيد على الرسومات سلسلة الوقت، وخاصة باستخدام ggplot2. راجع الرسومات سريعة الإصلاح. ويهدف الإصلاح السريع لفضح لك الأساسية R قدرات سلسلة الوقت ويتم تصنيف متعة للأشخاص الذين تتراوح أعمارهم بين 8 إلى 80. وهذا ليس المقصود أن يكون درسا في تحليل سلسلة زمنية، ولكن إذا كنت تريد واحد، قد حاول هذا قصيرة سهلة بالطبع: لوز خطوات الطفل. أول جلسة R. الحصول على مريحة، ثم تبدأ لها ومحاولة بعض إضافة بسيطة: حسنا، الآن أنت خبير استخدام R. كانوا يحصلون على أستسا الآن: الآن بعد أن قمت بتحميلها، يمكننا أن نبدأ. دعونا نذهب أولا، ولعب جيدا مع مجموعة بيانات جونسون أمبير جونسون. وشملت في أستسا كما جي. أن دينوميت حرف من الأوقات الجيدة. أولا، ننظر في الأمر. وترى أن جي هو مجموعة من 84 أرقام تسمى كائن سلسلة زمنية. سيريموف الكائنات الخاصة بك: إذا كنت ماتلاب (أو ما شابه) المستخدم، قد تعتقد جي هو 84 مرة 1 ناقلات، ولكن لا. لديها النظام وطول، ولكن لا أبعاد (أي صفوف، لا أعمدة). R يدعو هذه الأنواع من ناقلات الكائنات لذلك عليك أن تكون حذرا. في R، المصفوفات لها أبعاد ولكن ناقلات لا - أنها مجرد نوع من تعلق حول في الفضاء الإلكتروني. الآن، دعونا جعل كائن سلسلة الوقت الشهري الذي يبدأ في يونيو من عام 2293. ندخل دوامة. لاحظ أن بيانات جونسون و جونسون هي أرباح ربع سنوية، وبالتالي فإن لديها تردد 4. سلسلة زمنية زردوز هي البيانات الشهرية، وبالتالي فقد تردد 12. يمكنك أيضا الحصول على بعض الأشياء المفيدة مع كائن تيسي، على سبيل المثال: الآن محاولة مؤامرة من بيانات جونسون جونسون: الرسم البياني هو أكثر نزوة قليلا من رمز سيعطي. لمزيد من التفاصيل، راجع صفحة "إصلاح الرسومات السريعة". هذا ينطبق على بقية المؤامرات سترى هنا. جرب هذه ومعرفة ما يحدث: وأثناء وجودك هنا، تحقق من plot. ts و ts. plot. لاحظ أنه إذا كانت البيانات الخاصة بك كائن سلسلة زمنية، سوف مؤامرة () تفعل خدعة (لمؤامرة زمنية بسيطة، وهذا هو). وإلا، سوف plot. ts () إكراه الرسم في مؤامرة زمنية. ماذا عن الترشيحطرق سلسلة جونسون أمب جونسون باستخدام متوسط ​​متحرك من جانبين يتيح محاولة هذا: فج (t) 8539 جي (t-2) frac14 جي (t) 1 frac14 جي (t) frac14 جي (t1) 8539 جي t2) وأيضا إضافة لويس (لويس - أنت تعرف الروتين) تناسب للمتعة. يتيح الفرق تسجيل البيانات وندعوه دلج. ثم لعب بشكل جيد مع دلجي. الآن رسم بياني ومؤامرة Q-Q، واحدة على رأس الأخرى (ولكن بطريقة لطيفة): يتيح التحقق من هيكل الارتباط دلجي باستخدام تقنيات مختلفة. أولا، ننظر جيدا في شبكة من سكاتيربلوتس من دلج (t) مقابل القيم المتخلفة. خطوط هي لويس تناسب والعينة أسف الأزرق في المربع. الآن يتيح إلقاء نظرة على أسف و باسف من دلجي. لاحظ أن محور لاغ هو من حيث التردد. لذلك 1،2،3،4،5 تتوافق مع التأخر 4،8،12،16،20 لأن التردد 4 هنا. إذا كنت لا تحب هذا النوع من العلامات، يمكنك استبدال دلج في أي من أعلاه من قبل تيسي (دلجي، freq1) على سبيل المثال. أسف (تيسي (دلج، freq1)، 20) الانتقال، يتيح محاولة تحلل هيكلي من سجل (جي) خطأ موسم الاتجاه باستخدام لويس. إذا كنت ترغب في فحص البقايا، على سبيل المثال، ثيري في dogtime. series، 3. العمود الثالث من السلسلة الناتجة (المكونات الموسمية والاتجاه في العمودين 1 و 2). تحقق من أسف من المخلفات، أسف (dogtime. series، 3) بقايا أرنت أبيض - لا حتى قريبة. يمكنك أن تفعل قليلا (القليل جدا) أفضل باستخدام نافذة الموسمية المحلية، بدلا من النافذة العالمية المستخدمة من قبل تحديد لكل. اكتب ستل للحصول على التفاصيل. ثيريس أيضا شيء يسمى ستروكتس التي من شأنها أن تناسب النماذج الهيكلية البارامترية. نحن لا نستخدم هذه الوظائف في النص عندما نقدم النمذجة الهيكلية في الفصل 6 لأننا نفضل استخدام برامجنا الخاصة. لوز هذا هو الوقت المناسب لشرح. في ما سبق، الكلب هو كائن يحتوي على مجموعة من الأشياء (المصطلح التقني). إذا كنت اكتب الكلب. سترى المكونات، وإذا قمت بكتابة ملخص (الكلب) عليك الحصول على ملخص قليلا من النتائج. واحد من مكونات الكلب هو time. series. الذي يحتوي على سلسلة الناتجة (الموسمية، الاتجاه، والباقي). لرؤية هذا المكون من كلب الكائن. يمكنك كتابة dogtime. series (وسترى 3 سلسلة، وآخر منها يحتوي على المخلفات). وهذه هي قصة. سترى المزيد من الأمثلة ونحن نتحرك على طول. والآن جيدا مشكلة من الفصل 2. كانت لتناسب سجل الانحدار (جي) بيتايمي ألفا 1 Q1 ألفا 2 Q2 ألفا 3 Q3 ألفا 4 Q4 إبسيلون حيث تشى هو مؤشر للربع الأول 1،2،3،4 . ثم فحص جيدا البقايا. يمكنك عرض مصفوفة نموذج (مع المتغيرات وهمية) بهذه الطريقة: الآن تحقق من ما حدث. ننظر إلى مؤامرة من الملاحظات والقيم المجهزة لها: مما يدل على أن مؤامرة من البيانات مع تناسب فرضه لا يستحق الفضاء السيبراني يستغرق. ولكن مؤامرة من المخلفات و أسف من المخلفات يستحق وزنه في جول: هل تلك البقايا تبدو بيضاء تجاهل الارتباط 0-تأخر، ودائما 1. تلميح: الجواب هو لا. وبالتالي فإن الانحدار أعلاه هو نوغاتوري. حتى ماذا يكون العلاج عذرا، عليك أن تأخذ الطبقة لأن هذا ليس درسا في السلاسل الزمنية. حذرت لك في الأعلى. عليك أن تكون حذرا عندما تراجعت سلسلة زمنية واحدة على مكونات متخلفة من آخر باستخدام لم (). هناك حزمة تسمى دينلم التي تجعل من السهل لتناسب الانحدارات المتخلفة، و إل مناقشة هذا الحق بعد هذا المثال. إذا كنت تستخدم لم (). ثم ما عليك القيام به هو ربط سلسلة معا باستخدام ts. intersect. إذا كنت لا التعادل سلسلة معا، فإنها لن تكون محاذاة بشكل صحيح. هيريس مثال على تراجع وفيات القلب والأوعية الدموية أسبوعيا (سمورت) على تلوث الجسيمات (جزء) في القيمة الحالية وأربعة أسابيع متأخرة (حوالي شهر). للحصول على تفاصيل حول مجموعة البيانات، راجع الفصل 2. تأكد من تحميل أستسا. ملاحظة: لم تكن هناك حاجة لإعادة تسمية تأخر (جزء، -4) إلى part4. مجرد مثال على ما يمكنك القيام به. بديل عن ما سبق هو دينلم الحزمة التي يجب أن تكون مثبتة، بطبيعة الحال (كما فعلنا ل أستسا هناك في البداية). بعد تثبيت الحزمة، يمكنك أن تفعل المثال السابق على النحو التالي: حسنا، وقتها لمحاكاة. العمود الفقري لمحاكاة أريما هو arima. sim (). وإليك بعض الأمثلة لا يظهر الإخراج هنا حتى أنت بنفسك. باستخدام أستسا من السهل لتناسب نموذج أريما: قد تكون أتساءل عن الفرق بين إيك و إيك أعلاه. لذلك عليك أن تقرأ النص أو فقط لا تقلق بشأن ذلك لأنه لا يستحق تخريب يومك التفكير في الأمر. ونعم، تلك البقايا تبدو بيضاء. إذا كنت تريد أن تفعل التنبؤ أريما، يتم تضمين sarima. for في أستسا. والآن لبعض الانحدار مع أخطاء أوتوكوريلاتد. وكان من المقرر أن يتناسب مع النموذج M t ألفا بيتات غاماب t t t حيث M t و P t هي نسبة الوفيات (كمورت) والجسيمات (الجزء)، و e t هو خطأ أوتوكورلاتد. أولا، القيام تناسب عملية شريان الحياة للسودان والتحقق من المخلفات: تناسب الآن نموذج التحليل المتبقي (لا يظهر) تبدو مثالية. هيريس نموذج أرماكس، M t بيتا 0 في 1 M t-1 في 2 M t-2 بيتا 1 t بيتا 2 T t-1 بيتا 3 P t بيتا 4 P t-4 e t. حيث قد يكون t t أوتوكورلاتد. أولا نحاول أرماكس (p2، q0)، ثم ننظر في بقايا وتحقيق ثيريس أي ارتباط اليسار، لذلك تم القيام به. وأخيرا، تحليل طيفي كيكي: هذا كل شيء في الوقت الراهن. إذا كنت تريد المزيد من الرسومات في الوقت المحدد، راجع صفحة الرسومات سريعة الإصلاح.2.2 نماذج الانتقال المتحرك (نماذج ما) نماذج السلاسل الزمنية المعروفة باسم نماذج أريما قد تتضمن مصطلحات الانحدار الذاتي و متوسط ​​متوسط ​​الحركة المتحرك. في الأسبوع الأول، تعلمنا مصطلح الانحدار الذاتي في نموذج سلسلة زمنية للمتغير x t قيمة متخلفة من x t. على سبيل المثال، مصطلح الانحدار الذاتي 1 تأخر هو x t-1 (مضروبا في معامل). يحدد هذا الدرس مصطلحات المتوسط ​​المتحرك. متوسط ​​المتوسط ​​المتحرك في نموذج السلاسل الزمنية هو خطأ سابق (مضروبا في معامل). واسمحوا (W أوفيرزيت N (0، sigma2w))، بمعنى أن w t هي متطابقة، موزعة بشكل مستقل، ولكل منها توزيع طبيعي يعني 0 و نفس التباين. (1) هو (شت مو وت theta1w) نموذج المتوسط ​​المتحرك الثاني، الذي يشير إليه ما (2) هو (شت مو wtta1w theta2w) ، التي يرمز إليها ما (q) هو (شت مو وت theta1w ثيتاو w النقاط ثيتاكو) ملاحظة. العديد من الكتب المدرسية والبرامج البرمجية تحدد النموذج مع علامات سلبية قبل الشروط. هذا لا يغير الخصائص النظرية العامة للنموذج، على الرغم من أنه لا يقلب علامات جبري لقيم معامل المقدرة و (غير مسقوفة) المصطلحات في صيغ ل أكفس والتباينات. تحتاج إلى التحقق من البرنامج للتحقق مما إذا كانت العلامات السلبية أو الإيجابية قد استخدمت من أجل كتابة النموذج المقدر بشكل صحيح. يستخدم R إشارات إيجابية في نموذجه الأساسي، كما نفعل هنا. الخصائص النظرية لسلسلة زمنية مع ما (1) نموذج لاحظ أن القيمة غير صفرية الوحيدة في أسف النظري هو تأخر 1. جميع أوتوكوريلاتيونس الأخرى هي 0. وبالتالي عينة أسف مع ارتباط ذاتي كبير فقط في تأخر 1 هو مؤشر لنموذج ما (1) ممكن. للطلاب المهتمين، والبراهين من هذه الخصائص هي ملحق لهذه النشرة. مثال 1 افترض أن نموذج ما (1) هو x t 10 w t .7 w t-1. حيث (الوزن الزائد N (0،1)). وبالتالي فإن معامل 1 0.7. وتعطى أسف النظرية من قبل مؤامرة من هذا أسف يتبع. المؤامرة فقط أظهرت هو أسف النظري ل ما (1) مع 1 0.7. ومن الناحية العملية، لن تقدم العينة عادة مثل هذا النمط الواضح. باستخدام R، قمنا بمحاكاة n 100 قيم عينة باستخدام النموذج x t 10 w t .7 w t-1 حيث w t إيد N (0،1). لهذه المحاكاة، وتتبع مؤامرة سلسلة زمنية من بيانات العينة. لا يمكننا أن نقول الكثير من هذه المؤامرة. وتأتي العينة أسف للبيانات المحاكاة. ونحن نرى ارتفاع في التأخر 1 تليها عموما القيم غير الهامة للتخلف الماضي 1. لاحظ أن العينة أسف لا يطابق النمط النظري لل ما الأساسية (1)، وهو أن جميع أوتوكوريلاتيونس للتخلف الماضي 1 سيكون 0.ويمكن أن يكون لعينة مختلفة عينة أسف مختلفة قليلا مبينة أدناه، ولكن من المرجح أن يكون لها نفس السمات العامة. الخصائص النظرية لسلسلة زمنية مع نموذج ما (2) بالنسبة للنموذج ما (2)، تكون الخصائص النظرية كما يلي: لاحظ أن القيم غير الصفرية الوحيدة في أسف النظرية هي للتخلف 1 و 2. أوتوكوريلاتيونس للتخلف العالي هي 0 لذلك، فإن عينة أسف مع أوتوكوريلاتيونس كبيرة في التأخر 1 و 2، ولكن أوتوكوريلاتيونس غير هامة لفترات أعلى يشير إلى احتمال ما (2) نموذج. إيد N (0،1). المعاملات هي 1 0.5 و 2 0.3. لأن هذا هو ما (2)، فإن أسف النظرية لها قيم غير صفرية فقط في التأخر 1 و 2. قيم أوتوكوريلاتيونس غير نازيرو هي مؤامرة من أسف النظري يتبع. وكما هو الحال دائما تقريبا، فإن بيانات العينة لن تتصرف تماما تماما كما النظرية. قمنا بمحاكاة n 150 قيم عينة للنموذج x t 10 w t .5 w t-1 .3 w t-2. حيث w t إيد N (0،1). وتأتي سلسلة المسلسلات الزمنية للبيانات. كما هو الحال مع مؤامرة سلسلة زمنية ل ما (1) عينة البيانات، لا يمكن أن أقول الكثير من ذلك. وتأتي العينة أسف للبيانات المحاكاة. النمط هو نموذجي في الحالات التي قد يكون نموذج ما (2) مفيدة. هناك اثنين من ارتفاع كبير إحصائيا في التأخر 1 و 2 تليها القيم غير الهامة للتخلف الأخرى. لاحظ أنه نظرا لخطأ أخذ العينات، فإن عينة أسف لا تتطابق مع النمط النظري بالضبط. أسف للجنرال ما (q) النماذج A خاصية نماذج ما (q) بشكل عام هو أن هناك أوتوكوريلاتيونس غير الصفرية للفواصل q الأولى و أوتوكوريلاتيونس 0 لجميع التأخر غ س. عدم تفرد الاتصال بين قيم 1 و (rho1) في ما (1) نموذج. في نموذج ما (1)، لأي قيمة 1. فإن المعاملة 1 المتبادلة تعطي نفس القيمة كمثال، تستخدم 0.5 ل 1. ثم استخدم 1 (0.5) 2 ل 1. تحصل على (rho1) 0.4 في كلتا الحالتين. لتلبية التقييد النظري يسمى العكوسة. فإننا نقيد نماذج ما (1) التي لها قيم ذات قيمة مطلقة أقل من 1. وفي المثال الذي أعطيت للتو، ستكون قيمة 0،5 قيمة معلمة مسموح بها، بينما لن تكون 1 10،5 2. قابلية نماذج ما يقال إن نموذج ما قابل للانعكاس إذا كان معادلا جبريا لنموذج أر غير محدود. من خلال التقارب، ونحن نعني أن معاملات أر تنخفض إلى 0 ونحن نعود إلى الوراء في الوقت المناسب. القابلية للانعكاس هي قيود مبرمجة في برامج السلاسل الزمنية المستخدمة لتقدير معاملات النماذج بشروط ما. انها ليست شيئا أننا تحقق في في تحليل البيانات. يتم إعطاء معلومات إضافية حول تقييد إنفرتيبيليتي ل ما (1) نماذج في الملحق. نظرية النظرية المتقدمة. وبالنسبة لنموذج ما (q) مع أسف محدد، لا يوجد سوى نموذج واحد قابل للانعكاس. والشرط الضروري للعكس هو أن للمعاملات قيم مثل المعادلة 1- 1 y-. - q y q 0 لديها حلول ل y التي تقع خارج دائرة الوحدة. رمز R للأمثلة في المثال 1، قمنا بتخطيط أسف النظري للنموذج x t 10 w t. 7w t-1. ومن ثم محاكاة n 150 قيم من هذا النموذج ورسم التسلسل الزمني للعينة و أسف العينة للبيانات المحاكية. وكانت الأوامر R المستخدمة في رسم أسف النظرية: acfma1ARMAacf (ماك (0.7)، lag. max10) 10 تأخر من أسف ل ما (1) مع thta1 0.7 متخلفة 0: 10 يخلق متغير اسمه التأخر التي تتراوح من 0 إلى 10. مؤامرة (1)، و xlemc1 (1، 10)، ييلبر، تيله، أسف الرئيسي ل ما (1) مع theta1 0.7) أبلين (h0) يضيف محور أفقي إلى المؤامرة يحدد الأمر الأول أسف ويخزن في كائن اسمه acfma1 (اختيارنا من الاسم). تتخطى مؤامرات الأمر المؤامرة (الأمر الثالث) مقابل قيم أكف للتخلف من 1 إلى 10. تسمي معلمة يلب المحور الصادي وتضع المعلمة الرئيسية عنوانا على المؤامرة. لمعرفة القيم العددية لل أسف ببساطة استخدام acfma1 الأمر. وقد أجريت المحاكاة والمؤامرات مع الأوامر التالية. xcarima. sim (n150، قائمة (ماك (0.7))) يحاكي n 150 القيم من ما (1) xxc10 يضيف 10 لجعل المتوسط ​​10. الافتراضية الافتراضية المحاكاة يعني 0. مؤامرة (x، تيب، مينسيمولاتد ما (1) البيانات) أسف (x، زليمك (1،10)، ميناكف لبيانات العينة المحاكاة) في المثال 2، قمنا بتخطيط أكف النظري للنموذج شت 10 w .5 w t-1 .3 w t-2. ومن ثم محاكاة n 150 قيم من هذا النموذج ورسم التسلسل الزمني للعينة و أسف العينة للبيانات المحاكية. كانت الأوامر R المستخدمة acfma2ARMAacf (ماك (0.5،0.3)، lag. max10) acfma2 متخلفة 0: 10 مؤامرة (تأخر، acfma2، زليمك (1،10)، يلابر، تيبه، أسف الرئيسي ل ما (2) مع ثيتا 0.5، (h0) xcarima. sim (n150، قائمة (ماك (0.5، 0.3))) xxc10 مؤامرة (x، تيب، الرئيسية مقلد ما (2) سلسلة أسف (x، زليمك (1،10) ميناكف لمحاكاة ما (2) البيانات) الملحق: دليل على خصائص ما (1) للطلاب المهتمين، وهنا هي البراهين للخصائص النظرية للنموذج ما (1). الفرق: النص (شت) النص (wt theta1 w) 0 النص (وت) النص (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) عندما h 1، التعبير السابق 1 ث 2. لأي h 2، التعبير السابق 0 والسبب هو أنه، بحكم تعريف استقلالها. E (w w w j) 0 لأي k j. علاوة على ذلك، لأن w w t يعني 0، E (w j w j) E (w j 2) w 2. لسلسلة زمنية، تطبيق هذه النتيجة للحصول على أسف المذكورة أعلاه. نموذج ما لا يمكن عكسه هو واحد التي يمكن أن تكون مكتوبة كنموذج لانهائية أجل أر التي تتقارب بحيث معاملات أر تتلاقى إلى 0 ونحن نتحرك بلا حدود مرة أخرى في الوقت المناسب. تثبت جيدا إنفرتيبيليتي ل ما (1) نموذج. ثم نستبدل العلاقة (2) ل w t-1 في المعادلة (1) (3) (زت وت theta1 (z - theta1w) wttata1z - theta2w) في الوقت t-2. المعادلة (2) يصبح نحن ثم بديلا العلاقة (4) ل w t-2 في المعادلة (3) (زت وت ثيتا z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) إذا كان علينا أن نواصل ( (زت وت theta1 z - theta21z thta31z - theta41z النقاط) لاحظ مع ذلك أنه إذا كان 1 1، فإن المعاملات ضرب ضرب من z زيادة (بلا حدود) في الحجم ونحن نعود إلى الوراء في زمن. ولمنع ذلك، نحتاج إلى 1 لتر 1. هذا هو شرط لنموذج ما (1) قابل للانعكاس. لانهائية النظام ما نموذج في الأسبوع 3، نرى أيضا أن أر (1) نموذج يمكن تحويلها إلى أمر لانهائي ما نموذج: (شت - mu وت phi1w نقاط phi21w phik1 ث النقاط مجموع phij1w) هذا الجمع من الماضي شروط الضوضاء البيضاء هو معروف كما التمثيل السببي لل أر (1). وبعبارة أخرى، x t هو نوع خاص من ما مع عدد لا حصر له من المصطلحات تعود في الوقت المناسب. وهذا ما يسمى أمر لا حصر له ما أو ما (). أمر محدود ما هو أمر لانهائي أر وأي أمر محدود أر هو أمر لانهائي ما. أذكر في الأسبوع 1، لاحظنا أن شرط ل أر ثابتة (1) هو أن 1 lt1. يتيح حساب فار (x t) باستخدام التمثيل السببي. هذه الخطوة الأخيرة تستخدم حقيقة أساسية حول السلسلة الهندسية التي تتطلب (phi1lt1) وإلا فإن السلسلة تتباعد. التنقل