<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>بایگانی‌های يش بيني قيمت قراردادهاي آتي سکه طلا با استفاده از مدل آريما در بورس کالاي ايران - ايران متلب</title>
	<atom:link href="https://matlab1.ir/tag/%D9%8A%D8%B4-%D8%A8%D9%8A%D9%86%D9%8A-%D9%82%D9%8A%D9%85%D8%AA-%D9%82%D8%B1%D8%A7%D8%B1%D8%AF%D8%A7%D8%AF%D9%87%D8%A7%D9%8A-%D8%A2%D8%AA%D9%8A-%D8%B3%DA%A9%D9%87-%D8%B7%D9%84%D8%A7-%D8%A8%D8%A7-%D8%A7/feed/" rel="self" type="application/rss+xml" />
	<link>https://matlab1.ir/tag/يش-بيني-قيمت-قراردادهاي-آتي-سکه-طلا-با-ا/</link>
	<description>مرجع فیلم های آموزشی فارسی دانشگاهی و مهندسی</description>
	<lastBuildDate>Wed, 04 Sep 2019 08:23:13 +0000</lastBuildDate>
	<language>fa-IR</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	

<image>
	<url>https://matlab1.ir/wp-content/uploads/2017/08/ref_a2-150x150.png</url>
	<title>بایگانی‌های يش بيني قيمت قراردادهاي آتي سکه طلا با استفاده از مدل آريما در بورس کالاي ايران - ايران متلب</title>
	<link>https://matlab1.ir/tag/يش-بيني-قيمت-قراردادهاي-آتي-سکه-طلا-با-ا/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>فیلم آموزش فارسی مدلسازی آریما ARIMA در متلب</title>
		<link>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%85%d8%af%d9%84%d8%b3%d8%a7%d8%b2%db%8c-%d8%a2%d8%b1%db%8c%d9%85%d8%a7-arima-%d8%af%d8%b1-%d9%85%d8%aa%d9%84/</link>
					<comments>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%85%d8%af%d9%84%d8%b3%d8%a7%d8%b2%db%8c-%d8%a2%d8%b1%db%8c%d9%85%d8%a7-arima-%d8%af%d8%b1-%d9%85%d8%aa%d9%84/#comments</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sat, 17 Oct 2015 14:10:20 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[دانلود]]></category>
		<category><![CDATA[مدل ARIMA]]></category>
		<category><![CDATA[and Factored ARMA Models]]></category>
		<category><![CDATA[ARIMA در پیش‌بینی بلندمدت تقاضای برق]]></category>
		<category><![CDATA[ARMA Model Identification]]></category>
		<category><![CDATA[Auto Regressive Integrated Moving Average (ARIMA)]]></category>
		<category><![CDATA[آریما و مدل خودهمبسته شبکه عصبی مصنوعی]]></category>
		<category><![CDATA[آریما وآرچ]]></category>
		<category><![CDATA[آزمون آرچ]]></category>
		<category><![CDATA[آزمون متغیرهای اضافی و حذف شده]]></category>
		<category><![CDATA[آزمون مجموع پسماندهای عطفی انباشته CUSUM]]></category>
		<category><![CDATA[آزمون نرمالیتی]]></category>
		<category><![CDATA[آزمون های خود همبستگی]]></category>
		<category><![CDATA[آزمونهای ضرایب]]></category>
		<category><![CDATA[ارزیابی مقایسه‌ای مدل‌های آرما]]></category>
		<category><![CDATA[الگوسازي ARIMA]]></category>
		<category><![CDATA[الگوی سری زمانی ARIMA]]></category>
		<category><![CDATA[Box and Jenkins]]></category>
		<category><![CDATA[CUSUMSQ]]></category>
		<category><![CDATA[Distribution of the Estimators for Autoregressive Time Series with a Unit Root]]></category>
		<category><![CDATA[Estimation of Mixed Autoregressive Moving Average Order]]></category>
		<category><![CDATA[Forecasting and Time Series Analysis]]></category>
		<category><![CDATA[Forecasting with Dynamic Regression Models]]></category>
		<category><![CDATA[GMDH الگوی سری زمانی]]></category>
		<category><![CDATA[Partial and inverse autocorrelation function]]></category>
		<category><![CDATA[Sample Autocorrelation Function for Stationary and Nonstationary ARMA Models]]></category>
		<category><![CDATA[Seasonal]]></category>
		<category><![CDATA[Statistical Time Series]]></category>
		<category><![CDATA[Subset]]></category>
		<category><![CDATA[The Three Stages of ARIMA Modeling]]></category>
		<category><![CDATA[Time Series Analysis]]></category>
		<category><![CDATA[Time Series Intervention Analysis Using SAS Software]]></category>
		<category><![CDATA[Time Series Modeling]]></category>
		<category><![CDATA[Unit Roots in Seasonal Time Series]]></category>
		<category><![CDATA[پیش بینی تغییرات قیمت سهام]]></category>
		<category><![CDATA[پيش بيني قيمت قراردادهاي آتي سکه طلا با استفاده از مدل آريما در بورس کالاي ايران]]></category>
		<category><![CDATA[تخمین رگرسیون به روش ols]]></category>
		<category><![CDATA[تصریح مدل و ثبات ساختاری شامل آزمون های نقطه شکست چاو]]></category>
		<category><![CDATA[چگونگی پیش بینی بر اساس مدلهای آرما (ARMA) و آریما (ARIMA)]]></category>
		<category><![CDATA[ررسي و پيش بيني با استفاده از مدل آريما (ARIMA)]]></category>
		<category><![CDATA[روش هاي پیش بینی آریما و شبکه عصبی]]></category>
		<category><![CDATA[ریست رمزی]]></category>
		<category><![CDATA[فرآیند میانگین متحرك مرتبه اول]]></category>
		<category><![CDATA[کدنویسی مدل آریما در متلب]]></category>
		<category><![CDATA[مد لهاي پیش بینی آماري]]></category>
		<category><![CDATA[مدل ARIMA در MATLAB]]></category>
		<category><![CDATA[مدل باکس – جنکینز]]></category>
		<category><![CDATA[مدل پیش بینی سري زمانی آریما]]></category>
		<category><![CDATA[مدل خود رگرسیو مرتبه اول]]></category>
		<category><![CDATA[مدل‌سازی و مقایسه روش شبکه عصبی]]></category>
		<category><![CDATA[معیار اطلاعاتی آکائیک و معیار شوآرتز]]></category>
		<category><![CDATA[میانگین متحرک خودگردان یکپارچه]]></category>
		<category><![CDATA[نظیر : آرما]]></category>
		<category><![CDATA[نمودار خود همبستگی (ACF)]]></category>
		<category><![CDATA[واریانس ناهمسانی]]></category>
		<category><![CDATA[يش بيني قيمت قراردادهاي آتي سکه طلا با استفاده از مدل آريما در بورس کالاي ايران]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=2820</guid>

					<description><![CDATA[<p>در آمار و اقتصادسنجی و به ویژه در آنالیز سری‌های زمانی یک &#8220;میانگین متحرک خودگردان یکپارچه&#8221;(ARIMA) یک مدل گسترده تر از میانگین متحرک خودگردان(ARMA) است. این مدلها در سریهای زمانی برای فهم بهتر مدل یا پیش بینی آینده به کار می‌روند. این مدل‌ها در جایی که داده‌ها غیر ایستا (non-stationary) باشند به کار می‌روند. در [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%85%d8%af%d9%84%d8%b3%d8%a7%d8%b2%db%8c-%d8%a2%d8%b1%db%8c%d9%85%d8%a7-arima-%d8%af%d8%b1-%d9%85%d8%aa%d9%84/">فیلم آموزش فارسی مدلسازی آریما ARIMA در متلب</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p class="Yekan" style="text-align: justify;"><span style="font-size: 12pt;">در آمار و اقتصادسنجی و به ویژه در آنالیز سری‌های زمانی یک &#8220;میانگین متحرک خودگردان یکپارچه&#8221;(ARIMA) یک مدل گسترده تر از میانگین متحرک خودگردان(ARMA) است. این مدلها در سریهای زمانی برای فهم بهتر مدل یا پیش بینی آینده به کار می‌روند. این مدل‌ها در جایی که داده‌ها غیر ایستا (non-stationary) باشند به کار می‌روند. در این حالت با یک بار دیفرانسیل گیری(متناظر با جز &#8220;یکپارچه&#8221;(integrated non-stationary بودن داده‌ها از بین می‌رود و امکان برآورد یک ARMA در داده‌های جدید به وجود می‌آید.</span> <span style="font-size: 12pt;"> این مدل در اکثر موارد به صورت ARIMA (p،d،q نشان داده می‌شود که در آن p، d، q اعداد حقیقی غیرمنفی هستند که درجه خودگردانی، یکپارچگی و میانگین متحرک را معلوم می‌کنند. مدل‌های ARIMA بخش مهمی از رویکرد باکس-جنکینز به مدل‌های سری زمانی را می‌سازند. در صورتی که یکی از جزءها برابر با صفر باشند معمولا به صورتAR، I یا MA&#8221; نوشته می‌شود. برای مثال &#8221; (۱)MA&#8221; همان &#8221; (ARIMA(۰،۰،۱&#8221; است.</span></p>
<p class="Yekan" style="text-align: justify;"><span style="font-size: 12pt;">از جمله روش های پیش بینی، روش یک متغیره مدل باکس – جنکینز است. این روش اساساً شامل برازش یک مدل ARIMA به داده ها می باشد. در این روش پس از تعیین مرتبه تفاضلی کردن و تعیین مرتبه هر یک از فرایندهای ARو MA پارامترهای مدل مشخص می گردد. بررسی مناسبت مدل با تجزیه و تحلیل باقیمانده های مدل برازش داده شده صورت می گیرد. چنانچه مدل درست تشخیص داده شده باشد، باقی مانده  ها  باید دارای خواص متغیرهای تصادفی نرمال مستقل با میانگین صفر و واریانس ثابت باشند.</span></p>
<p class="Yekan" style="text-align: justify;"><span style="font-size: 12pt;">جهت پیش بینی، ابتدا سری زمانی داده ها رسم می گردد. یک سری دارای روند یک سری نا ایستاست. با رسم نمودار خود همبستگی (ACF) می توان ایستایی را بررسی نمود. همبستگی نگاری که در آن مقادیر r با سرعت معقولی به صفر نزدیک نمی شود ناایستایی را نشان می دهد. اگر مقادیر r نسبتا سریع افول کند سری ایستا خواهد بود. اگر مقادیر تابع خود همبستگی به کندی به سمت صفر میل کند موید نا ایستایی سری مربوطه می باشد. در حقیقت باید تابع خود همبستگی نمونه ای را برای سری زمانی ایستا محاسبه کنیم. بنابراین قبل از محاسبه acf باید هرگونه روند را حذف کرد. همچنین قبل از هرگونه تبدیلی به منظور پایا کردن میانگین سری باید از پایایی واریانس آن مطمئن شویم. مهمترین ابزار بررسی واریانس، تبدیل توانی است که توسط باکس کاکس (۱۹۶۴) معرفی شده است.</span></p>
<p class="Yekan" style="text-align: justify;"><span style="font-size: 12pt;">چنانچه با رسم نمودار باکس کاکس، عدد یک داخل حدود اطمینان ۹۵ درصد قرار دارد، می توان آن را به عنوان یک مقدار قابل قبول پارامتر تبدیل پذیرفت. بنابراین می توان از تبدیل داده ها صرف نظر کرد. مهمترین تبدیلات، تثبیت کننده واریانس و تبدیلات تفاضلی می باشد. برای ایستایی سری در میانگین لازم است با انجام تبدیلات مناسب آن را به یک سری ایستا تبدیل کرد. جهت شناسایی مدل، لازم است نمودار تابع خود همبستگی جزیی سری ایستا شده رسم گردد و مرتبه های qو p در مدل ARIMA تشخیص داده شود. در مرحله بعد جهت پیش بینی مقادیر، این مدل را به داده ها برازش می دهیم. برازش مدل به معنی برآورد پارامترهای مجهول مدل می باشد. در آخر مناسبت مدل با تحلیل باقی مانده های مدل برازش داده شده مورد بررسی قرار میگیرد.</span></p>
<p class="Yekan"><span style="font-size: 12pt;"><span style="color: #ff6600;"><strong>سرفصل</strong> </span>:</span> <span style="font-size: 12pt;">در ابتدای خلاصه ای در مورد تئوری مدل آریما صحبت می شود و سپس کدنویسی مدل آریما در متلب با مثالهای متعدد بیان می شود.</span></p>
<p class="Yekan" style="text-align: center;"><a href="http://iran-matlab.ir/?product=%D9%81%DB%8C%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%D9%85%D8%AF%D9%84%D8%B3%D8%A7%D8%B2%DB%8C-%D8%A2%D8%B1%DB%8C%D9%85%D8%A7-arima-%D8%AF%D8%B1-%D9%85%D8%AA%D9%84" target="_blank" rel="noopener noreferrer"><span style="font-size: 16pt;">لينك دريافت اين فيلم آموزشي</span></a></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p class="Yekan"><span style="font-size: 14pt;"> <strong>تعدادي از تصاوير اين فيلم آموزشي :</strong> </span></p>
<p><a href="http://iran-matlab.ir/wp-content/uploads/2015/10/figure-2-of-ARIMA-modeling-in-MATLAB-forecast-training-video.jpg"><img fetchpriority="high" decoding="async" class="aligncenter wp-image-1327" src="http://iran-matlab.ir/wp-content/uploads/2015/10/figure-2-of-ARIMA-modeling-in-MATLAB-forecast-training-video.jpg" alt="figure 2 of ARIMA modeling in MATLAB forecast training video" width="670" height="348" /></a>     <a href="http://iran-matlab.ir/wp-content/uploads/2015/10/figure-of-ARIMA-modeling-in-MATLAB-forecast-training-video.jpg"><img decoding="async" class="aligncenter wp-image-1328" src="http://iran-matlab.ir/wp-content/uploads/2015/10/figure-of-ARIMA-modeling-in-MATLAB-forecast-training-video.jpg" alt="figure of ARIMA modeling in MATLAB forecast training video" width="673" height="375" /></a></p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%85%d8%af%d9%84%d8%b3%d8%a7%d8%b2%db%8c-%d8%a2%d8%b1%db%8c%d9%85%d8%a7-arima-%d8%af%d8%b1-%d9%85%d8%aa%d9%84/">فیلم آموزش فارسی مدلسازی آریما ARIMA در متلب</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%85%d8%af%d9%84%d8%b3%d8%a7%d8%b2%db%8c-%d8%a2%d8%b1%db%8c%d9%85%d8%a7-arima-%d8%af%d8%b1-%d9%85%d8%aa%d9%84/feed/</wfw:commentRss>
			<slash:comments>15</slash:comments>
		
		
			</item>
	</channel>
</rss>
