Tesla Stock Price Prediction

Analisis Rangkaian Waktu

• Peramalan Saham Tesla berdasarkan Model Time Series Dengan mendapatkan informasi saham Perusahaan Tesla (NASDAQ: TSLA) melalui Yahoo Finance. Proyek ini akan menerapkan metode analisis deret waktu untuk menyelidiki informasi dasar TSLA, menguraikan deret waktu TLSA.
• Metode pemulusan eksponensial untuk meramalkan harga TSLA dalam 365 hari mendatang, dan kemudian akan digunakan
• Model ARIMA untuk memprediksi harga. Proyek ini juga akan memeriksa distribusi kesalahan Lalu kami memperkirakan untuk memeriksa kinerja model.

Dekomposisi Rangkaian Waktu

Menguraikan suatu deret waktu berarti memisahkannya menjadi komponen-komponen penyusunnya, yang biasanya merupakan komponen tren dan komponen tidak beraturan, dan jika merupakan deret waktu musiman maka merupakan komponen musiman. Untuk informasi saham TSLA, dari gambar plot tren harga terlihat tidak ada komponen musiman di dalam datanya. Namun data deret waktu ini harus mencakup komponen tren dan komponen tidak beraturan. Penguraian deret waktu melibatkan upaya memisahkan deret waktu ke dalam komponen-komponen ini, yaitu memperkirakan komponen tren dan komponen tidak beraturan. Kami akan menggunakan fungsi SMA() untuk memuluskan data TSLA. Kami akan memilih urutan yang berbeda (n=8 dan n=40) untuk memeriksa komponen tren. Tujuannya adalah kami mencoba memuluskan data dengan rata-rata pergerakan sederhana.

Model dan Evaluasi Prakiraan: Pemulusan Eksponensial

• Model Pemulusan Eksponensial
  Model Exponential Smoothing dapat digunakan untuk membuat prakiraan jangka pendek untuk data deret waktu. Dari data TSLA, kami mengetahui bahwa ini dapat digambarkan sebagai model aditif tanpa musiman. Dari grafik tren, kita dapat melihat fluktuasi acak dalam deret waktu yang ukurannya kira-kira konstan sepanjang waktu. Jadi kita akan menggunakan fungsi HoltWinter() agar sesuai dengan prediksi pemulusan eksponensial sederhana.

Model Ramalan dan Evaluasi: Model ARIMA

Model ARIMA

ARIMA (Autoregressive Integrated Moving Average) adalah alat utama yang digunakan dalam analisis deret waktu untuk mencoba meramalkan nilai masa depan suatu variabel berdasarkan nilai saat ini. Persamaan peramalan ARIMA(p,d,q): Model ARIMA, secara teori, adalah kelas model paling umum untuk meramalkan deret waktu yang dapat dibuat “stasioner” dengan melakukan diferensiasi. Model ARIMA didefinisikan untuk deret waktu stasioner. Oleh karena itu, jika Anda memulai dengan deret waktu yang tidak stasioner, pertama-tama Anda harus 'membedakan' deret waktu tersebut hingga Anda mendapatkan deret waktu yang stasioner. Untuk membedakan deret waktu d kali agar diperoleh deret stasioner, kita menggunakan fungsi diff(). Kemudian kita akan menggunakan tes ADF formal yang tidak menolak hipotesis nol tentang non-stasioneritas, yang membenarkan inspeksi visual kita:

Ringkasan

Di bagian ini, kami menggunakan data stok TESLA sebagai deret waktu. Kami menguraikannya dan menggunakan pemulusan eksponensial HoltWinter dan ARIMA untuk memperkirakan harga saham di masa depan. Prosedur dasarnya adalah seperti gambar berikut.

Hal lainnya adalah kita harus selalu menganalisis kesalahan dan menyesuaikan parameter model untuk mencapai hasil yang lebih baik.