UOT 336; 336.11
DOI:10.30546/3006-0346.2024.2.80.10198

Orxan Rüstəmov
Azərbaycan Dövlət İqtisad Universitetinin
doktorantı

Xülasə
Bu məqalə statistik modellərin mürəkkəb işlərinə, xüsusən də maliyyə zaman sıralarının təhlili sahəsində Avtoreqressiv Hərəkətli Orta (ARMA) modellərinə diqqət yetirir. ARMA modelləri riyazi ciddilik və domen təcrübəsinin qarışığını özündə cəmləşdirən zamandan asılı məlumatların anlaşılması və proqnozlaşdırılması üçün güclü çərçivə təklif edir. Addım-addım kəşfiyyat vasitəsilə bu məqalə məlumatların idxalını, stasionarlıq təhlilini, modelin formalaşmasını, parametrlərin qiymətləndirilməsini, proqnozlaşdırılmasını və performansın qiymətləndirilməsini əhatə edən ARMA modelləşdirmə prosesini istiqamətləndirir. S&P 500 indeksindən real maliyyə məlumatları ARMA modellərinin praktik tətbiqini göstərmək üçün istifadə olunur. Bu məqalədə Yahoo Finance API istifadə edərək təhlil, məlumatların idxalı, stasionarlığın yoxlanılması, modelin uyğunlaşdırılması, proqnozlaşdırma və modelin qiymətləndirilməsi daxil olmaqla, maliyyə məlumatlarına tətbiq edilən ARMA modelləşdirməsinin hərtərəfli icmalını təqdim edir. İstifadə olunan məlumat S&P 500-ün 4 yanvar 2010-cu ildən 1 fevral 2020-ci il tarixinə qədər olan tarixi qiymətləridir. İdxal edilmiş məlumatlar sonrakı modelləşdirmə tapşırıqları üçün ardıcıllıq və uyğunluğu təmin etmək üçün ilkin emal addımlarından keçir. Məqalənin yazılmasında istifadə edilən şəkillər və ekonometrik təhlil cədvəli, python proqramlaşdırma dili vasitəsi ilə yazılaraq təhlil üçün hazır vəziyyətə gətirilib. Məqalə maliyyə modelləşdirməsində qabaqcıl metodologiyalara yol açan zaman sıralarının təhlilində fundamental alətlər kimi ARMA modellərinin əhəmiyyətinə dair fikirlərlə yekunlaşır.

Açar sözlər: Maliyyə bazarları, Volatillik, Ekonometrika, ARMA.

Abstract
This article focuses on the complexities of statistical models, particularly Autoregressive Moving Average (ARMA) models in the field of financial time series analysis. ARMA models offer a powerful framework for understanding and forecasting time-dependent data that incorporates a blend of mathematical rigor and domain expertise. Through a step-by-step exploration, this article guides you through the ARMA modeling process, including data import, stationarity analysis, model formation, parameter estimation, forecasting, and performance evaluation. Real financial data from the S&P 500 index is used to illustrate the practical application of ARMA models. This article provides a comprehensive overview of ARMA modeling applied to financial data, including analysis using the Yahoo Finance API, data import, stationarity testing, model fitting, forecasting, and model evaluation. Data used are historical S&P 500 prices from January 4, 2010 to February 1, 2020. The imported data goes through preprocessing steps to ensure consistency and consistency for subsequent modeling tasks. The images and econometric analysis table used in the writing of the article were written using the Python programming language and made ready for analysis. The paper concludes with insights into the importance of ARMA models as fundamental tools in time series analysis, leading to advanced methodologies in financial modeling.

Keywords: Financial markets, volatility, econometrics, ARMA.