Autocorrelation is the cross-correlation of a signal with itself. Informally, it is the similarity between observations as a function of the time separation between them. It is a mathematical tool for finding repeating patterns, such as the presence of a periodic signal which has been buried under noise, or identifying the missing fundamental...
Таблицы B 14 - B 16, B 18 и B 19: Поправка на число рабочих дней. Эти таблицы доступны только при анализе ежемесячных данных. Число разных дней недели (понедельников, вторников и т.д.) колеблется от месяца к месяцу. Бывают ряды, в которых различия в числе рабочих дней в месяце могут давать заметный разброс ежемесячных показателей (например...
Abstract. The article is a practical tutorial for fast Fourier transform — FFT — understanding and implementation. Article contains theory, C++ source code and programming instructions. Popular Cooley-Tukey technique is considered. 1. Introduction to fast Fourier transform Fast Fourier transform — FFT — is speed-up technique for calculating...
いいえ、同じものです。リターンは、クローズ[i]-クローズ[i+n]の価格系列の単純な第一差分である（私のチャートではラグ8で取られているが、カーブはどのラグでもまったく同じである）。ジャストリターンズは主に欧米の文献でよく使われる用語です。MQL4フォーラムでは、matstatの議論でよく使われます（そこでは伝統的に白熱しています））。というわけで、私は習慣的に使っているだけである。もっと便利であれば、"系列の最初の差分 "とか "系列の増分 "と書きます。しかし、"微分 "という言葉は時系列には不適切で、ここには微分は存在しないし、存在し得ない。微分と差分では、分析装置さえも大きく異なることを思い出してほしい（たとえば、P.フーリエ変換とZ変換を比べてみてほしい）。
リターンの 定義は文献上いくつかあり、その種類も様々である。あなたの言う「相対増分の対数」は、私の論文の式に合っていると理解している。
価格系列デリバティブ」という用語は、数学的な意味でのデリバティブではありません。それらは次のような意味で派生している：
1.別のものから派生する。
しかし、相対増分の対数の分布は......。
むしろ対数正規 分布の鏡像のような......。
一般的に言えば、我々はコンテストを発表することができる - 最初にFXで正規分布の値を見つけた人は、ノーベル賞受賞者の努力の不十分を証明した人として名誉のボードに載せるべきである)))))
同感だ。例として挙げたのであって、経験的な分布ではない。それが読者に伝わらなかったとしたら、それは私の罪 だ。
だから、私はあなたや他の人たちに、権威についていくことよりも、もっと自分で調べてみることを勧める。
ARCHに。そしてGARCHはBollerslevによって発明された。モデルも含めて、すべては変化する。私は最も単純で普遍的なものを例に選んだ。
アドバイスありがとう。
コメント
- レオの言う通り、記事のタイトルはその内容を反映していない 。ロシュのために 、彼は質問を した のだ。 「 MQ 企業分析への計量経済学的アプローチ」 。
- この記事では、時系列分析（TSA）として知られるアプローチを使用しており、このアプローチでは、価格系列であろうと、エスキモーに雪を売る効率性であろうと、何を分析しようと構わない :-) 。
- AVRを 行う 場合、その基本はまさに ACF （自己相関関数）の解析であり、そのTYPEとパラメータである。まず、自己相関関数のVID（あなたは一言も言っていませんが、このVIDで 次の モデルが 決まります 。
- あなたはGARCHモデルを故意にここに引きずり込んだだけである。あなたの研究（間接的な兆候）によっても、このモデルが適切でないことは理解できる...そして、それは普遍的なものではなく、より良いものがある...ボラティリティを取引しようとする人には適切かもしれないが、価格系列の予測（私たちの目標 ）には 、 決して適して いない 。ご興味があれば、その理由をもっと詳しくご説明します。私の目を引いた主な点
さて、方法論ですが
- あなたはフーリエ 変換で ACFを求めるという方法をとりました。しかし、私が記憶している限りでは、フーリエ逆変換の前にモジュラスを取ることと、場合によっては（記憶で書いているのですが）モジュラスの2乗を取ることが義務付けられているはずです 。 あなたのアルゴリズムには見当たりませんでした（私の注意が足りなかったのかもしれません）。
- ACFを示した図から、計算に誤りがあることは明らかです。ACFの定義は-1...+1の範囲にある関数で あり、 あなたはそこに+200と乗数1e4（0番目の項で正規化された何か）を持っています。
- あなたはMOG（平均値m=mean(res);）を引いている。なぜトレンドの ない 直線 方程式を 削除するのですか？説明してください。
- スペクトル処理の専門家であるあなたなら、MOJの除去はスペクトルのゼロ成分をゼロにすることに似ていることを知っているはずですが、完全に正しいことを言えば、スペクトルのこの成分は最も強力であり、関数sin(x)/x のサイドローブによってスペクトル全体に広がっています。サイドローブ（この効果）を抑制するには、少なくともヘミングウィンドウ（ヘニング、バターワースなど）を 適用する 必要があります。
- コメントに「逆重み付けフーリエ変換」とありますが、単純な逆変換と どう 違うのですか？また、なぜ重み付けを する のですか？
H4自然はごまかせない、時間軸上のポイントが離れれば離れるほど、それらの間の相関は低くなり、それぞれ予測の精度は常に短い時間間隔よりも悪くなる�
対数を取ってはいけない （と いうか、取れるが、忘れてはいけない）、さもないとアブラカタブラになる、一言で言えば、初期データに対するこの変換はACFのタイプを変える（統計パッケージの助けを借りて確認できる）、多くの人がこの熊手を踏む、私もかつて踏んだことがある...別のもののタイプは非常に重要である。
H.Y.私は常にこの問題に興味と関心を持っているので、研究に参加する準備ができて、予測する能力が、すべてが単純ではありません、白い斑点の多くは、私が出くわしたそれらの研究は、非常に頻繁に白い斑点を持っている、彼らは一過性に語られているそれは明らかですが、本質を明らかにしない、さらにすでにお金を嘘であり、アルゴリズムが収入をもたらすために開始されるため 。https://www.mql5.com/ja/code/8295
はい、Qテストについては、はい、やりました。
今、あなたが観察していることに対応するモデルは何か答えられましたか？
このモデルのパラメータは 何 ですか？つまり、あなたの仮説は少し間違っている......。
このテストが何を探しているのか、サンプルで何を決定しているのかを理解することです。
備考
- AVRを 行う 場合、その基本はまさに ACF （自己相関関数）の分析であり、そのVIDAとパラメータである。まず、自己相関関数の型である（それについては何も言わないが、 それ以降の モデルを 決定 するのは型である。
- あなたはGARCHモデルを故意にここに引きずり込んだだけです。あなたの研究（間接的な兆候）によっても、このモデルが適切でないことは理解できる...そして、それは普遍的なものではなく、より良いものがある...ボラティリティを取引しようとする人には適切かもしれないが、価格系列の予測（私たちの目標 ）には 、 決して適して いない 。ご興味があれば、その理由をもっと詳しくご説明します。私の目を引いた主な点
最も重要で興味深いことに答えることにした。
ACFのタイプが さらなる モデルを決定することには同意する。しかし、今のところ記事の中では扱っていない。それは後の段階の課題だ。これまでのところ、私は推定前の 段階、いわゆるプレ推定段階を扱って きた。
私がGARCHをここに持ってきたのは、それが比較的単純だからであり、まだ評価すらしていないのに、どうして適さないと判断したのですか？:-)
私はGARCHを数学的基礎として指定し、過去の指標の変化（ϵ2t-i）と分散の過去の推定値 （いわゆる「古いニュース」） （ σ2 t-i）を考慮に入れました。
主な目的 である、あるモデルを用いて為替レート（価格）の予測を行うことは、一本の論文では解決できない...。
- あなたはフーリエ 変換で ACFを得る方法をとりましたね。そのようにすることもできますが、私の記憶では、フーリエ逆変換の前に、モジュラスの取り方と、場合によっては（記憶に基づいて書いていますが）モジュラスの2乗が義務付けられているはずです 。 あなたのアルゴリズムには見当たりませんでした（私が注意を払っていなかったのかもしれません）。
Analysis: Forecasting and Control.第3版。Upper Saddle River, NJ: Prentice-Hall, 1994.
また、Matlabでも実装されている。
最も重要で興味深いものに答えることにした。
...
ACFは-1から+1までの範囲内にあるべきであるという事実はどうですか？ それは興味深いものではありませんか？ 結論を出す前に、まず、すべてが正しく計算されていることを確認する必要があるため。
H.Y.そして、1つの記事ですべてを並べることができないという事実は、1つのマットモデルのワゴンと小さなカート、それは明らかである))
と外国文献への参照については、ここでhttp://www.statsoft.ru/home/textbook/modules/sttimser.html#1general、この外観です。
パッケージの統計にACFの計算があるのですが、それがmatlabで一致しているのを一応確認しました。MQLでの計算結果とこれらのパッケージでの計算結果を、同じデータで比較してみてください。どこかに間違いがあるはずだ。
- ACFを示した図から、計算に誤りがあることは明らかです。ACFの定義は-1...+1の範囲にある関数で あり、 あなたは+-200と乗数1e4（第0項を正規化したもの）を持っています。
記事のY軸の 説明をよく読んでください。私がこのようにしたのは 不可能性Google Chart APIを使っても unity未満の小さな値を反映させることができないからです。
その上、アルゴリズムからわかるように、ACF配列からゼロ・ラグを取り除いた。これによりチャートがより読みやすくなった。
- あなたはMOG（平均m=mean(res);)を引いている。なぜトレンドの ない 直線 方程式を 削除するのですか？それを正当化してください。
これは理論家への質問です。もしご興味があれば、私はすでにアルゴリズムのソースを示しました。
- スペクトル処理の専門家であるあなたは、MOGの除去がスペクトルのゼロ成分をゼロにすることに似ていることを知っているはずですが、完全に正しいことを言えば、スペクトルのこの成分は最も強力であり、関数sin(x)/x のサイドローブによれば、それはスペクトル全体に及んでいます。サイドローブ（この効果）を抑制するには、少なくともヘミングウィンドウ（ヘニング、バターワースなど）を 適用する 必要があります。
私は専門家ではありません。詳しく教えてください。:-)
- コメントに「逆重み付けフーリエ変換」とありますが、単純な逆変換と どう 違うのですか？またなぜ重み付けを する のですか？
それはここに 書かれていると思います．
......H4の性質はごまかせない、時間軸上のポイントが互いに離れれば離れるほど、それらの間の相関は少なくなるので、予測の精度は常に短い時間間隔の場合よりも悪くなる�
対数はとれない （と いうかとれるが、忘れてはいけない）、さもないとアブラカタブラになる、一言で言えば、初期データに対するこの変換はACFの形を変える、それは非常に重要 である（統計パッケージの助けを借りて確認できる）、多くの人がこの熊手を踏む、私もかつて踏んだことがある...形が違う。
形は違うけど。）
何の対数？失礼！
Trolls:
...統計パッケージにはACFの計算があり、matlabではそれが一致している。同じデータで、MQLでの計算結果とこれらのパッケージでの計算結果を比較してみてください。どこかに間違いがあります。
すでに比較しました。すべて正しく、間違いはない。ただ、グーグルのせいでデータの視覚化がまだ苦しんでいるだけなのだ。
この記事への コメント（2011年1月21日 14:19 ）では、ACFグラフを通常と同じように表示していますが、ゼロ・ラグはありません。