내일 나는 할아버지를 찾으러 갈 것이다. 그는 좋은 책을 썼습니다. 티호노프 V.I. 무작위 프로세스의 비선형 변환 -M.: 무선 및 통신. 1986. 책을 사용하면 오자가 있습니다. 나와 함께 자라지 않는 것을 1개 더 찾은 것 같다. 만날 수 있다면 결과를 올리겠습니다. 추세를 뺀 후의 수익률(y(x)=a+bx)은 2차 관성 링크일 가능성이 매우 높습니다.
첫 번째 순서의 수학자동 회귀, 분산은 무한대가 되는 경향이 있습니다(혼란이 없는 경우). 그러나 두 번째 질서의 관성 연결은 진동 운동을 만들고 마치 균형점을 찾는 것처럼 인용 운동의 "특성"이 더 그럴듯해 보입니다. 모두 함께 있을 수 있지만 ;-(
공식을 사용하여 설명한 것은 1차 차분(Markov 프로세스)에 대한 1차 자기회귀 표현입니다. 여기서 w는 임의 구성요소(특정 특성을 갖는 잡음)이고 Ф는 다음과 같은 스칼라(행렬의 특수한 경우)입니다. VR의 첫 번째 차이 간의 상관 계수 . 다시 한 번, 이 공식은 VR 자체가 아니라 첫 번째 VR 차이에 적용되고 예측합니다. VR의 복원 및 후속 예측을 위해서는 여러 증분을 통합하는 절차가 필요합니다!
이제 질문은: 무엇을 공부할 것입니까? 이 주제에 대한 모든 정보는 많은 작품에서 가장 소화하기 쉬운 형태로 씹어 제시됩니다.
이제 뉘앙스. 마르코프 과정. 이 이론에 따르면 상태 L(k)에서 상태 L(k+1)로의 전이는 상태 L(k-1)에 의존하지 않습니다. 어제, 1분 전의 환율은 중요하지 않습니다. 중요한 것은 현재 환율 L(k)입니다. 현재 L(k + 1)은 이 빌어먹을(다른 단어를 찾을 수 없습니다 ;-)) 행렬 Ф에 의해 결정됩니다.
이것은 Markov 과정(Ф=0인 경우)의 특별한 경우이며 "Wiener 과정" 또는 "1차원 브라운 운동"이라는 고유한 이름을 갖습니다. 실질적인 관심이 없습니다.
중성자
나는 대답했다? 그렇지 않으면 이러한 공식의 안개를 걷어낼 수 없습니다. 묻다.
내일 나는 할아버지를 찾으러 갈 것이다. 그는 좋은 책을 썼습니다. 티호노프 V.I. 무작위 프로세스의 비선형 변환 -M.: 무선 및 통신. 1986. 책을 사용하면 오자가 있습니다. 나와 함께 자라지 않는 것을 1개 더 찾은 것 같다. 만날 수 있다면 결과를 올리겠습니다. 추세를 뺀 후의 수익률(y(x)=a+bx)은 2차 관성 링크일 가능성이 매우 높습니다.
첫 번째 순서의 수학 자동 회귀, 분산은 무한대가 되는 경향이 있습니다(혼란이 없는 경우). 그러나 두 번째 질서의 관성 연결은 진동 운동을 만들고 마치 균형점을 찾는 것처럼 인용 운동의 "특성"이 더 그럴듯해 보입니다. 모두 함께 있을 수 있지만 ;-(
예를 들어 다시 시도하겠습니다
가장 중요한 것은 이 공식을 이해하는 것입니다
...
그래서 Prival, 모든 것이 명확합니다!
공식을 사용하여 설명한 것은 1차 차분(Markov 프로세스)에 대한 1차 자기회귀 표현입니다. 여기서 w는 임의 구성요소(특정 특성을 갖는 잡음)이고 Ф는 다음과 같은 스칼라(행렬의 특수한 경우)입니다. VR의 첫 번째 차이 간의 상관 계수 . 다시 한 번, 이 공식은 VR 자체가 아니라 첫 번째 VR 차이에 적용되고 예측합니다. VR의 복원 및 후속 예측을 위해서는 여러 증분을 통합하는 절차가 필요합니다!
이제 질문은: 무엇을 공부할 것입니까? 이 주제에 대한 모든 정보는 많은 작품에서 가장 소화하기 쉬운 형태로 씹어 제시됩니다.
이제 뉘앙스. 마르코프 과정. 이 이론에 따르면 상태 L(k)에서 상태 L(k+1)로의 전이는 상태 L(k-1)에 의존하지 않습니다. 어제, 1분 전의 환율은 중요하지 않습니다. 중요한 것은 현재 환율 L(k)입니다. 현재 L(k + 1)은 이 빌어먹을(다른 단어를 찾을 수 없습니다 ;-)) 행렬 Ф에 의해 결정됩니다.
이것은 Markov 과정(Ф=0인 경우)의 특별한 경우이며 "Wiener 과정" 또는 "1차원 브라운 운동"이라는 고유한 이름을 갖습니다. 실질적인 관심이 없습니다.
문제는 위의 모든 것이 항공기 조종사와 어떤 관련이 있습니까?
또한 L(k)가 무엇인지 궁금했습니다. 그래도 벡터처럼 보입니다. 그러면 Φ는 행렬입니다. 그러나 이 벡터는 무엇입니까?
L(k)는 초기 VR의 첫 번째 차이의 현재 판독값입니다. L은 첫 번째 차이의 벡터이고 L(k+1)은 첫 번째 차이의 예측 값입니다.
물었다! Prival 이 이것을 매트릭스라고 부르는 이유를 모르겠습니다.
대체로 다음과 같습니다.
다음과 같이 쓸 수 있는 N차 자기회귀 모델이 있습니다.
여기서 시그마는 확률 변수(특정 형식은 별도의 논의 주제)이고, X는 예측된 BP -Y(i)의 첫 번째 차이에 대한 사용 가능한 설명의 벡터이며, 자기회귀 계수입니다(해당 항목에 대한 제한이 있습니다. 형태).
따라서 자기회귀 계수를 계산하려면 일련의 1차 미분의 ACF 값으로 구성된 N차 선형 방정식 시스템을 풀어야 합니다. 이것은 전체 비즈니스에서 유일한 매트릭스입니다. 연립방정식은 Yule-Walker[Yule(1927)], [Walker(1931)]라고 합니다.
X(i+1) 차이를 찾은 후 초기 VR에 대한 예측을 하는 것은 어렵지 않습니다. Y(i+1)=Y(i)+X(i+1).
모든 것이 해결되었습니다!
분명히 Neutron 은 AR(N)으로 모든 것이 명확합니다. 그러나 나는 더 복잡한 공식에 시달리고 있습니다.
Prival 은 실수로 Ф가 전환 행렬 이라고 언급했습니다.
신기한 일이 생깁니다. L(k)가 벡터인 경우(예: 마지막 M 값이 반환됨) 일반적인 자기회귀에 대한 문제는 없습니다. 형식적으로는 동일한 AR(1)이지만 벡터 흐름 (프로세스) L(k)의 경우입니다. W(k)도 벡터이지만 이미 잔차입니다.
이해하겠어, 뉴트론 ? Prival 이 여기에 많은 계산이 있다고 말하는 것은 이 모델일까요? 그리고 만약 당신이 역사를 통해 실행한다면(올바른 행렬 Ф를 찾기 위해) 여기에서 최소 제곱은 제자리에 있을 것입니다.
글쎄, 우리는이 혼란을 만든 작가를 기다리고 있습니다. 몇 가지 이상한 모델이 나타납니다. 마지막 수익을 벡터 L(k)의 구성 요소로 취함으로써 일부 수익의 미래 가치에 대한 종속성을 설정합니다. 그것은 매우 나쁜 것이어야합니다.
글쎄, 우리는이 혼란을 만든 작가를 기다리고 있습니다. 몇 가지 이상한 모델이 나타납니다. 마지막 수익을 벡터 L(k)의 구성 요소로 취함으로써 일부 수익의 미래 가치에 대한 종속성을 설정합니다. 그것은 매우 나쁜 것이어야합니다.
추신: 이러한 역풍은 어디에나 있습니다 :)