Price VR에서 고정 VR 파생
내가 내 생각으로 등반하는 것을 용서하십시오. 아마도 내 이해가 아직 당신의 키에 미치지 못했을 것입니다. 아주 재치 있는 추측을 해보겠습니다.
첫 번째 게시물에 순환 논쟁이 있다고 생각하십니까?
정의에 대한 분쟁이 없도록 몇 가지 정의(자유 형식):
직관적인 수준에서 시계열의 정상성은 평균이 일정하고 분산이 일정한 이 평균을 중심으로 변동해야 한다는 요구 사항과 연관됩니다.
m개의 관측값 x(t1),x(t2),:,x(tm)의 결합 확률 분포가 m개의 관측값과 동일한 경우 계열 x(t)는 엄격하게 정상적(좁은 의미에서 정상적)이라고 합니다.
즉, 엄격하게 고정된 시계열의 속성은 시간의 근원이 변경될 때 변경되지 않습니다.
특히, 시계열 x(t)의 엄격한 정상성 가정에서 확률 변수 x(t)의 확률 분포 법칙은 t에 의존하지 않으므로 모든 주요 수치적 특성은 에 의존하지 않습니다. t 포함:
수학적 기대치 Mx(t)=a
분산 Dx(t)=M(x(t)-a)2= c^2
급수 x(t)는 평균값과 분산이 t에 의존하지 않는 경우 약하게 정상적(또는 넓은 의미에서 정상적)이라고 합니다.
분명히, 모든 엄격하게 고정된(또는 좁은 의미에서 고정된) 시계열은 넓은 의미에서 동시에 고정되어 있지만 그 반대의 경우도 마찬가지입니다.
비정상 급수는 비임의 성분에 의해 고정 급수와 다른 급수입니다.
아니요.
1. 먼저 가격 시리즈를 근사화합니다. 가격 근사 공식을 얻습니다. price_appr(time)
2. price_appr(시간 + i) 추정
3. 합성 delta(time + i) = Open[time + i] - price_appr(time + i) 구하기
4. delta(x)에 백색 잡음이 있는지 확인하십시오. 소리가 나면 할머니를 끊으세요. 소리가 나지 않으면 계속 진행합니다.
5. 합성을 근사하고 공식을 얻습니다. delta_appr(time)
6. 예측: 예측(시간 + i + j) = price_appr(시간 + i + j) + delta_appr(시간 + i + j)
여기서: i와 j는 이전 단계의 OOS입니다. 시간, i 및 j - 겹치지 않는 시간 세트
잔차의 정상성은 외삽 모델이 적절함을 의미합니다. d.b로 남아 있습니다. 정규 분포를 따르고 MO=0을 가지며 자기 상관을 포함하지 않습니다. 일반적으로 독립적이어야 합니다.
"
......
그러나 정성적 모델은 충분히 정확한 예측을 제공할 뿐만 아니라 경제적이어야 하며 체계적인 구성 요소 없이 노이즈만 포함하는 독립적인 잔차를 가져야 합니다(특히 잔차의 ACF는 주기성이 없어야 함). 따라서 잔류물에 대한 포괄적인 분석이 필요합니다. 모델에 대한 좋은 테스트는 (a) 잔차를 표시하고 그 추세를 연구하고, (b) 잔차의 ACF를 확인하는 것입니다(주기성은 일반적으로 ACF 차트에서 명확하게 볼 수 있음).
잔류물 분석. 잔차가 체계적으로 분포되어 있거나(예: 계열의 첫 번째 부분에서는 음수이고 두 번째 부분에서는 거의 0과 같음) 일부 주기적 구성 요소가 포함된 경우 이는 모델이 부적절함을 나타냅니다. 잔차 분석은 시계열 분석에서 매우 중요하고 필수적입니다. 추정 절차에서는 잔차가 상관관계가 없고 정규 분포를 따른다고 가정합니다. "
잔차의 정상성은 외삽 모델이 적절함을 의미합니다. d.b로 남아 있습니다. 정규 분포를 따르고 MO=0을 가지며 자기 상관을 포함하지 않습니다. 일반적으로 독립적이어야 합니다.
"
......
그러나 정성적 모델은 충분히 정확한 예측을 제공할 뿐만 아니라 경제적이어야 하며 체계적인 구성 요소 없이 노이즈만 포함하는 독립적인 잔차를 가져야 합니다(특히 잔차의 ACF는 주기성이 없어야 함). 따라서 잔류물에 대한 포괄적인 분석이 필요합니다. 모델에 대한 좋은 테스트는 (a) 잔차를 표시하고 그 추세를 연구하고, (b) 잔차의 ACF를 확인하는 것입니다(주기성은 일반적으로 ACF 차트에서 명확하게 볼 수 있음).
잔류물 분석. 잔차가 체계적으로 분포되어 있거나(예: 계열의 첫 번째 부분에서는 음수이고 두 번째 부분에서는 거의 0과 같음) 일부 주기적 구성 요소가 포함된 경우 이는 모델이 부적절함을 나타냅니다. 잔차 분석은 시계열 분석에서 매우 중요하고 필수적입니다. 추정 절차에서는 잔차가 상관관계가 없고 정규 분포를 따른다고 가정합니다. "
식물 눈보라. 당신이 지정한 링크의 모든 것이 넌센스라는 것을 이해하는 것만으로는 당신의 두뇌가 충분하지 않습니까?
계속 읽으십시오. "한계. ARPSS 모델은 고정된 계열에만 적합함을 상기해야 합니다(평균, 분산 및 자기상관은 시간이 지남에 따라 거의 일정함). 고정되지 않은 계열의 경우 차이를 취해야 합니다. 소스 데이터 파일에 최소 50개의 관측값이 있는 것이 좋습니다. 또한 모델의 매개변수가 일정하다고 가정합니다. 즉, 시간이 지나도 변경되지 않습니다."
고정되지 않은 급수를 가지고 나머지 델타(x)를 취했습니다. 이 식물 "작업"에서 가정한 대로 유해 자체는 요구 사항을 충족해야 한다고 나는 인용 합니다. "체계적인 구성 요소 없이 소음만 포함합니다."
젠장. 소음이 나도록 하십시오. 소음 자체는 예측할 수 없습니다. 따라서 근사화하는 것은 무의미합니다. 그러나 다른 한편으로는 속성이 있습니다. "잔차는 정상적으로 분포되어야 하고 MO = 0이어야 합니다."
따라서 노이즈 대신 MO = 0으로 취합니다.
예측에서 대체: 예측(시간 + i + j) = price_appr(시간 + i + j) + delta_appr(시간 + i + j) = price_appr(시간 + i + j) + 0 = price_appr(시간 + i + j) )
전체적으로 노이즈 예측은 첫 번째 근사값인 price_appr(x)입니다. 그리고 이 주제의 세 번째 게시물에서 말했듯이 첫 번째 근사치는 네이키드 핏입니다. 결과는 다음과 같습니다.
식물학적 예측 = 적합
가장 원시적인 옵션. 우리는 가격을 VR로 추정합니다. 외삽. 외삽 VR과 실제 VR의 차이도 VR이지만 이미 고정되어 있습니다. 이것을 최신 VR 합성이라고 부르자.
예를 들어, EMA(예: 2차)를 사용한 예측은 고정 VR 잔차를 제공하지 않습니다. 따라서 외삽 문제도 매우 어렵습니다. gpwr 은 다양한 선형 외삽법을 구현한 지표를 발표한 것 같습니다. 잔차 분포를 분석하고 싶지 않습니까?
알려진 바와 같이 정지된 VR은 백색 잡음이 아닌 경우 예측 가능합니다.
가격 변환 중에 백색 잡음이 발생해야 하는 사람이 있는지 궁금합니다.
테스터에서 비정상성을 고려하는 방법에 대한 실제 아이디어가 있습니까?
그래서 별로 어렵지 않습니다. 약간의 작업이 필요하지만 일반적으로 작업이 해결됩니다. 그러나 어떻게 든 논의되지 않았습니다.
알려진 바와 같이 정지된 VR은 백색 잡음이 아닌 경우 예측 가능합니다.
따라서 고정 가격 VR을 고정 가격으로 변환하는 것이 시급하지만 역변환 가능성이 있습니다.
가장 원시적인 옵션. 우리는 가격을 VR로 추정합니다. 외삽. 외삽 VR과 실제 VR의 차이도 VR이지만 이미 고정되어 있습니다. 이것을 최신 VR 합성이라고 부르자.
우리는 합성 VR을 외삽합니다. 우리는 가격 BP의 외삽으로 요약합니다. 합성 VR이 백색 잡음이 아닌 경우 출력에서 예측값을 얻습니다. 두 가지 외삽법을 합한 결과입니다.