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...
不，只是相同的。收益只是收盘价[i]-收盘价[i+n]价格序列的初差（在我的图表中，它们的滞后期为 8，但任何滞后期的曲线都是完全一样的）。公正收益是一个主要在西方文献中常见的术语。在 MQL4 论坛，人们经常在 matstat 讨论中使用它（那里的讨论历来很激烈）。所以我只是习惯性地使用它。如果更方便的话，我会写成 "数列的首差 "或 "数列的增量"。但 "导数 "对于时间序列来说是一个非常不正确的术语，这里没有导数，也不可能有导数。如果您还记得，即使是导数和差分的分析仪器也是完全不同的（例如，比较一下 p. 傅立叶变换和 z 变换......）。
文献中 对收益 有多种定义，而且有不同的种类。我的理解是，您所说的 "相对增量对数 "符合我文章中的公式。
价格序列导数 "绝不是 数学意义上的导数。它们是衍生的意思：
1. 从另一事物衍生；从其他事物衍生。
但相对增量对数的分布.....。
更像是对数正态分布 的镜像....。
一般来说，我们可以宣布举行一场竞赛--第一个在外汇市场上找到正态分布值的人应该作为证明诺贝尔奖获得者的努力是不恰当的人被列入荣誉榜)))))。
同意。这只是举例说明，并非经验分布。如果我没有向读者传达这一点，那是我的罪过。
因此，我建议你和其他人少跟风，多自己钻研。
为了 ARCH。而 GARCH 是 Bollerslev 发明的。一切都在变化，包括模型。我选择了最简单、最通用的模型作为例子。
谢谢您的建议。
评论：
- Leo 说得没错，这篇文章的标题并没有反映出文章的内容。 对于 Roche 来说，他提出了一个问题。 我将 标题中的一个词改为 " 计量经济学方法对MQ 公司的分析" 。您可以 看到一切都立即发生了变化，尤其是方法 .....。
- 这篇文章使用了一种被称为时间序列分析（TSA）的方法，这种方法并不关心分析什么，无论是价格序列还是向爱斯基摩人卖雪的效率 :-)，而您，作为作者，谈论了它，但出于 某种原因 对它（这篇文章）的称呼有所不同.....。
- 在 进行 AVR 时，其基础正是对 ACF （自相关函数）、其 TYPE 和参数的分析。首先是自相关函数的 VID（您对此只字未提，但正是 VID 决定了 进一步的 模型。
- 您只是故意将 GARCH 模型拖到这里来。虽然通过您的研究（间接迹象），我们可以了解到这个模型并不合适......而且它也不是万能的，还有更好的模型......对于那些打算交易波动率的人来说，它可能是合适的，但 对于 预测价格序列（我们的目标）来说， 它 绝不 合适。如果你有兴趣，我可以更详细地解释原因，现在就简单说说。最吸引我的是
在方法论方面
- 你采用了 通过 傅立叶变换获得 ACF 的方法。这是有可能的，但在我的印象中，在进行反傅里叶变换之前，必须先取模，而且可能（我是凭记忆写的）还要取模的平方。 我 在你的算法中没有看到（也许是我没有注意）。
- 从您展示 ACF 的图中可以看出，计算中存在错误。ACF 的定义是-1...+1 范围内的函数， 而 您在图中显示的是 +-200 和乘数 1e4（0 项上有归一化）。
- 您正在减去 MOG（平均值 m=mean(res);）。为什么要删除非趋势直线 方程 ？ 请说明理由
- 作为光谱处理方面的专家，您应该知道去除 MOJ 类似于将光谱中的零分量归零，但完全正确地说，光谱中的这个分量是最强大的，通过函数sin(x)/x 的边叶 ，它扩展到整个光谱。因此，至少有必要 应用 hemming 窗口（hening、butterworth......）来抑制边叶（这种效应）。
- 您在注释中写道 "逆加权傅立叶变换"，它与简单的逆变换 有何 不同？ 为什么 要加权？
还有更多的问题......或者说，有些东西我并不同意. .....你不能拿 H4 的性质来欺骗人，时间轴上的点之间距离越远，它们之间的相关性就越小，分别预测的准确性总是比短时间间隔的预测要差�
你不能取对数 （ 或者说你可以取对数，但你不应该忘记它），否则你就会得到天罡星，简而言之，对初始数据的这种变换会改变 ACF 的类型（你可以借助统计软件包来检查），很多人都踩过这种耙子，我曾经也踩过一次......另一种类型极其重要。
H.Y.准备加入这项研究，因为我一直对这个问题很感兴趣，预测能力也很强，但并不都是简单的，有很多白点，我接触到的那些研究，很多时候都有白点，他们顺便谈了谈，并没有揭示本质，虽然很清楚，因为进一步就是已经躺着赚钱的算法开始带来收入了...................https://www.mql5.com/zh/code/8295
是的，关于Q 检验，是的，我们做了，但然后呢？
你能回答现在哪个模型符合你的观察结果吗？
这个模型的参数 是什么 ？这个检验给了你什么？ 你得到了什么问题的答案？ 我是说你的假设有点错误....。
你可以用不同的方法来做，最重要的是要明白这个测试在寻找什么，它在样本中确定了什么......
备注
- 在 进行 AVR 时，其基础正是对 ACF （自相关函数）、其 VIDA 和参数的分析。首先是自相关函数的类型（虽然没有提及，但其类型 决定了 下一步的 模型）。
- 您只是故意将 GARCH 模型拖到这里来。虽然通过你的研究（间接迹象），我们可以了解到这个模型并不合适......而且它也不是万能的，还有更好的模型......对于那些打算交易波动率的人来说，它可能是合适的，但 对于 预测价格序列（我们的目标）来说， 它 绝不 合适。如果你有兴趣，我可以更详细地解释原因，现在就简单说说。最吸引我的是
我决定回答最重要、最有趣的问题。
我同意 ACF 的类型决定了 进一步的 模式。但到目前为止，我还没有在文章中涉及到这一点。这是以后的任务。到目前为止，我已经介绍了预估 阶段，即所谓的预估阶段。
我之所以将 GARCH 引入这里，是因为它相对简单，如果我们都还没对它进行评估，您又是如何判定它不合适的呢？:-)
我将其定义为一种数学基础，它考虑到了之前的指标变化（ ϵ2t-i）和之前的方差估计值（所谓的 "旧消息"） （σ 2t-i）。
主要目标--利用某种模型对汇率（价格）进行预测--并不是一篇论文就能解决的......
- 你采用了 通过 傅立叶变换获得 ACF 的方法。你可以这样做，但在我的记忆中，在进行反傅里叶变换之前，应该有强制性的取模和可能的（我是凭记忆写的）模平方。 我 在你的算法中没有看到（也许我没有注意）。
分析：预测与控制》。第 3 版。Upper Saddle River, NJ: Prentice-Hall, 1994.
也可在 Matlab 中实现。
决定回答最重要、最有趣的问题。
...
因为在做出任何结论之前，首先需要确保一切计算正确无误。
H.Y.在一篇文章中不可能把所有东西都写出来，这一点很清楚，一个垫子模型马车和一个小推车 ))
关于参考外国文献，这里是http://www.statsoft.ru/home/textbook/modules/sttimser.html#1general。
软件包统计中有一个 ACF 的计算方法与 matlab 中的不谋而合，我曾经检查过一次。在相同的数据上，比较一下您在 MQL 和这些软件包中的计算结果。您在某个地方出错了
- 从您显示 ACF 的图中可以明显看出计算有误。ACF 的定义是-1...+1 范围内的函数， 而 您的 +-200 和乘数为 1e4（归一化为第 0 项）。
请仔细阅读文章中对y 轴 的描述。我这样做是因为 不可能 因为在Google Chart API 的 帮助下，无法反映小于 1 的小数值。
此外，正如您在算法中看到的，我删除了 ACF 数组中的零滞后，因为它始终等于 1。这使得图表更具可读性。
- 您正在减去 MOG（平均值 m=mean(res); ）。为什么要删除非趋势直线 方程 ？ 请说明理由。
这是给理论家提的问题。如果您有兴趣，我已经指出了算法的来源。
- 作为光谱处理方面的专家，您应该知道去除 MOG 类似于将光谱中的零分量归零，但完全正确地说，光谱中的这个分量是最强大的，根据函数sin(x)/x 的边叶，它扩展到整个光谱。因此，至少需要 使用 hemming 窗口（hening、butterworth......）来抑制边叶（这种效应）。
哦，我根本不是专家。您能详细解释一下吗？:-)
- 您在注释中写道 "逆加权傅立叶变换 "与简单的逆变换 有何 不同？ 如何 加权？
这里有 描述，我相信 ....
......你不能被 H4 的性质所迷惑，时间轴上的点之间距离越远，它们之间的相关性就越小，因此预测的准确性总是比短时间间隔的预测差�
你不能取对数 （ 或者说你可以取对数，但你不应该忘记它），否则你就会得到天罡星，简而言之，对初始数据的这种变换会改变 ACF 的形式，这一点极其重要（你可以借助统计软件包进行检查），很多人都踩到了这个耙子上，我曾经也踩到过......形式是不同的。
他们既要花几天时间，也要花几周时间:-)
什么的对数？对不起！
Trolls:
......统计软件包中有一种 ACF 计算方法与 matlab 不谋而合，我曾经检查过。在相同的数据上，比较一下用 MQL 和这些软件包计算的结果。你在某个地方出错了
我已经比较过了。一切都是正确的，没有错误。只是因为 Google，数据可视化仍在受影响。
在2011 年 1 月 21 日 14:19 这篇文章 的评论中，我 展示了 ACF 图，它通常是这样的，但没有零滞后，零滞后总是等于 1。