文章 "利用指数平滑法进行时间序列预测"
祝贺作者撰写了一篇具有一定理论基础的文章。
我无法穿越代码迷宫，但我想比较一下。
初始报价
我们有以下平滑变体：
平滑结果
回归方程：
eurusd = c(1)*eurusdsm(-1) + c(2)*trend + c(3)
回归方程的估计
| 变量 | 系数 | Stand.osh. | t 统计量 | 概率 |
| EURUSDSM(-1) | 0.759607 | 0.049127 | 15.46225 | 0.0000 |
| REND | 0.000207 | 5.79E-05 | 3.577804 | 0.0005 |
| C | 0.314884 | 0.065276 | 4.823886 | 0.0000 |
回归方 = 0.788273
回归标准误差 = 0.015172
从得到的数据中，我们注意到
所有回归系数都是显著的（它们等于零的概率等于零）
R 平方相当高（但不是很高），说明回归解释了 78% 的方差
标准误差为 151 点。这是一个很大的数字。
我们能相信得出的数字吗？
我不这么认为，因为根据 Jarque-Bera 的研究，平滑序列具有正态分布的概率为 31%。
我们来做个预测：
预测误差与回归误差相差无几，超过 100 点
让我们来看看预测误差图：
这是一个完整的结果：误差是可变的，这意味着预测的未来行为是未知的！
为了找出原因，我们来看看回归方程系数的相关性：
我们可以看到，系数 c(1) 和 c(3) 几乎 100%相关。
我的结论是，我们不能使用指数 平滑法进行预测。
为什么会出现不同的结果呢？
在我看来，你们找到的最佳参数显然只是一个微不足道的拟合。回归本身是没有希望的，它的系数是相关的。
为什么我们有разные результаты ？
在我看来，你们找到的最佳参数 显然只是一个微不足道的拟合。回归本身是没有希望的，其中的系数是相互关联的。
感谢您对这篇文章的关注。
请澄清一下您的意思？哪些结果没有收敛，最佳参数是什么？
victorg:
请原谅，你说你可以使用它，但我的结论是你不能。
请说明你的意思？
faa1947:
请原谅，你说你可以使用它，但我的结论是你不能。
用什么，为了什么目的？
请原谅，你说你可以使用它，但我的结论是你不能。
victorg:
在您的文中："回归方程：eurusd= c(1)*eurusdsm(-1) + c(2)*trend+c(3)"。为什么是回归，这篇文章是关于指数平滑模型的，而且还有一个不同的模型，那里的c(3) 是一个具有某种分布和方差的随机变量，而不是c(3)？
这行不通，瞎子说聋子。让我们推迟吧。
再次祝贺您的好文章。
新文章 利用指数平滑法进行时间序列预测已发布：
本文旨在让读者熟悉用于时间序列短期预测的指数平滑模型，此外还会探讨预测结果优化与评估相关的各种问题，并提供若干脚本与指标示例。当您首次接触基于指数平滑模型的预测原则时，阅读本文定会有所收益。
作者：Victor