从价格BP中获得静止的BP
换句话说，只要使用近似函数进行分解，它就是一个静止的序列，当白噪声消失后，就是周期的结束。我对你的理解正确吗？
近似是一种配合。这就是为什么我提议不是靠近似而是靠外推来获得固定的BP。
请原谅我的想法。也许我的理解还没有达到你的高度。让我提出一个非常委婉的建议。
你认为第一个帖子中存在着循环论证吗？
一些定义（以自由形式），这样就不会有辩论，关于定义。
在直观的层面上，我们将时间序列的静止性与以下要求联系起来：它有一个恒定的平均值，并以恒定的方差围绕这个平均值振荡。
如果m个观测值x(t1),x(t2),:,x(tm)的联合概率分布 与m个观测值相同，则一个序列x(t)被称为严格静止的（或狭义上的静止）。
换句话说，一个严格静止的时间序列的属性不会随着原点的改变而改变。
特别是，关于时间序列x(t)的严格静止性的假设意味着随机变量x(t)的概率分布规律不依赖于t，因此它的所有基本数字特征，包括
数学期望值Mx(t)=a
分散性Dx(t)=M(x(t)-a)2=c^2
如果一个序列x(t)的平均值和方差与t无关，则称为弱稳态（或广义上的稳态）。
显然，所有严格静止（或狭义静止）的时间序列在广义上也是静止的，但反之亦然。
非稳态序列是指因非随机成分而与稳态序列不同的序列。
你认为第一个帖子中存在循环推理吗？
没有。
1.我们首先对价格系列进行近似。我们得到近似价格BP的公式：price_appr(time)
2.外推价格_appr(时间+i)
3.获取合成delta(时间+i) = Open[时间+i] - price_appr(时间+i)
4.检查delta(x)的白噪声。如果它有噪音，那就很无奈了。如果它不发出声音，那就继续。
5.近似合成，得到公式：delta_appr(time)
6.预测：预测（时间+i+j）=价格_应用（时间+i+j）+delta_应用（时间+i+j）。
其中：i和j是前几步的OOS。 时间，i和j是不相交的时间集。
听起来很诱人。但是。
我们只能检查外推区间的噪音。
这意味着，对于每一步，我们必须以间隔的形式提前创建一个保证金，在这个间隔上检查噪音。
这不是打破了整个想法吗？
是的，顺便问一下，一排要多长才能够可靠地确定它的噪音（不是噪音）？
残差的静止性意味着推断模型是充分的。残差应该是正态分布，有MO=0，不包含自相关等。一般来说，他们应该是独立的。
"
......
但是，一个定性的模型不仅要给出足够准确的预测，而且要经济，要有独立的残差，只包含没有系统成分的噪声（特别是，残差的ACF不能有任何周期性）。因此需要对残差进行全面分析。对该模型的良好检查是。(a) 绘制残差图并检查其趋势，(b) 检查残差的ACF（ACF图通常清楚地显示周期性）。
残留物分析。如 果残差是系统性的分布（例如，在系列的第一部分是负的，而在第二部分大约是零）或包括一些周期性的成分，这表明模型的不足。残差分析在时间序列分析中是极其重要和必要的。该估计程序假定残差是不相关的，并且是正态分布。"
残差的静止性意味着推断模型是充分的。残差必须是正态分布，并且有MO=0，没有自相关，等等。一般来说，他们应该是独立的。
"
......
但是，一个定性的模型不仅要给出足够准确的预测，而且要经济，要有独立的残差，只包含没有系统成分的噪声（特别是，残差的ACF不能有任何周期性）。因此需要对残差进行全面分析。对该模型的良好检查是。(a) 绘制残差图并检查其趋势，(b) 检查残差的ACF（ACF图通常清楚地显示周期性）。
残留物分析。如果残差是系统性的分布（例如，在系列的第一部分是负的，而在第二部分大约是零）或包括一些周期性的成分，这表明模型的不足。残差分析在时间序列分析中是极其重要和必要的。该估计程序假定残差是不相关的，并且是正态分布。"
书呆子虚张声势。难道你自己的大脑还不足以意识到你引用的链接中的所有内容都是无稽之谈？
继续阅读，我引用一下。"局限性。回顾一下，ARPSS模型只适用于静止的 系列（均值、方差和自相关随时间近似不变）；对于非静止的系列，采取差值。建议在原始数据文件中至少有50个观测值。 还假设模型参数是恒定的，即不随时间变化。"（我不想讨论50个观察值这个数字，因为即使是这个论坛上的傻瓜也清楚，50个交易不是一个结果）。
让我们有一个非平稳序列，我们已经采取了残差-delta(x)。正如这项书呆子 "工作 "中所建议的那样，剩余物本身必须符合要求，引用。"只包含噪音，没有系统成分"。
去他妈的。让我们的声音响起来。噪声本身是无法以任何方式预测的。因此，近似是没有用的。但它确实有这样的属性，我引用一下。"残差应呈正态分布，且有MO=0。"
因此，我们取其MO=0，而不是噪声。
将其代入预测：预测（时间+i+j）=价格_应用（时间+i+j）+delta_应用（时间+i+j）=价格_应用（时间+i+j）+0 =价格_应用（时间+i+j）。
所以，对噪音的预测是第一个近似值：price_appr(x)。而第一个近似值，正如我在这个主题的第三个帖子中所说的，是一个赤裸裸的配合。其结果是。
植物学预测=适合
最原始的版本。我们对价格进行了近似的BP。推断。外推的BP和真实BP之间的差异也是BP，但已经是静止的。让我们把这个新的GR称为合成GR。
例如，通过EMA（二阶，例如）进行预测并不能得到残差的静止VR。所以推断的问题也是相当艰难的。我想gpwr 发表了一个指标，其中实施了各种线性推断方法。你想分析一下残留物的分布吗？
正如我们所知，静止的BPs如果不是白噪声，是可以预测的
我不知道是否有人曾经在价格转换中遇到过白噪声？
对于如何在测试器中说明非稳态性，你有什么真正的想法吗？
因此，这不是很复杂。这需要一些工作，但总的来说，这个问题是可以解决的。但由于某些原因没有讨论。
如你所知，静止的血压如果不是白噪声，是可以预测的。
因此，迫切需要将非稳态价格BP转换为稳态价格，但有可能进行逆向转换。
最原始的变体。大概的价格VR。推断。外推的BP和真实的BP之间的差异也是BP，但是是静止的。让我们把这个新的BP称为合成BP。
推断出合成BP。加之对价格VR的推断。如果合成的BP不是白噪声，则输出是两个外推的结果之和。