Entschuldigen Sie mich für die Frage, Im Lesen Prognose: Grundsätze und Praxis von Rob J Hyndman. Im stecken auf diesem Kapitel: otexts. orgfpp84 die kurz erklärt, wie ein gleitender Durchschnitt funktioniert. Der Grund ist, dass ich havent verstanden, wie die e mit k in 1. q (Blick auf die Formel auf den Link oben) berechnet werden. Ich möchte eine einfache lineare Regression mit minimalen Quadraten auf die Fehler zwischen den Prognosen und den realen Werten anzuwenden, aber ich war nicht in der Lage zu verstehen, was ist der Wert, um diese Fehler zuzuordnen. Wie kann ich handeln, um sie zu erhalten Vielen Dank im Voraus Die Fehlerbedingungen für den MA-Teil eines ARIMA-Modells werden in der Regel als Teil der Schätzroutine produziert - und sind gleich der Differenz zwischen dem beobachteten Wert und dem angepassten Wert. Das bedeutet a) Sie können keine einfache lineare Regression verwenden, um Ihr Modell zu schätzen - die Werte der Fehlerterme hängen von den Koeffizienten Ihres Modells ab, sodass Sie die Fehlerterme nicht in eine Regression einschließen können, um diese Koeffizienten zu erzeugen. B) Wenn Sie ein Modell verwenden, das auf einem Datensatz erstellt wird, um Prognosen für einen anderen Datensatz zu erhalten - mit einer Methode, die mit den einstufigen Prognosen vergleichbar ist, die Professor Hyndman auf seinem Blog hier beschreibt, ist dies wahrscheinlich der einfachste Weg. C) wenn Sie die Werte generieren wollen, um die Mathematik von dem, was los ist zu generieren - es ist in der Regel ziemlich einfach, Dinge in einer Tabelle einrichten. Berechnen Sie Ihre Prognose für Periode eins. Subtrahieren Sie die Prognose von dem realen Wert für diesen Zeitraum, um den Fehler für Periode 1 zu generieren. Verwenden Sie diesen Fehler für Periode 1 (zusammen mit anderen relevanten Daten), um die Prognose für Zeitraum zwei zu berechnen - und so weiter. Wenn Sie Ihre Tabellenkalkulation richtig einrichten - dies kann einfach das Erstellen der entsprechenden Formeln einmal, dann kopieren sie eine Spalte, um Ihre Werte zu erhalten. In jedem Fall ist es wahrscheinlich besser, zu vergleichen, Ihre Prognosen auf Ihre Vorhersagen über etwas wie die Mean Absolute Scaled Error, oder eine andere Technik, die evauliert, wie nah Ihre Modell-Projektionen auf die tatsächlichen Werte in den Daten zu sehen sind. Eine einfache lineare Regression der reellen Werte auf den Projektionen ist nicht eine große Weise, dies zu tun - es gibt Ihnen einen Vergleichswert, aber nicht zwischen Ihrer Projektion und dem Wert, sondern eine lineare Transformation Ihrer Funktion und des Wertes. Wenn Sie die lineare Regression durchführen und einen Abweichungskoeffizienten erhalten, der nicht gleich (oder zumindest nahe) bis null ist oder ein Steigungskoeffizient, der nicht gleich (oder zumindest nahe) zu einem ist, ist dies ein Zeichen von Ein wesentliches Problem mit Ihrem Modell, egal wie gut die Güte der Anpassungsstatistiken sind aus der Regression beantwortet Nov 6 14 at 23: 14Linear Regression Indicator Die lineare Regression Indicator wird für Trend-Erkennung und Trend folgen in ähnlicher Weise wie gleitende Durchschnitte verwendet. Das Kennzeichen darf nicht mit linearen Regressionslinien verwechselt werden, bei denen es sich um gerade Linien handelt, die an eine Reihe von Datenpunkten angepasst sind. Der lineare Regressionsindikator zeichnet die Endpunkte einer ganzen Reihe linearer Regressionslinien auf, die an aufeinanderfolgenden Tagen gezeichnet wurden. Der Vorteil der linearen Regression Indicator über einen normalen gleitenden Durchschnitt ist, dass es weniger Verzögerung als der gleitende Durchschnitt hat, reagiert schneller auf Richtungsänderungen. Der Nachteil ist, dass es anfälliger für whipsaws ist. Der Linear Regression Indicator ist nur für den Handel mit starken Trends geeignet. Signale werden ähnlich wie gleitende Mittelwerte genommen. Verwenden Sie die Richtung des Linear Regression Indicators, um Trades mit einem längerfristigen Indikator als Filter einzugeben und zu beenden. Gehen Sie lange, wenn die Linear Regression Indicator auftaucht oder beenden Sie einen kurzen Handel. Gehen Sie kurz (oder verlassen einen langen Handel), wenn die Linear Regression Indicator ausgeschaltet wird. Eine Variation des obigen ist es, Trades einzugeben, wenn der Kurs die Linear Regression Indicator überschreitet, aber trotzdem beenden, wenn die Linear Regression Indicator ausgeschaltet wird. Maus über Diagrammbeschriftungen, um Handelssignale anzuzeigen. Gehen Sie lange L, wenn der Kurs über dem 100-Tage-Linear-Regressions-Indikator kreuzt, während der 300-Tage-Anstieg ansteigt. Exit X, wenn die 100-tägige Linear Regression Indicator ausfällt Gehen Sie bei L erneut, wenn der Kurs über dem 100-Tage Linear Regression Indicator Exit geht X, wenn die 100-Tage-Linear-Regression-Anzeige nachlässt Go long L, wenn der Kurs über 100 Tage hinausgeht Lineare Regression Beenden X, wenn die 100-Tage-Anzeige ausfällt Gehen Sie lange L, wenn die 300-tägige Linear-Regressionsanzeige nach dem oben gekreuzten Preis auftaucht Den 100-Tage-Indikator Exit X, wenn die 300-Tage-Linear Regression Indicator ausgeschaltet wird. Bearish Divergenz auf dem Indikator warnt vor einer großen Trendumkehr. Dies ist eine grundlegende Frage auf Box-Jenkins MA-Modelle. Wie ich verstehe, ist ein MA-Modell im Grunde genommen eine lineare Regression von Zeitreihenwerten Y gegen frühere Fehlerterme et. D. h. Das heißt, die Beobachtung Y wird zuerst gegen ihre vorherigen Werte Y zurückgerechnet. Y und dann werden ein oder mehrere Y-Hold-Werte als Fehlerterme für das MA-Modell verwendet. Aber wie werden die Fehlerbegriffe in einem ARIMA (0, 0, 2) - Modell berechnet Wenn das MA-Modell verwendet wird, ohne einen autoregressiven Teil und somit keinen geschätzten Wert, wie kann ich möglicherweise einen Fehler Begriff gefragt 7 Apr 12 at 12:48 MA Modellschätzung: Nehmen wir eine Serie mit 100 Zeitpunkten an und bezeichnen sie als MA (1) - Modell ohne Intercept. Dann wird das Modell durch ytvarepsilont - thetavarepsilon, quad t1,2, cdots, 100quad (1) gegeben. Der Fehlerterm wird hier nicht beobachtet. Um dies zu erreichen, haben Box et al. Zeitreihenanalyse: Prognose und Steuerung (3. Ausgabe). Seite 228. Dass der Fehlerterm rekursiv berechnet wird, also ist der Fehlerterm für t1, varepsilon y thetavarepsilon Jetzt können wir dies nicht berechnen, ohne den Wert von theta zu kennen. Um dies zu erreichen, müssen wir die anfängliche oder vorläufige Schätzung des Modells berechnen, siehe Box et al. Dass die ersten q Autokorrelationen des MA (q) - Prozesses von Null verschieden sind und in Form der Parameter des Modells als rhokdisplaystylefrac theta1theta theta2theta cdotstheta thetaq quad geschrieben werden können K1,2, cdots, q Der obige Ausdruck forrho1, rho2cdots, rhoq in Form von theta1, theta2, cdots, thetaq liefert q Gleichungen in q Unbekannten. Vorläufige Schätzungen der Thetas können durch Ersetzen von Schätzungen rk für rhok in obiger Gleichung erhalten werden. Man beachte, daß rk die geschätzte Autokorrelation ist. In Abschnitt 6.3 - Anfängliche Schätzungen für die Parameter gibt es mehr Diskussion. Lesen Sie bitte weiter. Angenommen, wir erhalten die anfängliche Schätzung theta0.5. Dann varepsilon y 0.5varepsilon Nun, ein anderes Problem ist, haben wir nicht Wert für varepsilon0, weil t beginnt bei 1, und so können wir nicht berechnen varepsilon1. Zum Glück gibt es zwei Methoden zwei erhalten diese, Bedingte Wahrscheinlichkeit Unbedingte Wahrscheinlichkeit Laut Box et al. Abschnitt 7.1.3 Seite 227. Können die Werte von varepsilon0 als Näherung zu null ersetzt werden, wenn n mittel oder groß ist, ist diese Methode Bedingte Wahrscheinlichkeit. Andernfalls wird Unbedingte Likelihood verwendet, wobei der Wert von varepsilon0 durch Rückprognose erhalten wird, Box et al. Empfehlen diese Methode. Lesen Sie mehr über die Rückprognose unter Abschnitt 7.1.4 Seite 231. Nach dem Erhalten der anfänglichen Schätzungen und des Wertes von varepsilon0 können wir schließlich mit der rekursiven Berechnung des Fehlerterms fortfahren. Dann ist die letzte Stufe, um den Parameter des Modells (1) schätzen, denken Sie daran, dies ist nicht die vorläufige Schätzung mehr. Bei der Schätzung des Parameters theta verwende ich das Verfahren der nichtlinearen Schätzung, insbesondere den Levenberg-Marquardt-Algorithmus, da MA-Modelle nichtlinear sind.
No comments:
Post a Comment