Редактирование: Анализ временных рядов
Внимание! Вы не авторизовались на сайте. Ваш IP-адрес будет публично видимым, если вы будете вносить любые правки. Если вы войдёте или создадите учётную запись, правки вместо этого будут связаны с вашим именем пользователя, а также у вас появятся другие преимущества.
Правка может быть отменена. Пожалуйста, просмотрите сравнение версий, чтобы убедиться, что это именно те изменения, которые вас интересуют, и нажмите «Записать страницу», чтобы изменения вступили в силу.
Текущая версия | Ваш текст | ||
Строка 139: | Строка 139: | ||
$\sigma^2(t) = \alpha + \sum_{i = 1}^{\alpha}b_ir^{2}_{t-1}$ <br> | $\sigma^2(t) = \alpha + \sum_{i = 1}^{\alpha}b_ir^{2}_{t-1}$ <br> | ||
− | где $\alpha$ {{---}} коэффициент задержки | + | где $\alpha$ {{---}} коэффициент задержки. ARCH модель моделирует волатильность в виде суммы базовой волатильности и линейной функции абсолютных значений нескольких последних изменений значений. |
− | |||
− | |||
Позднее была создана GARCH {{---}} обобщённая ARCH модель, которая также учитывает предыдущие оценки дисперсии. Формула может быть записана так: | Позднее была создана GARCH {{---}} обобщённая ARCH модель, которая также учитывает предыдущие оценки дисперсии. Формула может быть записана так: | ||
Строка 201: | Строка 199: | ||
Мы можем моделировать будущие выборочные пути этой модели итеративно, случайным образом генерируя значение для $\epsilon_t$ либо из нормального распределения, либо путем повторной выборки из исторических значений.<br> Так что если | Мы можем моделировать будущие выборочные пути этой модели итеративно, случайным образом генерируя значение для $\epsilon_t$ либо из нормального распределения, либо путем повторной выборки из исторических значений.<br> Так что если | ||
− | $\ | + | $\epsilon_{T+1}*$ |
− | {{---}} случайная выборка из распределения ошибок в момент времени $T+1$,<br> тогда $ | + | {{---}} случайная выборка из распределения ошибок в момент времени $T+1$,<br> тогда $y_{T+1}* = f(y_T) + \epsilon_{T+1}*$ {{---}} один из возможных вариантов распределения прогнозов для $y_{T+1}$ <br> |
− | Установив $ | + | Установив $y_{T+1}* = (y_{T+1}*, y_{T})'$, мы можем повторить процесс, чтобы получить $y_{T+2}* = f(y_{T+1}) + \epsilon_{T+2}$. <br> |
Таким образом, мы можем итеративно моделировать будущий путь выборки. Повторно моделируя выборочные пути, мы накапливаем знания о распределении всех будущих значений на основе подобранной нейронной сети. | Таким образом, мы можем итеративно моделировать будущий путь выборки. Повторно моделируя выборочные пути, мы накапливаем знания о распределении всех будущих значений на основе подобранной нейронной сети. | ||
Строка 251: | Строка 249: | ||
*[http://statsoft.ru/home/textbook/modules/sttimser.html StatSoft: Анализ временных рядов] | *[http://statsoft.ru/home/textbook/modules/sttimser.html StatSoft: Анализ временных рядов] | ||
*[https://chaos.phys.msu.ru/loskutov/PDF/Lectures_time_series_analysis.pdf Лоскутов А.Ю. физ. фак. МГУ: Анализ Временных Рядов] | *[https://chaos.phys.msu.ru/loskutov/PDF/Lectures_time_series_analysis.pdf Лоскутов А.Ю. физ. фак. МГУ: Анализ Временных Рядов] | ||
− | |||
− | |||
[[Категория: Машинное обучение]] | [[Категория: Машинное обучение]] | ||
[[Категория: Анализ временных рядов]] | [[Категория: Анализ временных рядов]] |