คำถามติดแท็ก stationarity

ฉันจะ detrend อนุกรมเวลาได้อย่างไร มันโอเคที่จะเริ่มต้นความแตกต่างและทำการทดสอบ Dickey ฟุลเลอร์และถ้าเป็นเครื่องเขียนเราดีหรือไม่? ฉันยังพบทางออนไลน์ที่ฉันสามารถ detrend ชุดเวลาโดยทำเช่นนี้ใน Stata: reg lncredit time predict u_lncredit, residuals twoway line u_lncredit time dfuller u_lncredit, drift regress lags(0) วิธีที่ดีที่สุดในการทำลายลำดับเวลา

14 regression  time-series  stata  stationarity 

ฉันมาข้ามหลักฐานสำหรับหนึ่งในคุณสมบัติของรุ่น ARCH ที่บอกว่าถ้าแล้ว{ X T }นิ่ง IFF Σ หน้าฉัน= 1ขฉัน &lt; 1ที่รูปแบบ ARCH คือ:E ( X2เสื้อ) &lt; ∞E(Xt2)&lt;∞\mathbb{E}(X_t^2) < \infty{ Xเสื้อ}{Xt}\{X_t\}Σพีi = 1ขผม&lt; 1∑i=1pbi&lt;1\sum_{i=1}^pb_i < 1 Xเสื้อ= σเสื้อεเสื้อXt=σtϵtX_t = \sigma_t\epsilon_t σ2เสื้อ= b0+ b1X2t - 1+ . . . ขพีX2t - pσt2=b0+b1Xt−12+...bpXt−p2\sigma_t^2 = b_0 + b_1X_{t-1}^2 + ... b_pX_{t-p}^2 แนวคิดหลักของการพิสูจน์คือการแสดงให้เห็นว่าสามารถเขียนเป็นกระบวนการ AR …

13 mathematical-statistics  stationarity  garch 

ลองนึกภาพเรามีสองกระบวนการอนุกรมเวลาที่มีความนิ่ง, การผลิต: x_t,xt,ytxt,ytx_t,y_t คือ ,ยังนิ่ง? ∀ α , β ∈ Rzt=αxt+βytzt=αxt+βytz_t=\alpha x_t +\beta y_t∀α,β∈R∀α,β∈R\forall \alpha, \beta \in \mathbb{R} ความช่วยเหลือใด ๆ ที่จะได้รับการชื่นชม ฉันจะบอกว่าใช่เพราะมันมีตัวแทน MA

12 time-series  stochastic-processes  stationarity 

อนุกรมเวลาที่ไม่หยุดนิ่งทุกตัวสามารถแปลงเป็นอนุกรมเวลาคงที่โดยใช้การเปลี่ยนแปลงที่แตกต่างกันได้หรือไม่? นอกจากนี้คุณจะตัดสินใจลำดับความแตกต่างที่จะใช้ได้อย่างไร คุณเพียงแค่แตกต่างกับช่วงเวลา 1,2 ... n และทำการทดสอบรูทยูนิตของเครื่องเขียนในแต่ละครั้งเพื่อดูว่าซีรีย์ที่ได้นั้นเป็นแบบนิ่งหรือไม่?

12 time-series  stationarity 

ฉันมีชุดข้อมูลที่เพิ่มขึ้นอย่างชัดเจนเมื่อเวลาผ่านไป (อัตราแลกเปลี่ยนของสกุลเงินข้อมูลรายเดือนเกิน 20 ปี) คำถามของฉันคือ: ฉันสามารถ detrend ข้อมูลแล้วแตกต่างเพื่อให้มันหยุดนิ่งถ้าตัวเองตกอยู่ในตัวเอง ไม่ได้รับสิ่งนี้ใช่หรือไม่ และถ้าเป็นเช่นนั้นสิ่งนี้จะได้รับการพิจารณาต่างกันสองครั้งหรือน่ารังเกียจและแตกต่างเพียงครั้งเดียว

12 time-series  stationarity 

ชุดมีดริฟท์สามารถจำลองเป็น ที่เป็นดริฟท์ (คงที่) และ 1 Yเสื้อ= c + ϕ yt - 1+ εเสื้อYเสื้อ=ค+φYเสื้อ-1+εเสื้อy_t = c + \phi y_{t-1} + \varepsilon_tคคcϕ = 1φ=1\phi=1 ชุดที่มีแนวโน้มสามารถจำลองเป็นที่เป็นดริฟท์ (คงที่),เป็นแนวโน้มเวลาที่กำหนดและ 1Yเสื้อ= c + δt + ϕ yt - 1+ εเสื้อYเสื้อ=ค+δเสื้อ+φYเสื้อ-1+εเสื้อy_t = c + \delta t + \phi y_{t-1} + \varepsilon_tคคcδเสื้อδเสื้อ\delta tφ= 1φ=1\phi=1 ทั้งสองซีรี่ส์เป็นและฉันคิดว่าทั้งคู่แสดงพฤติกรรมที่เพิ่มขึ้นผม( 1 )ผม(1)I(1) หากฉันมีซีรี่ส์ใหม่ที่แสดงพฤติกรรมที่เพิ่มขึ้นฉันจะรู้ได้อย่างไรว่าซีรี่ส์นี้เป็นซีรี่ส์ที่มีการดริฟท์หรือมีแนวโน้ม …

12 time-series  hypothesis-testing  stationarity  trend  unit-root 

กระบวนการไม่หยุดนิ่งหากการกระจายข้อต่อของเหมือนกันกับการกระจายข้อต่อของสำหรับทุกสำหรับทุกและทุกt_1,Xเสื้อXเสื้อX_t X ที1 + k , X เสื้อ2 + k , . . , X ตันเมตร + kมk T 1 , T 2 , . . , เสื้อเมตรXเสื้อ1, Xเสื้อ2, . . . , Xเสื้อม.Xเสื้อ1,Xเสื้อ2,...,Xเสื้อม.X_{t_1},X_{t_2},...,X_{t_m}Xเสื้อ1+ k, Xเสื้อ2+ k, . . . , Xเสื้อม.+ kXเสื้อ1+k,Xเสื้อ2+k,...,Xเสื้อม.+kX_{t_1+k},X_{t_2+k},...,X_{t_m+k}ม.ม.mkkkเสื้อ1, t2, . . . , tม.เสื้อ1,เสื้อ2,...,เสื้อม.t_1,t_2,...,t_m กระบวนการคือลำดับที่สองนิ่งถ้าค่าเฉลี่ยของมันเป็นค่าคงที่และฟังก์ชั่น …

11 time-series  autocorrelation  stochastic-processes  stationarity 

บางครั้งเซเรียอาอาจจำเป็นต้องมีความแตกต่างเพื่อให้นิ่ง อย่างไรก็ตามฉันไม่เข้าใจว่าความแตกต่างของลำดับที่สองสามารถช่วยให้หยุดนิ่งได้อย่างไรเมื่อความแตกต่างของลำดับที่หนึ่งไม่เพียงพอ คุณสามารถให้คำอธิบายที่เข้าใจง่ายสำหรับการสั่งซื้อลำดับที่สองและกรณีที่จำเป็นได้หรือไม่?

11 time-series  stationarity 

ฉันอ่านตัวอย่างที่กำหนดในหนังสือเครื่องเรียนรู้สำหรับแฮกเกอร์ ฉันจะทำอย่างละเอียดในตัวอย่างก่อนแล้วพูดคุยเกี่ยวกับคำถามของฉัน ตัวอย่าง : ใช้ชุดข้อมูลเป็นเวลา 10 ปีของราคาหุ้น 25 ใช้ PCA ในราคาหุ้น 25 เปรียบเทียบองค์ประกอบหลักกับดัชนี Dow Jones สังเกตความคล้ายคลึงกันที่แข็งแกร่งระหว่าง PC และ DJI! จากสิ่งที่ฉันเข้าใจตัวอย่างเป็นเหมือนของเล่นที่ช่วยให้มือใหม่อย่างฉันเข้าใจว่าเครื่องมือ PCA นั้นมีประสิทธิภาพเพียงใด! อย่างไรก็ตามการอ่านจากแหล่งข้อมูลอื่นฉันเห็นว่าราคาหุ้นไม่คงที่และใช้ PCA ในราคาหุ้นนั้นเป็นเรื่องไร้สาระ แหล่งที่มาจากที่ฉันอ่านเยาะเย้ยความคิดทั้งหมดของการคำนวณความแปรปรวนร่วมและ PCA สำหรับราคาหุ้น คำถาม : ตัวอย่างทำงานได้ดีอย่างไร PCA ของราคาหุ้นและ DJI นั้นใกล้กันมาก และข้อมูลนั้นเป็นข้อมูลจริงจากราคาหุ้น 2545-2554 ใครบางคนสามารถบอกให้ฉันทราบถึงแหล่งข้อมูลที่ดีสำหรับการอ่านข้อมูลที่อยู่กับที่ / ไม่อยู่นิ่ง ฉันเป็นโปรแกรมเมอร์ ฉันมีพื้นฐานคณิตศาสตร์ที่ดี แต่ฉันไม่ได้ทำคณิตศาสตร์อย่างจริงจังเป็นเวลา 3 ปี ฉันเริ่มอ่านอีกครั้งเกี่ยวกับสิ่งต่าง ๆ เช่นการเดินแบบสุ่ม ฯลฯ

10 time-series  pca  references  covariance  stationarity 

หากฉันมีอนุกรมเวลาที่มีฤดูกาลนี่จะทำให้ซีรีส์หยุดโดยอัตโนมัติหรือไม่? สัญชาตญาณของฉัน (อาจปิด) คือมันไม่ได้ ฤดูกาลหมายถึงซีรีส์ขึ้นและลงรอบค่าคงที่ .... บางอย่างเช่นคลื่นไซน์ ดังนั้นตรรกะนี้อนุกรมเวลาที่มีฤดูกาลคือซีรีย์นิ่ง (อ่อน) (ค่าเฉลี่ยคงที่) มันผิดหรือเปล่า? ทำไม?

10 time-series  stationarity  seasonality 

มีใครบ้างที่เป็นตัวอย่างที่ดีของกระบวนการสโทแคสติกที่เป็นอันดับ 2 ซึ่งอยู่นิ่ง แต่ไม่หยุดนิ่งอย่างเคร่งครัดหรือไม่?

10 time-series  stochastic-processes  stationarity 

ฉันพบวิธีแก้ปัญหาที่ระบุว่าหากตารางเวลาของอนุกรมเวลาคงที่ดังนั้นอนุกรมเวลาเดิมและในทางกลับกัน อย่างไรก็ตามฉันดูเหมือนจะไม่สามารถพิสูจน์ได้ว่าใครมีความคิดว่านี่เป็นเรื่องจริงและถ้ามันเป็นวิธีการที่จะได้รับมัน?

9 time-series  self-study  data-transformation  stationarity 

ปิด คำถามนี้จะต้องมีมากขึ้นมุ่งเน้น ไม่ยอมรับคำตอบในขณะนี้ ต้องการปรับปรุงคำถามนี้หรือไม่ อัปเดตคำถามเพื่อให้มุ่งเน้นที่ปัญหาเดียวโดยแก้ไขโพสต์นี้ ปิดให้บริการใน22 วันที่ผ่านมา คำถามที่ 1: มีวิธีการทั่วไปหรือเป็นที่ยอมรับในการจัดการกับสภาพแวดล้อมที่ไม่อยู่นิ่งในการเรียนรู้การเสริมแรงโดยทั่วไปหรือไม่? Q2: ใน gridworld ของฉันฉันได้เปลี่ยนฟังก์ชั่นการให้รางวัลเมื่อมีการเยี่ยมชมรัฐ ทุก ๆ ตอนรางวัลจะรีเซ็ตเป็นสถานะเริ่มต้น ทั้งหมดที่ฉันต้องการให้ตัวแทนของฉันเรียนรู้คือ "อย่าย้อนกลับไปเว้นแต่คุณต้องการจริงๆ" อย่างไรก็ตามสิ่งนี้ทำให้สภาพแวดล้อมไม่อยู่กับที่ สามารถ / ควรรวมกฎง่ายๆนี้ไว้ในโมเดล MDP หรือไม่และอย่างไร Q-learning เป็นทางออกที่ดีที่สุดในการจัดการกับปัญหานี้หรือไม่? ข้อเสนอแนะหรือตัวอย่างที่มีอยู่? คำถามที่ 3: ฉันได้ดู Q-learning ด้วยการเล่นซ้ำประสบการณ์เป็นวิธีแก้ไขปัญหาเกี่ยวกับสภาพแวดล้อมที่ไม่หยุดนิ่งเนื่องจากมันสัมพันธ์กับการปรับปรุงที่ต่อเนื่อง นี่เป็นการใช้วิธีที่ถูกต้องหรือมากกว่านั้นเพื่อจัดการกับการเรียนรู้ข้อมูลที่มีประสิทธิภาพมากขึ้นหรือไม่ และฉันเห็นว่ามันใช้กับการประมาณค่าเท่านั้น ฉันไม่แน่ใจว่ามันเป็น overkill หรือเปล่าที่จะใช้มันสำหรับพื้นที่ที่แยกออกง่าย ๆ เช่น gridworld หรือมีเหตุผลอื่นสำหรับเรื่องนี้ โปรดตอบหรือแสดงความคิดเห็นแม้ว่าคุณจะไม่สามารถตอบคำถามทุกข้อได้

9 markov-process  reinforcement-learning  stationarity  q-learning 

ฉันใช้ไลบรารี่ VAR ของ Python ในการสร้างแบบจำลองข้อมูลอนุกรมเวลาการเงินและผลลัพธ์บางอย่างทำให้ฉันงงงวย ฉันรู้ว่าแบบจำลอง VAR ถือว่าข้อมูลอนุกรมเวลาอยู่กับที่ ฉันบังเอิญใส่ราคาล็อกที่ไม่คงที่สำหรับหลักทรัพย์สองชุดที่แตกต่างกันโดยไม่ตั้งใจและน่าประหลาดใจที่ค่าติดตั้งและการคาดการณ์ในตัวอย่างนั้นมีความแม่นยำมาก R2R2R^2 ในการพยากรณ์ในตัวอย่างคือ 99% และค่าเบี่ยงเบนมาตรฐานของซีรีส์ส่วนที่เหลือที่คาดการณ์อยู่ที่ประมาณ 10% ของค่าการคาดการณ์ อย่างไรก็ตามเมื่อฉันแตกต่างราคาบันทึกและปรับให้พอดีกับอนุกรมเวลานั้นกับรุ่น VAR ค่าติดตั้งและการคาดการณ์จะอยู่ไกลจากเครื่องหมายซึ่งอยู่ในระยะที่แคบโดยรอบค่าเฉลี่ย เป็นผลให้ส่วนที่เหลือทำการคาดการณ์งานได้ดีกว่าค่าที่ติดตั้งพร้อมกับส่วนเบี่ยงเบนมาตรฐานของส่วนที่เหลือที่คาดการณ์ 15X ที่ใหญ่กว่าชุดข้อมูลที่ติดตั้งแล้วเป็น. 007R2R2R^2 ค่าสำหรับชุดการคาดการณ์ ฉันตีความผิดกับสิ่งที่ติดอยู่กับรุ่น VAR หรือทำให้เกิดข้อผิดพลาดอื่น ๆ หรือไม่? เหตุใดอนุกรมเวลาที่ไม่หยุดนิ่งจะส่งผลให้การคาดการณ์มีความแม่นยำมากขึ้นกว่าอนุกรมที่อยู่กับที่โดยอ้างอิงจากข้อมูลพื้นฐานเดียวกัน ฉันทำงานได้ดีกับรุ่น ARMA จากคลังหลามเดียวกันและไม่เห็นอะไรเหมือนการสร้างแบบจำลองข้อมูลชุดเดียว

9 time-series  forecasting  r-squared  var  stationarity 

ฉันมีปัญหาในการแยกแยะความแตกต่างระหว่างแนวคิดเรื่องความไร้สติและความคงที่ ในขณะที่ฉันเข้าใจพวกเขา heteroscedasticity นั้นมีความแตกต่างกันในประชากรย่อยและผู้ที่ไม่อยู่กับที่ก็คือค่าเฉลี่ย / ความแปรปรวนที่เปลี่ยนแปลงตลอดเวลา หากสิ่งนี้เป็นความเข้าใจที่ถูกต้อง (แม้ว่าจะเป็นแบบง่ายๆ) การไม่อยู่นิ่ง ๆ เป็นเพียงกรณีเฉพาะของความแตกต่างระหว่างเวลาหรือไม่?

9 time-series  heteroscedasticity  stationarity  intuition