I have 2500 time series which I want to test the predictability and based on that, choose the best one to forecast. Ideally I want to use a simple model like ARMA-GARCH for forecasting. Are there any tests for forecasting abilities which I can assess the time-series?
One of the important issues being faced by forecasters is if the given series can be forecasted or not ? "Smaller ApEn values indicate a greater chance that a set of data will be followed by similar data (regularity). Conversely, a larger value of ApEn indicates a lower chance of similar data being repeated (irregularity). Hence, larger values...
예, 맞습니다. 특징 벡터가 행렬로 변환되어 컨볼루션에 공급되면 거의 변경되지 않습니다(이미 확인됨). 제 경우에는 검색 및 컨볼루션 네트워크 속성의 사용을 최대화하는 것이 아이디어입니다. 로컬 패턴을 사용합니다. 이러한 패턴은 전송 불변입니다. 즉, 다층 컨볼루션은 이미지의 다른 위치에서 동일한 패턴을 찾을 수 있습니다. 또한 기능 맵을 중간에 적극적으로 줄이는 아키텍처를 사용하면 서로 다른 컨볼루션 레이어의 템플릿 간에 계층 구조를 형성할 수 있습니다. 그래서 저는 컨볼루션이 이러한 패턴을 찾을 수 있도록 하는 인용문에 대한 그래픽 해석을 찾으려고 노력하고 있습니다.
우리 작업에는 convLSTM이 더 적합합니다. 즉, 시공간 매개변수를 고려한 컨볼루션입니다. 예제는 여기 와 여기에서 볼 수 있습니다. 토치에서 나는 그것이 일주일 동안 어떻게 작동하는지 확인할 것입니다. PyTorch 에 구현이 있습니다.
난수. 이러한 가중치를 사용 하는 신경망 은 입력과 출력 간에 올바른 관계를 가질 수있지만 이러한 실제 가중치가 작동하는 이유는 여전히 미스터리 입니다. 이것은 신경망의 신비한 속성입니다많은 과학자와 엔지니어가 그것을 피하는 이유입니다. 컴퓨터를 배신한 사람들이 퍼뜨리는 모든 과학 소설을 생각해 보십시오.
시리즈의 예측 가능성은 어떻게 측정할 수 있습니까? 또는 추세를 제거하지 않고 stasynarnost?
시리즈의 안정성을 어떤 척도로 측정할 수 있습니까?
정지 상태의 존재(하나의 수학적 모델로 설명되거나 확장하는 경우 전체 영역에 걸친 주파수 및 진폭의 불변성). 즉, 짧은 부분은 긴 부분과 동일하게 기술되어야 하거나, 긴 부분 전체에 걸쳐 다른 짧은 부분에 대한 설명이 동일해야 합니다.
필터 및 캐리어에서. 노이즈 주파수가 캐리어에 비례하면 끔찍하지 않지만 정보가 있으면 더 나쁩니다. 물론 노이즈의 진폭은 더 작아야 합니다.
단일 수학적 모델 내에서 계열의 안정성은 이해하기 쉽습니다. 그러나 주기적으로 모델을 교체하면 안정구간을 구축하는 속도나 모델을 변경하는 구간의 길이, 안정구간 길이, 주파수 및 진폭 특성의 불변성. 이것은 복잡한 개념입니다.
정지 상태의 존재(하나의 수학적 모델로 설명되거나 ...........
이것을 구현하는 방법을 모르겠습니다 .... 아마도 더 간단한 형식이있을 수 있습니다 ...
입력에서 시장 시세 를 취하고 출력에서 더 "예측 가능한" 시리즈를 출력하는 것이 목표인 네트워크를 만들고 싶습니다.
하지만 '예측 가능성'이 필요해
이것을 구현하는 방법을 모르겠습니다 .... 아마도 더 간단한 형식이있을 수 있습니다 ...
입력에서 시장 시세 를 취하고 출력에서 더 "예측 가능한" 시리즈를 출력하는 것이 목표인 네트워크를 만들고 싶습니다.
하지만 '예측 가능성'이 필요해
이것을 구현하는 방법을 모르겠습니다 .... 아마도 더 간단한 형식이있을 수 있습니다 ...
입력에서 시장 시세 를 취하고 출력에서 더 "예측 가능한" 시리즈를 출력하는 것이 목표인 네트워크를 만들고 싶습니다.
하지만 '예측 가능성'이 필요해
지금까지 과학은 역사에서 결정되기 때문에 정체의 시작을 정확하게 결정하는 방법을 모릅니다. 마샤처럼.
비정상 계열에 대한 예측 가능성 측정은 없으며 고정 섹션에서만 가능합니다. 네트워크가 시작하기 위해 히스토리에서 이러한 섹션을 최소한 단순히 결정한다면 이미 좋은 것입니다.
.
옵션 중 하나로. 하나의 값으로 예측 가능성을 측정할 수 없음)
지금까지 과학은 역사에서 결정되기 때문에 정체의 시작을 정확하게 결정하는 방법을 모릅니다. 마샤처럼.
비정상 계열에 대한 예측 가능성 측정은 없으며 고정 섹션에서만 가능합니다. 네트워크가 시작하기 위해 히스토리에서 이러한 섹션을 최소한 단순히 결정한다면 이미 좋은 것입니다.
당신은 이해하지 못합니다 .. 나는 아무 것도 예측하지 않을 것입니다. 나는 네트워크가 새로운 고정 시리즈를 생성하도록 할 것입니다 ...
역사에 대한 정의는 나에게 적합합니다. 가장 중요한 것은 그것이 작동한다는 것입니다.
여기 당신이 필요로하는 것입니다
당신은 이해하지 못합니다 .. 나는 아무 것도 예측하지 않을 것입니다. 나는 네트워크가 새로운 고정 시리즈를 생성하도록 할 것입니다 ...
역사에 대한 정의는 나에게 적합합니다. 가장 중요한 것은 그것이 작동한다는 것입니다.
여기 당신이 필요로하는 것입니다
엔트로피를 통해서도 가능합니다. 나에게 이것은 복잡한 개념입니다. 주식의 안정성과 같습니다. 또한 하나의 매개변수로 설명되지 않습니다.
예, 맞습니다. 특징 벡터가 행렬로 변환되어 컨볼루션에 공급되면 거의 변경되지 않습니다(이미 확인됨). 제 경우에는 검색 및 컨볼루션 네트워크 속성의 사용을 최대화하는 것이 아이디어입니다. 로컬 패턴을 사용합니다. 이러한 패턴은 전송 불변입니다. 즉, 다층 컨볼루션은 이미지의 다른 위치에서 동일한 패턴을 찾을 수 있습니다. 또한 기능 맵을 중간에 적극적으로 줄이는 아키텍처를 사용하면 서로 다른 컨볼루션 레이어의 템플릿 간에 계층 구조를 형성할 수 있습니다. 그래서 저는 컨볼루션이 이러한 패턴을 찾을 수 있도록 하는 인용문에 대한 그래픽 해석을 찾으려고 노력하고 있습니다.
우리 작업에는 convLSTM이 더 적합합니다. 즉, 시공간 매개변수를 고려한 컨볼루션입니다. 예제는 여기 와 여기에서 볼 수 있습니다. 토치에서 나는 그것이 일주일 동안 어떻게 작동하는지 확인할 것입니다. PyTorch 에 구현이 있습니다.
행운을 빕니다
tsos, ns, 제1종, 제2종 오류에 대해.
반까지 읽고 웃으면서 여기서 멈췄다
난수. 이러한 가중치를 사용 하는 신경망 은 입력과 출력 간에 올바른 관계를 가질 수 있지만 이러한 실제 가중치가 작동하는 이유 는 여전히 미스터리 입니다. 이것은 신경망의 신비한 속성입니다 많은 과학자와 엔지니어가 그것을 피하는 이유입니다. 컴퓨터를 배신한 사람들이 퍼뜨리는 모든 과학 소설을 생각해 보십시오.
내 생각에 저자는 국회에서 훨씬 멀고 나보다 훨씬 멀다.))