El mercado es un sistema dinámico controlado. - página 56
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Me quedo con mi opinión.
Bueno, eso depende de ti. Mantengo mi opinión: es un error simular el comportamiento de un sistema abierto sin tener en cuenta la influencia externa, aunque sea desconocida, que juega un papel definitorio en este comportamiento.
Quito mi esquema, los que estaban interesados, ya lo han copiado.
Bueno, eso depende de ti. Mantengo mi opinión: es un error modelar el comportamiento de un sistema abierto sin tener en cuenta la influencia externa, aunque sea desconocida, que juega un papel definitorio en este comportamiento.
Quito mi esquema, los que estaban interesados, ya lo han copiado.
Usted no entiende el mecanismo del esquema presentado. La influencia externa está presente de forma indirecta en forma de respuesta del sistema. En fin...
3) Una vez hecha esta suposición sobre la presencia del sistema de conformación, nos planteamos la tarea de construir su modelo.
La salida del modelo y debe corresponder a los datos reales x, teniendo en cuenta el criterio de proximidad elegido de los procesos y y x.
Veamos este esquema desde otro lado, tal y como yo lo entiendo.
x(t) es una cita que podemos observar y al mismo tiempo medir
y(t) es un proceso que se calcula. Para la siguiente discusión es fundamental que no se observe - en mi terminología es el estado de un proceso observable.
Escribamos: x(t) = y(t) +d(t) + nu(t)
Dónde:
d(t) es la entrada determinista (bias)
nu(t) - un proceso aleatorio independiente del resto - ruido
Describamos igualmente el estado del sistema:
y(t) = c(t) + y(t-1) + theta(t)
donde
c(t) - cambio de estado determinista
y(t-1) - el valor anterior del estado
theta(t) - proceso aleatorio, independiente del resto - ruido
Tenga en cuenta que nuestro proceso observado (cotización) en el momento t está realmente determinado por el estado anterior x(t-1), es decir, basado en la predicción del estado del sistema.
El esquema descrito tiene nombres: series temporales estructurales, modelo de espacio de estados, sistema lineal dinámico.
El centro matemático de este modelo es el filtro de Kalman, un algoritmo bastante complejo desde el punto de vista informático. Rellenando las variables de la lista con diferentes contenidos, por ejemplo, considerando y(t) como una tendencia, se puede obtener cualquiera de los modelos existentes. Debido a las sorprendentes propiedades del filtro de Kalman, los modelos de espacio de estado superan a sus homólogos.
Existen paquetes de software listos para usar en R para resolver el problema anterior. Sobre ellos en los siguientes posts.
El paquete dse proporciona herramientas para modelos multivariantes, lineales e independientes de series temporales. Incluye representaciones ARMA y de espacio de estados, y métodos para convertir entre ellas. También incluye métodos de simulación y varias funciones de estimación. El paquete tiene funciones para ver las raíces del modelo, la estabilidad y la previsión en diferentes horizontes. La implementación del modelo ARMA es genérica, por lo que VAR, VARX, ARIMA, ARMAX, ARIMAX pueden ser tratados como casos especiales. El filtro de Kalman y las estimaciones más suaves pueden derivarse del modelo en el espacio de estado, y se implementan métodos para ajustar el modelo en el espacio de estado. En la viñeta hay una introducción y un manual de usuario.
El paquete dse proporciona herramientas para modelos multivariantes, lineales e independientes de series temporales. Incluye representaciones ARMA y de espacio de estados, y métodos para convertir entre ellas. También incluye métodos de simulación y varias funciones de estimación. El paquete tiene funciones para ver las raíces del modelo, la estabilidad y la previsión en diferentes horizontes. La implementación del modelo ARMA es genérica, por lo que VAR, VARX, ARIMA, ARMAX, ARIMAX pueden ser tratados como casos especiales. El filtro de Kalman y las estimaciones más suaves pueden derivarse del modelo en el espacio de estado, y se implementan métodos para ajustar el modelo en el espacio de estado. En la viñeta hay una introducción y un manual de usuario.
El paquete KFAS proporciona funciones de simulación de filtros de Kalman, de estado, de perturbación y de alisamiento, prediciendo y simulando modelos en el espacio de estado. Todas las funciones pueden utilizar la inicialización dispersa exacta cuando las distribuciones de algunos o todos los elementos del vector de estado inicial son desconocidas. Las funciones de filtrado, suavizado de estados y simulación utilizan un algoritmo de procesamiento secuencial que es más rápido que el enfoque estándar, y también permite una característica de la matriz de varianza del error de predicción. KFAS también contiene una función para calcular la probabilidad de los modelos exponenciales en el espacio de estado de la familia y funciones para suavizar el estado de los modelos exponenciales en el espacio de estado de la familia.
Chicos, dejad de reinventar la rueda.
Existen muchos paquetes, hay un Simulink universal, sobre el que se puede construir cualquier cosa. Pero ningún paquete sustituirá a tu cerebro, no te dirá qué matriz de control construir en el filtro de Kalman y no sintetizará el diagrama de bloques del modelo por ti.
Chicos, dejad de reinventar la rueda.
Por una vez, un tema normal en un foro de cuatro que ni siquiera ve inundadores.
¡Que inventen!
Quizá añada algo propio cuando me decida. Tendré que averiguar cómo hacerlo en estos bloques, flechas y OS...