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...
トレンドを除去せずに系列の予測可能性や静的性を測定するには、何を使えばよいのでしょうか？
シリーズの安定性の指標は何ですか？
定常性があること（同じ数学的モデルで記述され、分解すればプロット全体の周波数と振幅の定常性で記述される）。すなわち、短いセクションと長いセクションが同じように記述されていなければならない、あるいは、長いセクション全体を通して異なる短いものの記述が同じでなければならないのです。
ノイズの周波数がキャリアに見合ったものであれば問題ないが、情報量の多いものであれば、より悪化する。そして、当然ながらノイズの振幅も小さくしなければならない。
1つのマトリックスモデル内での直列安定性がわかりやすい。しかし、モデルが周期的に変化する場合、安定領域の成立率、あるいは安定領域の長さ、周波数と振幅の特性の恒常性。これは複雑な概念です。
定常的な存在（単一の数学的モデルで記述される、または..........................
実装の仕方がわからない...もっと簡単な方法があるのでは...。
市場の相場を 入力とし、より「予測可能な」系列を出力することを目的としたネットワークを作りたい。
しかし、"予測可能性 "という尺度が必要です。
実装の仕方がわからない...もっと簡単な方法があるのでは...。
市場の相場を 入力とし、より「予測可能な」系列を出力するネットワークを作りたい。
しかし、"予測可能性 "という尺度が必要です。
実装の仕方がわからない...もっと簡単な方法があるのでは...。
市場の相場を 入力とし、より「予測可能な」系列を出力するネットワークを作りたい。
でも、「予測可能性」という尺度が必要なんです。
定常性の発生は履歴上で定義されるので、正確な定義はまだ分かりませんが。MAとか。
非定常系列には予測性の尺度はなく、定常区間にしかない。そもそもネットワークが、せめてこれらのプロットを歴史上で定義してくれれば、それは良いことです。
.
オプションとして予測可能性の尺度は、単一の値では測れない)
今のところ、定常性は歴史の上に定義されているため、科学は定常性の始まりを特定する方法を知らない。MAとして。
非定常系列の予測可能性の尺度は存在せず、定常プロットでのみ可能です。そもそもネットワークが、せめてこれらのプロットを歴史に定義してくれれば、もう良し。
わかってないなぁ...。何も予測せず、ネットワークに新しい定常系列を生成させる...。
歴史上の定義でもいいんです、それが機能すれば。
それが、私が求めているものです。
わかってないなぁ...。何も予測せず、ネットワークに新しい定常系列を生成させる...。
歴史の定義は、それが機能する限り、私は好きです。
それが、私が求めているものです。
エントロピーも選択肢の一つです。私には複雑な概念です。それは、株式の安定性のようなものです。それも1つのパラメーターで表現できるものではありません。
そうですね、特徴ベクトルを行列に変換して畳み込みに与えてもあまり変わりませんね（確認済み）) 私の場合は、局所的なパターンを探して利用するという畳み込みネットワークの特性を最大限に利用しようということです。これらのパターンは転送不変であり、多層コンボリューションは画像内の異なる場所にある同じパターンを見つけることができる。同じように、中間的な積極的な特徴マップ還元を行うアーキテクチャでは、異なるコンボリューション層でテンプレート間の階層を形成することができます。 そこで私は、コンボリューションがこれらのテンプレートを見つけることができるような引用のグラフ解釈を見つけようとしているのです。
我々の目的には、convLSTMが適していると思われます。すなわち、空間的および時間的なパラメータを考慮したコンボリューションである。こちらと こちらで 例を見ることができます。来週、torchで試して見ます。PyTorchでの 実装があります。
グッドラック
tsos、ns、1種、2種のエラーについて。
途中まで読んで、ここで苦笑しながら止めました。
乱数この重みを使ったニューラルネットワークは 正しい入出力関係を持つかも しれないが、なぜ この実用的な重みが機能するのかは謎の まま である。 ニューラルネットのこの神秘的な性質 が、多くの科学者やエンジニアがニューラルネットを避ける理由である。コンピュータの反逆者たちが広めた科学的フィクションを考えてみて ください。
作者はNSとはとても遠い存在だと思います、私よりももっと遠い存在です))