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...
在不去除趋势的情况下，可以用什么来衡量一个系列的可预测性或静止性？
衡量系列稳定性的标准是什么？
静止的存在（由同一数学模型描述，或者如果我们分解，由整个图中的频率和振幅的恒定性描述）。即短篇的描述方式必须与长篇相同，或者在整个长篇中对不同短篇的描述是一样的。
如果噪声频率与载波相称，那么它并不可怕，但如果它是信息性的，那么它就更糟糕了。当然，噪声的振幅也必须更小。
一个矩阵模型内的系列稳定性很容易理解。但当模型周期性变化时，稳定区域的建立速度，或模型变化的区域长度，稳定区域的长度，频率和振幅特征的不变性。这是一个复杂的概念。
存在固定的（由单一数学模型描述，或..................
我不知道如何实现它....，也许有一个更简单的方法...
我想创建一个网络，旨在将市场报价 作为输入，并输出一个更 "可预测 "的系列。
但我需要一个衡量 "可预测性 "的标准
我不知道如何实现它....，也许有一个更简单的方法...
我想创建一个网络，将市场报价 作为输入，输出一个更 "可预测 "的系列
但我需要一个衡量 "可预测性 "的标准
我不知道如何实现它....，也许有一个更简单的方法...
我想创建一个网络，将市场报价 作为输入，输出一个更 "可预测 "的系列
但我需要一个衡量 "可预测性 "的标准。
我还不知道如何精确定义静止性的开始，因为它是在历史上定义的。像MA。
在非平稳序列上没有可预测性的衡量标准，它只能是在平稳部分上。如果网络至少将只是在历史上定义这些情节开始，那是一件好事。
.
作为一种选择。可预测性的衡量标准不能用一个单一的数值来衡量)
到目前为止，科学还不知道如何确定静止性的开始，因为它是在历史上定义的。马云如何。
在非平稳序列上没有可预测性的衡量标准，它只能在平稳的图上。如果网络至少将只是在历史上定义这些情节开始，已经不错了。
你不明白...我不会预测什么，我将迫使网络产生一个新的静止系列...
我对历史的定义没有问题，只要它能发挥作用......
这 就是我在寻找的东西。
你不明白...我不会预测什么，我将迫使网络产生一个新的静止系列...
我喜欢历史的定义，只要它能发挥作用。
这 就是我在寻找的东西。
熵也是一种选择。对我来说，这是个复杂的概念。这就像股权的稳定性。它也不能用一个参数来描述。
是的，你是对的，如果将特征向量转换为矩阵并送入卷积，不会有太大的变化（已经检查过了：））在我的案例中，我的想法是最大限度地利用卷积网络的特性来寻找和使用本地模板。这些图案在翻译方面是不变的，即多层卷积可以在图像的不同地方找到相同的图案。同样，具有中间积极的特征图还原的架构允许在不同卷积层上的模板之间形成一个层次。 因此，我试图找到一个图形解释的报价，让卷积找到这些模板。
对于我们的目的，convLSTM更可能是合适的。即考虑空间和时间参数的卷积。你可以在这里 和这里 看到例子。下周我将在火炬中试用它，看看效果如何。在PyTorch 中有一个实现
祝好运
关于tsos, ns, 第一、二类错误。
我读到一半的时候，笑着停在这里。
随机数。使用这些权重 的 神经网络 可能有正确的输入-输出关系， 但为什么 这些实用的权重能发挥作用仍然是一个谜。 神经网络的这种神秘属性 ，这也是许多科学家和工程师避开它们的原因。想想计算机叛徒所宣传的所有科学虚构。
我认为作者离NS很远，甚至比我还远））。