When it comes to time series forecasts, conventional models such as ARIMA are often a popular option. While these models can prove to have high degrees of accuracy, they have one major shortcoming – they do not typically account for “shocks”, or sudden changes in a time series. Let’s see how we can potentially alleviate this problem using a...
在文章中，卡尔曼在生成的数据上进行了测试。我不确定它在实际数据上是否会比LS的滑动版本更好。
不，不，在真实数据上，一切都很公平 Y_。
这是Y_ 数据的mu 和gamma。
以及用Y_数据 进行的回测。
但问题是，在估计_mu_gamma....blahblah
回归和滚动回归分为跟踪和测试，好像有一个模型可以预测新的数据（新的传播），但是对于卡尔曼来说，它并不存在，我不明白里面是怎么运作的，如何用卡尔曼的新数据来建立传播。代码太不清楚了，我的眼睛都在流血。
我不明白这个卡尔曼()有什么用。
反正这三种策略都要解开，在卡尔曼之前解开第二种可能更容易--它有同样的原理--时间上的适应性，但它更简单。
反正这三种策略都要破解，在卡尔曼之前破解第二种策略可能更容易--它有相同的原理--时间上的适应性，但它更简单。
不，安德烈，第二种方式 效果很差。
也有非常好的对子采取...如果你把现实，上帝保佑，那卡尔曼会显示一些东西。
不，安德烈，第二种 效果很差。
有一些非常好的对子被拍到......如果我们采取现实，上帝保佑，卡尔曼显示了一些东西。
所以这张图是对模拟数据的比较。在真实的数据上，他们进一步下降，在他们的前半部分，卡尔曼甚至略差。
粗略地说，对卡尔曼做了一些先验的假设，如果这些假设在现实中是真实的，那么卡尔曼就会好很多，反之亦然。
粗略地说，对卡尔曼做了一些先验的假设，如果这些假设在现实中是真实的，那么卡尔曼会好得多，反之亦然。
我不这么认为。他只是为了好玩而模拟数据...
这是模型在真实 Y_ 数据上的训练情况。
然后获取价差。
然后进行回测。
在真正的回测之前，你并没有在合成数据上训练卡尔曼。
我不这么认为。他只是为了好玩而模拟数据。
这是模型在真实 Y_ 数据上的训练情况。
然后得到差价。
然后进行回测。
在真正的回测之前，你并没有在合成数据上训练卡尔曼。
先验假设首先是存储在软件包中的线性模型（在卡尔曼部分的开头描述），其次是这个模型的初始化参数，一般来说，从天花板上取。
不，Andrei，第二个滚动LS 非常糟糕。
并非如此。如果你看一下前面的图表，你可以看到实际的 "滚动 "是在~三分之一的样本过后触发的。在真实的数据上，如果有一个历史，这样的问题就不会发生。
但塔基-卡尔曼可能还是比较好，但我还是认为把它从炉子里分出来比较好。
是的......特别是如果你是一个人道主义者。
这不是鸢尾花上的森林）。
这个卡尔曼没有任何东西是清楚的()
MAshku（又名Kalman）对所产生的传播进行计数，当然要抹去 "噪音"。
https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/
卡尔曼不是马什卡!https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/
我们以前和瑞纳和拖拉机一起走过这条路，有他们1条预测的例子 ))))) 我在笑
一种情况是领先，另一种情况是落后，总共是50/50。