我想分享一下这个链接 - 页 5 12345678 新评论 Alexey Subbotin 2012.03.03 11:58 #41 嗯。 看起来你的红色行是蓝色的衍生物。 СанСаныч Фоменко 2012.03.03 12:06 #42 alsu: 你是如何计算的,你能给我看一下公式吗?然后它就会立刻变得清晰。 hpf(lambda = 13) dx hp1 @hp13_d 不同lambda的Hodrick-Prescott滤波器 hpf(lambda = 200) dx hp2 @hpn_d hp1_d = hpn_d - hp13_d ' 两个噪音之间的差异 hp1_d_D = d(hp1_d) 噪音增量 СанСаныч Фоменко 2012.03.03 12:11 #43 alsu: 嗯 看起来你的红色行是蓝色行的衍生品。 它是。我不明白那是怎么发生的。 Vizard 2012.03.03 12:22 #44 faa1947:它是。我不明白那是怎么发生的。 我不明白为什么有这么多关于计量经济学 的分支... ...关于衍生的系列,无论你如何扭曲...非稳态性将到处出现......它只是看起来不同... Alexey Subbotin 2012.03.03 12:39 #45 alsu: 如果有的话,我宁愿朝这个方向看,看看高频的上期数据如何影响建立在低频数据上的回归模型的准确性。另一个变种--尝试使用不规则的时间框架进行回归:在应用于老年人和低频数据的情况下,这是有道理的,而且有人怀疑这样的模型至少会有一个数量级的准确性。也许它甚至会更有利可图)。 (关于非均匀网格--你可以与数值积分的方法做一个遥远的类比;那些知道的人知道,选择高斯网格允许将近似顺序从n提高到2*n-1, 与具有相同节数 的插值方法相比 )。 除此以外--用回归误差的功能来工作将是非常有趣的。我仍然没有去做......。 简而言之,这个想法是采取加权的平方之和,而不是我们最小化的传统函数--误差的平方之和,并且做加权与时间的平方根成反比。让我们得到自回归差分方程,越接近系列的预测值,误差就越小,平均误差递减的规律将与系列的行为相一致(记住,历史深处的数据散布增长为sqrt(t))。 与简单的向导相比,其结果应该是更平稳、更准确。到目前为止,这一切都停留在直觉的层面上,但它很少让我在这种事情上失望)) 有谁能不厌其烦地检查一下吗?我自己也明白,要花半个小时或一个小时才能做完,但星期六...... Victor Nikolaev 2012.03.03 14:10 #46 alsu: 除此之外,在回归误差功能方面的工作也会非常有趣。我还没来得及做... 简而言之,这个想法是,我们应该采取一个加权的平方和,而不是一个传统的函数,我们最小化的是误差的平方和,而加权应该与时间的平方根成反比。让我们得到自回归差分方程,越接近系列的预测值,误差就越小,平均误差递减的规律将与系列的行为相一致(记住,历史深处的数据散布增长为sqrt(t))。 其结果应该比简单的向导更顺畅、更准确。到目前为止都是在直觉的层面上,但在这种事情上它很少让我失望))。 有谁能不厌其烦地检查一下吗?我自己也明白,要花半个小时或一个小时才能做完,但星期六...... 有公式吗? 尽管当然可以推导出来。 СанСаныч Фоменко 2012.03.03 14:57 #47 Vizard: 我不明白为什么有这么多关于计量经济学的分支... 关于派生系列,无论你如何扭曲...到处都会有非平稳性......它只是看起来不同... 问题是,在给出的例子中,非平稳性消失了,不清楚它去了哪里。 Vizard 2012.03.03 15:19 #48 faa1947: 问题是,在上述例子中,非平稳性已经消失了,而且不清楚它去了哪里。 在不同的例子之间,它已经消失了(似乎是一个Hodrick或其他东西)......但除此之外,该系列似乎是非稳态的...... 还是你的意思是(如果它们是一样的),以较早的那个为线索...。在1vr上不可能是这样的......一定有什么地方出了错...... Vizard 2012.03.03 15:33 #49 faa1947: 问题是,在上述例子中,不稳定因素已经消失了,不清楚它去了哪里。 我看了一下ssa的例子(ssa - cloz)红50,蓝10))......相似性很明显......bug在hodrick......去死吧 Леонид 2012.03.03 15:48 #50 faa1947: 问题是,在给出的例子中,非平稳性消失了,不清楚它去了哪里。 你为什么认为非平稳性已经消失了? 12345678 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
嗯。
看起来你的红色行是蓝色的衍生物。
你是如何计算的,你能给我看一下公式吗?然后它就会立刻变得清晰。
hpf(lambda = 13) dx hp1 @hp13_d 不同lambda的Hodrick-Prescott滤波器
hpf(lambda = 200) dx hp2 @hpn_d
hp1_d = hpn_d - hp13_d ' 两个噪音之间的差异
hp1_d_D = d(hp1_d) 噪音增量
嗯
看起来你的红色行是蓝色行的衍生品。
它是。我不明白那是怎么发生的。
它是。我不明白那是怎么发生的。
我不明白为什么有这么多关于计量经济学 的分支...
...关于衍生的系列,无论你如何扭曲...非稳态性将到处出现......它只是看起来不同...
如果有的话,我宁愿朝这个方向看,看看高频的上期数据如何影响建立在低频数据上的回归模型的准确性。另一个变种--尝试使用不规则的时间框架进行回归:在应用于老年人和低频数据的情况下,这是有道理的,而且有人怀疑这样的模型至少会有一个数量级的准确性。也许它甚至会更有利可图)。
(关于非均匀网格--你可以与数值积分的方法做一个遥远的类比;那些知道的人知道,选择高斯网格允许将近似顺序从n提高到2*n-1, 与具有相同节数 的插值方法相比 )。
除此以外--用回归误差的功能来工作将是非常有趣的。我仍然没有去做......。
简而言之,这个想法是采取加权的平方之和,而不是我们最小化的传统函数--误差的平方之和,并且做加权与时间的平方根成反比。让我们得到自回归差分方程,越接近系列的预测值,误差就越小,平均误差递减的规律将与系列的行为相一致(记住,历史深处的数据散布增长为sqrt(t))。
与简单的向导相比,其结果应该是更平稳、更准确。到目前为止,这一切都停留在直觉的层面上,但它很少让我在这种事情上失望))
有谁能不厌其烦地检查一下吗?我自己也明白,要花半个小时或一个小时才能做完,但星期六......
除此之外,在回归误差功能方面的工作也会非常有趣。我还没来得及做...
简而言之,这个想法是,我们应该采取一个加权的平方和,而不是一个传统的函数,我们最小化的是误差的平方和,而加权应该与时间的平方根成反比。让我们得到自回归差分方程,越接近系列的预测值,误差就越小,平均误差递减的规律将与系列的行为相一致(记住,历史深处的数据散布增长为sqrt(t))。
其结果应该比简单的向导更顺畅、更准确。到目前为止都是在直觉的层面上,但在这种事情上它很少让我失望))。
有谁能不厌其烦地检查一下吗?我自己也明白,要花半个小时或一个小时才能做完,但星期六......
有公式吗?
尽管当然可以推导出来。
我不明白为什么有这么多关于计量经济学的分支...
关于派生系列,无论你如何扭曲...到处都会有非平稳性......它只是看起来不同...
问题是,在上述例子中,非平稳性已经消失了,而且不清楚它去了哪里。
在不同的例子之间,它已经消失了(似乎是一个Hodrick或其他东西)......但除此之外,该系列似乎是非稳态的......
还是你的意思是(如果它们是一样的),以较早的那个为线索...。在1vr上不可能是这样的......一定有什么地方出了错......
问题是,在上述例子中,不稳定因素已经消失了,不清楚它去了哪里。
我看了一下ssa的例子(ssa - cloz)红50,蓝10))......相似性很明显......bug在hodrick......去死吧
你为什么认为非平稳性已经消失了?