W dziedzinie ekonomii (myślę) mamy ARIMA i GARCH dla regularnie rozmieszczonych szeregów czasowych i Poissona, Hawkesa dla modelowania procesów punktowych, więc co powiesz na próby modelowania nieregularnie (nierównomiernie) szeregów czasowych - czy są (przynajmniej) jakieś powszechne praktyki ? (Jeśli masz trochę wiedzy w tym temacie, możesz także rozwinąć odpowiedni artykuł …
Jestem zdezorientowany. Nie rozumiem różnicy między ARiMR a procesem GARCH .. dla mnie są takie same nie? Oto proces (G) ARCH (p, q) σ2)t= α0+ ∑i = 1qαjar2)t - iA R CH.+ ∑i = 1pβjaσ2)t - iG A R CH.σt2=α0+∑i=1qαirt−i2⏟ARCH+∑i=1pβiσt−i2⏟GARCH\sigma_t^2 = \underbrace{ \underbrace{ \alpha_0 + \sum_{i=1}^q \alpha_ir_{t-i}^2} _{ARCH} + \sum_{i=1}^p\beta_i\sigma_{t-i}^2} …
Używam standardowego modelu GARCH: rtσ2t=σtϵt=γ0+γ1r2t−1+δ1σ2t−1rt=σtϵtσt2=γ0+γ1rt−12+δ1σt−12\begin{align} r_t&=\sigma_t\epsilon_t\\ \sigma^2_t&=\gamma_0 + \gamma_1 r_{t-1}^2 + \delta_1 \sigma^2_{t-1} \end{align} Mam różne oszacowania współczynników i muszę je interpretować. Dlatego zastanawiam się nad fajną interpretacją, więc co reprezentują , i ?γ0γ0\gamma_0γ1γ1\gamma_1δ1δ1\delta_1 Widzę, że jest czymś stałym. Stanowi więc rodzaj „zmienności otoczenia”. oznacza korektę ostatnich wstrząsów. Ponadto nie …
Wyjaśniając, dlaczego nieskorelowane nie oznacza niezależności, istnieje kilka przykładów, które dotyczą szeregu zmiennych losowych, ale wszystkie wydają się tak abstrakcyjne: 1 2 3 4 . Ta odpowiedź wydaje się mieć sens. Moja interpretacja: Zmienna losowa i jej kwadrat mogą być nieskorelowane (ponieważ pozornie brak korelacji jest czymś w rodzaju niezależności …
Natrafiłem na dowód na jedną z właściwości modelu ARCH, który mówi, że jeśli , to jest stacjonarny iff gdzie model ARCH to:{ X t } ∑ p i = 1 b i < 1E(X2t)<∞E(Xt2)<∞\mathbb{E}(X_t^2) < \infty{Xt}{Xt}\{X_t\}∑pi=1bi<1∑i=1pbi<1\sum_{i=1}^pb_i < 1 Xt=σtϵtXt=σtϵtX_t = \sigma_t\epsilon_t σ2t=b0+b1X2t−1+...bpX2t−pσt2=b0+b1Xt−12+...bpXt−p2\sigma_t^2 = b_0 + b_1X_{t-1}^2 + ... b_pX_{t-p}^2 Główną …
Stroiłem model przy użyciu caret, ale potem ponownie uruchomiłem model przy użyciu gbmpakietu. Rozumiem, że caretpakiet używa gbmi wynik powinien być taki sam. Jednak tylko szybki test przy użyciu data(iris)wykazuje rozbieżność w modelu około 5% przy użyciu RMSE i R ^ 2 jako metryki oceny. Chcę znaleźć optymalną wydajność modelu …
Mam bardzo duży zestaw danych i brakuje około 5% wartości losowych. Te zmienne są ze sobą skorelowane. Poniższy przykładowy zestaw danych R jest tylko zabawkowym przykładem z fałszywymi skorelowanymi danymi. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", …
mgcvOpakowanie Rposiada dwie funkcje montowania interakcji produktów napinacz: te()i ti(). Rozumiem podstawowy podział pracy między nimi (dopasowanie interakcji nieliniowej vs. rozkładanie tej interakcji na główne efekty i interakcję). To, czego nie rozumiem, to dlaczego te(x1, x2)i ti(x1) + ti(x2) + ti(x1, x2)może powodować (nieznacznie) różne wyniki. MWE (dostosowany z ?ti): …
Dopasowałem model ARIMA (1,1,1) -GARCH (1,1) do szeregów czasowych cen dzienników kursów wymiany AUD / USD próbkowanych w jednominutowych odstępach przez kilka lat, co dało mi ponad dwa milion punktów danych, na podstawie których można oszacować model. Zestaw danych jest dostępny tutaj . Dla jasności był to model ARMA-GARCH dopasowany …
Jestem analitykiem w dziedzinie finansów i ubezpieczeń i za każdym razem, gdy próbuję dopasować modele zmienności, uzyskuję okropne wyniki: reszty są często niestacjonarne (w sensie pierwiastka jednostkowego) i heteroskedastyczne (więc model nie wyjaśnia zmienności). Czy może modele ARCH / GARCH działają z innymi danymi? Edytowano 17.04.2015 15:07 w celu wyjaśnienia …
Mam pewne doświadczenia z modelowaniem szeregów czasowych, w postaci prostych modeli ARIMA i tak dalej. Teraz mam pewne dane, które wykazują grupowanie zmienności, i chciałbym zacząć od dopasowania modelu GARCH (1,1) do danych. Mam serię danych i szereg zmiennych, które, jak sądzę, wpływają na to. Zatem w podstawowych regresjach wygląda …
Patrzę na wyjątkowo nieliniowe dane, dla których modele ARMA / ARIMA nie działają dobrze. Chociaż widzę trochę autokorelacji i podejrzewam, że mam lepsze wyniki dla nieliniowej autokorelacji. 1 / czy istnieje odpowiednik PACF dla korelacji rang? (w R?) 2 / czy istnieje odpowiednik modelu ARMA dla korelacji nieliniowej / rangowej …
Używamy plików cookie i innych technologii śledzenia w celu poprawy komfortu przeglądania naszej witryny, aby wyświetlać spersonalizowane treści i ukierunkowane reklamy, analizować ruch w naszej witrynie, i zrozumieć, skąd pochodzą nasi goście.
Kontynuując, wyrażasz zgodę na korzystanie z plików cookie i innych technologii śledzenia oraz potwierdzasz, że masz co najmniej 16 lat lub zgodę rodzica lub opiekuna.