Questions tagged «stationarity»

严格平稳的过程(或时间序列)是其联合分布随时间变化而恒定的过程。弱平稳(或协方差平稳)过程或级数是其均值和协方差函数(方差和自相关函数)不随时间变化的过程。

1
如果
我遇到了一个关于ARCH模型的属性的证明,该证明说,如果,则是固定的iff,其中ARCH模型是:{ X t } ∑ p i = 1 b i &lt; 1E(X2t)&lt;∞E(Xt2)&lt;∞\mathbb{E}(X_t^2) < \infty{Xt}{Xt}\{X_t\}∑pi=1bi&lt;1∑i=1pbi&lt;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 证明的主要思想是证明可以写为AR(p)进程,并且如果为真,则特征多项式的所有根都位于单位外部圈,因此是固定的。然后说是固定的。这是怎么回事? ∑ p i = 1 b i &lt; 1 { X 2 t } { X t }X2tXt2X_t^2∑pi=1bi&lt;1∑i=1pbi&lt;1\sum_{i=1}^pb_i < 1{X2t}{Xt2}\{X_t^2\}{Xt}{Xt}\{X_t\}

5
如何降低时间序列的趋势?
如何降低时间序列的趋势?可以先采取区别对待并进行Dickey Fuller测试,如果它静止不动,那么我们还好吗? 我还在网上发现,可以通过在Stata中进行以下操作来消除时间序列的趋势: reg lncredit time predict u_lncredit, residuals twoway line u_lncredit time dfuller u_lncredit, drift regress lags(0) 降低时间序列的最佳方法是什么?

3
是否在线性组合下保留平稳性?
想象一下,我们有两个固定的时间序列过程,产生:。xt,ytxt,ytx_t,y_t 是,也是静止的?&ForAll; α ,β &Element; [Rzt=αxt+βytzt=αxt+βytz_t=\alpha x_t +\beta y_t∀α,β∈R∀α,β∈R\forall \alpha, \beta \in \mathbb{R} 任何帮助,将不胜感激。 我会说是的,因为它具有MA表示形式。


2
我可以降低趋势并改变以使一系列静止吗?
我有一个随着时间推移而明显增加的数据集(一种货币的汇率,过去20年的月度数据),我的问题是:如果数据本身处于下降趋势,我是否可以对数据进行趋势去除然后再进行修正以使其保持不变没有做到这一点?如果是的话,这是否会被视为两次差异,或者只是被去趋势化而一次差异?

1
漂移序列与趋势序列之间的差异
可以将具有漂移的序列建模为 ,其中是漂移(常数),并且。 yt=c+ϕyt−1+εtyt=c+ϕyt−1+εty_t = c + \phi y_{t-1} + \varepsilon_tcccϕ=1ϕ=1\phi=1 可以将具有趋势的序列建模为,其中是漂移(常数),是确定的时间趋势,。yt=c+δt+ϕyt−1+εtyt=c+δt+ϕyt−1+εty_t = c + \delta t + \phi y_{t-1} + \varepsilon_tcccδtδt\delta tϕ=1ϕ=1\phi=1 这两个系列都是,我认为两者都表现出越来越高的行为。I(1)I(1)I(1) 如果我有一个表现出越来越高的表现的新系列,我怎么知道这个系列是具有漂移或趋势的系列? 我可以做两个ADF测试: ADF测试1:零假设是级数为具有漂移的I(1)I(1)I(1) ADF测试2:零假设是具有趋势的序列I(1)I(1)I(1) 但是,如果两个测试的原假设都不被拒绝怎么办?

2
如果时间序列是二阶平稳的,这是否意味着它严格是平稳的?
如果X t 1,X t 2,...的联合分布,则过程XŤXŤX_t严格地是平稳的。。。,X t m与X t 1 + k,X t 2 + k,...的联合分布相同。。。,X t m + k对于所有m,对于所有k以及对于所有t 1,t 2,XŤ1个,XŤ2,。。。,XŤ米XŤ1个,XŤ2,。。。,XŤ米X_{t_1},X_{t_2},...,X_{t_m}XŤ1个+ k,XŤ2+ k,。。。,XŤ米+ kXŤ1个+ķ,XŤ2+ķ,。。。,XŤ米+ķX_{t_1+k},X_{t_2+k},...,X_{t_m+k}米米mķķk。Ť1个,Ť2,。。。,Ť米Ť1个,Ť2,。。。,Ť米t_1,t_2,...,t_m 如果过程的均值是常数且其自协方差函数仅取决于滞后,则该过程为二阶平稳过程。 因此二阶平稳意味着严格平稳吗? 同样在二阶平稳条件下,它说没有假设比一阶和二阶更高的力矩。第一个矩对应于均值,第二个矩对应于自协方差吗?


2
主成分分析可以用于股票价格/非平稳数据吗?
我正在阅读《面向黑客的机器学习》一书中给出的示例。我将首先详细说明示例,然后再讨论我的问题。 范例: 以25个股价的10年为一个数据集。以25股价格运行PCA。将主要成分与道琼斯指数进行比较。观察PC与DJI之间的强烈相似之处! 据我了解,该示例更像是一个玩具,可以帮助像我这样的新手了解PCA工具的有效性! 但是,从另一个消息来源看,我发现股价是不稳定的,以股价运行PCA是荒谬的。我从中阅读的资料完全嘲笑了计算股价的协方差和PCA的想法。 问题: 这个例子如何运作得如此好?股价的PCA与DJI非常接近。该数据是2002-2011年股价的真实数据。 有人可以为我指出一些不错的资源来读取固定/非固定数据吗?我是电脑程序编制员。我有很好的数学背景。但是三年来我都没有做过认真的数学运算。我已经开始重新阅读有关随机漫步等内容的信息。




2
非平稳环境中的强化学习
已关闭。这个问题需要更加集中。它当前不接受答案。 想改善这个问题吗?更新问题,使其仅通过编辑此帖子来关注一个问题。 13天前关闭。 问题1:一般而言,强化学习中是否有处理非固定环境的通用或公认方法? Q2:在我的网格世界中,当访问状态时,奖励功能会发生变化。每集奖励都会重置为初始状态。我希望我的代理学习的唯一内容是“除非真正需要,否则请不要回去”,但这会使环境不稳定。可以/应该将此非常简单的规则合并到MDP模型中吗?Q学习是解决此问题的最佳解决方案吗?有什么建议或可用的例子吗? Q3:我一直在研究具有经验重播的Q学习,作为应对非固定环境的解决方案,因为它可以消除连续更新的相关性。这是该方法的正确使用,还是更多地用于提高学习效率的方法?而且我只看到它与值近似一起使用。我不确定将其用于简单的离散状态空间(例如gridworld)是否过大,或者有其他原因。 即使您无法解决所有问题,也请随时回答或发表评论。

1
为什么我的VAR模型在非平稳数据上比固定数据能更好地工作?
我正在使用python的statsmodels VAR库为财务时间序列数据建模,有些结果令我感到困惑。我知道VAR模型假设时间序列数据是固定的。我无意中拟合了两种不同证券的非平稳对数价格对数,并且令人惊讶的是,拟合值和样本内预测在相对微不足道的固定残差下非常准确。样本内预测的为99%,预测残差系列的标准偏差为预测值的10%左右。[R2[R2R^2 但是,当我改变对数价格并将该时间序列拟合到VAR模型时,拟合值和预测值相差甚远,在均值附近处于狭窄范围内。结果,残差在预测对数收益方面比拟合值做得更好,预测残差的标准偏差比拟合数据系列大15倍,而预测序列的.007值。[R2[R2R^2 我是否会误解VAR模型上的拟合残差与其他残差?为什么非平稳时间序列会比基于相同基础数据的平稳时间序列产生更准确的预测?我在同一个python库中使用ARMA模型进行了很好的工作,却看不到像对单个系列数据建模那样的东西。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.