タグ付けされた質問 「stationarity」

Iは、IFと言うたARCHモデルの特性のいずれかの証拠出くわし、次いで、{ Xのtは }静止IFFあるΣ P iは= 1、B I &lt; 1 ARCHモデルです。E(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 証明の主なアイデアは、がAR（p）プロセスとして記述でき、∑ p i = 1 b i &lt; 1が真である場合、特性多項式のすべての根が単位円の外側にあり、したがって、{ X 2 t }は静止しています。そして、それゆえ{ X t }は静止していると言います。これはどのように続きますか？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\}

13 mathematical-statistics  stationarity  garch 

時系列をトレンド除去するにはどうすればよいですか？最初の違いを取得してDickey Fullerテストを実行しても大丈夫ですか？それが静止している場合は問題ありませんか？ また、オンラインで、Stataでこれを行うことで時系列をトレンドダウンできることを発見しました。 reg lncredit time predict u_lncredit, residuals twoway line u_lncredit time dfuller u_lncredit, drift regress lags(0) 時系列をトレンド除去するための最良のアプローチは何ですか？

13 regression  time-series  stata  stationarity 

生成する定常的な2つの時系列プロセスがあるとしますxt,ytxt,ytx_t,y_t。 あるzt=αxt+βytzt=αxt+βytz_t=\alpha x_t +\beta y_t、∀α,β∈R∀α,β∈R\forall \alpha, \beta \in \mathbb{R}にも固定しますか？ 任意の助けをいただければ幸いです。 MAの表現があるので、はいと言います。

12 time-series  stochastic-processes  stationarity 

差分を適用することにより、すべての非定常時系列を定常時系列に変換できますか？また、適用する差分の順序をどのように決定しますか？ 間隔1,2 ... nで差をつけ、そのたびに定常の単位根検定を実行して、結果の系列が定常かどうかを確認しますか？

12 time-series  stationarity 

私は時間の経過とともに明らかに増加しているデータセットを持っています（通貨の為替レート、20年にわたる毎月のデータ）、私の質問は次のとおりです：これを達成しませんか？もしそうなら、これは二度違いがあると考えられますか、それとも単にトレンド除去され、一度違いましたか？

12 time-series  stationarity 

ドリフトのある系列は、としてモデル化できます。 ここで、はドリフト（定数）、です。 yt= c + ϕ yt − 1+ εtyt=c+ϕyt−1+εty_t = c + \phi y_{t-1} + \varepsilon_tcccϕ = 1ϕ=1\phi=1 傾向のある系列は、としてモデル化できます。ここで、はドリフト（定数）、は確定的な時間傾向、です。yt= c + δt + ϕ yt − 1+ εtyt=c+δt+ϕyt−1+εty_t = c + \delta t + \phi y_{t-1} + \varepsilon_tcccδtδt\delta tϕ = 1ϕ=1\phi=1 どちらのシリーズもあり、どちらの動作も増加していると思います。私（1 ）I(1)I(1) 動作が増加する新しいシリーズがある場合、このシリーズがドリフトまたはトレンドのあるシリーズであることをどのようにして知ることができますか？ 私は2つの実行できるADFテストを： ADFテスト1：系列がドリフトのあるであるという帰無仮説私（1 ）I(1)I(1) ADFテスト2：Null仮説は、系列が傾向のあるである私（1 ）I(1)I(1) …

12 time-series  hypothesis-testing  stationarity  trend  unit-root 

プロセス場合の結合分布厳密に静止しているXのT 1、X 、T 2、。。。、X T mはの結合分布と同じであるXのT 1 + K、X T 2 + K、。。。、X t m + kすべてのm、すべてのk、すべてのt 1、t 2、XtXtX_tXt1,Xt2,...,XtmXt1,Xt2,...,XtmX_{t_1},X_{t_2},...,X_{t_m}Xt1+k,Xt2+k,...,Xtm+kXt1+k,Xt2+k,...,Xtm+kX_{t_1+k},X_{t_2+k},...,X_{t_m+k}mmmkkk。t1,t2,...,tmt1,t2,...,tmt_1,t_2,...,t_m 平均が一定で、自己共分散関数がラグのみに依存する場合、プロセスは2次定常です。 したがって、2次定常は厳密な定常を意味しますか？ また、2次定常状態では、1次および2次のモーメントよりも高いモーメントについては想定されていません。1次モーメントは平均に対応しますが、2次モーメントは自己共分散に対応しますか？

11 time-series  autocorrelation  stochastic-processes  stationarity 

私は「ハッカーのための機械学習」という本の例を読んでいます。最初に例について詳しく説明し、次に私の質問について話します。 例： 25株価の10年間のデータセットを取得します。25の株価でPCAを実行します。主成分をダウジョーンズインデックスと比較します。PCとDJIの非常に強い類似性を観察します！ 私が理解していることから、この例は、私のような初心者がPCAのツールがいかに効果的であるかを理解するのに役立つおもちゃのようなものです！ しかし、別のソースから読むと、株価は非定常であり、株価でPCAを実行することは不合理であることがわかります。私が読んだソースは、株価の共分散とPCAを計算するという考えを完全にばかげています。 質問： この例はどのようにうまく機能しましたか？株価のPCAとDJIは非常に近いものでした。そしてデータは2002-2011年の株価からの実際のデータです。 誰かが静止/非定常データを読み取るための素晴らしいリソースを私に指摘できますか？私はプログラマーです。数学の知識が豊富です。しかし、私は3年間真剣な数学をしていません。ランダムウォークなどについてまた読み始めました。

10 time-series  pca  references  covariance  stationarity 

誰かが2次定常である確率的プロセスの良い例を持っていますが、厳密に定常ではありませんか？

10 time-series  stochastic-processes  stationarity 

季節性のある時系列がある場合、それによって系列は自動的に非定常になりますか？私の直感（おそらくオフ）はそうではないということです。 季節性とは、シリーズが一定の値を中心に上下することを意味します。正弦波のようなものです。したがって、このロジックにより、季節性のある時系列は（弱い）定常系列（一定の平均）になります。 これは間違っていますか？どうして？

10 time-series  stationarity  seasonality 

時系列は、静止させるために差分をとる必要がある場合があります。ただし、1次の差分では不十分な場合に、2次の差分がそれを定常状態にするのにどのように役立つかは理解できません。 2次微分と、それが必要な場合について直感的に説明していただけますか？

10 time-series  stationarity 

私は多変量時系列で作業していて、予測にVAR（Vector Autoregression）モデルを使用しています。私の質問は、多変量フレームワークで定常性が実際に何を意味するかです。 1）VAR設定で| IA |行列の逆行列式の係数が1未満の固有値である場合、VARシステム全体が安定/静止していることを知っていますが、それは、非定常の違いを気にすることなく続行できることを意味します多変量時系列に存在するコンポーネント 2）コンポーネントシリーズの1つが静止していない場合の処理​​方法 3）複数のコンポーネントの時系列が非定常であるが「共積分されていない」場合、どうすればよいですか？ 何よりも、多変量時系列を処理する他の方法があります。私は機械学習の方法についても調査しています

10 time-series  var  stationarity 

時系列の2乗が静止している場合、元の時系列も同様であり、逆もまた同様であると述べた解決策を見つけました。しかし、私はそれを証明することができないようです、これが本当であるかどうか、そしてそれがそれを導き出す方法であるかどうか誰もが考えていますか？

9 time-series  self-study  data-transformation  stationarity 

Q1：強化学習一般で非定常環境を処理するための一般的な方法または受け入れられている方法はありますか？ Q2：グリッドワールドで、州にアクセスすると報酬関数が変化します。エピソードごとに報酬が初期状態にリセットされます。エージェントに学習してもらいたいのは、「本当に必要な場合以外は戻らないでください」だけですが、これにより環境が非定常になります。この非常に単純なルールをMDPモデルに組み込むことはできますか？Qラーニングは、この問題に対処するための最良の解決策ですか？提案や利用可能な例はありますか？ Q3：継続的な更新を非相関化するため、静止していない環境を処理するためのソリューションとして、エクスペリエンスの再生を伴うQラーニングを検討しています。これはメソッドの正しい使い方ですか、それとも学習をより効率的にするための対処法ですか？そして、私はそれを値の近似で使用するのを見ただけです。gridworldのように単純な離散化された状態空間に使用するのはやり過ぎなのか、それとも別の理由があるのか​​はわかりません。 すべての質問に対応できない場合でも、お気軽に回答またはコメントしてください。

9 markov-process  reinforcement-learning  stationarity  q-learning 

pythonのstatsmodels VARライブラリを使用して財務時系列データをモデル化していますが、いくつかの結果に戸惑いました。VARモデルは時系列データが定常的であることを前提としています。不注意に2つの異なる証券の非定常シリーズの対数価格を当てはめましたが、驚くべきことに、当てはめられた値とサンプル内予測は、比較的重要ではない定常残差で非常に正確でした。サンプル内予測のは99％で、予測残差シリーズの標準偏差は予測値の約10％でした。R2R2R^2 ただし、対数価格を比較し、その時系列をVARモデルに当てはめると、当てはめ値と予測値はマークから大きく外れ、平均の周りの狭い範囲で跳ね返ります。その結果、残差は、近似値よりもログの戻りを予測する仕事がうまくいきます。予測残差の標準偏差は、近似データ系列よりも15倍大きく、予測系列の.007値です。R2R2R^2 VARモデルの適合対残差を誤って解釈したり、他のエラーを起こしたりしていませんか？非定常時系列は、同じ基礎データに基づく定常時系列よりも正確な予測になるのはなぜですか？私は同じpythonライブラリのARMAモデルを少し使ってみましたが、この単一のシリーズデータのモデリングのようなものは何もありませんでした。

9 time-series  forecasting  r-squared  var  stationarity