Bewegungs Durchschnitt Prozess Of Order 2

Moving Average - MA. BREAKING DOWN Moving Average - MA. As ein SMA Beispiel, betrachten Sie eine Sicherheit mit den folgenden Schlusskurse über 15 Tage. Week 1 5 Tage 20, 22, 24, 25, 23.Week 2 5 Tage 26, 28 , 26, 29, 27.Week 3 5 Tage 28, 30, 27, 29, 28.A 10-Tage-MA würde die Schlusspreise für die ersten 10 Tage als ersten Datenpunkt ausgleichen Der nächste Datenpunkt würde am frühesten fallen Preis, fügen Sie den Preis am Tag 11 und nehmen Sie den Durchschnitt, und so weiter wie unten gezeigt. Wie bereits erwähnt, MAs nach der aktuellen Preis-Aktion, weil sie auf vergangene Preise basieren, je länger die Zeit für die MA, desto größer die lag So Ein 200-Tage-MA wird eine viel größere Verzögerung als ein 20-Tage-MA haben, weil es Preise für die letzten 200 Tage enthält. Die Länge der MA zu verwenden, hängt von den Handelszielen ab, wobei kürzere MAs für den kurzfristigen Handel verwendet werden Und längerfristige MAs mehr geeignet für langfristige Investoren Die 200-Tage-MA ist weit gefolgt von Investoren und Händlern, mit Pausen über und unter diesem gleitenden Durchschnitt consi Um wichtige Handelssignale zu sein. MAs vermitteln auch wichtige Handelssignale auf eigene Faust oder wenn zwei Durchschnitte überkreuzen Ein aufsteigender MA zeigt an, dass die Sicherheit in einem Aufwärtstrend ist, während ein abnehmender MA anzeigt, dass es sich in einem Abwärtstrend befindet. Ähnlich ist der Aufwärtsimpuls Bestätigt mit einem bullish crossover, der auftritt, wenn ein kurzfristiges MA über einen längerfristigen MA-Abwärts-Impuls wird mit einem bärigen Crossover bestätigt, was auftritt, wenn ein kurzfristiges MA unter einem längerfristigen MA.2 1 Moving Average Models übergeht MA Modelle. Time-Serienmodelle, die als ARIMA-Modelle bekannt sind, können autoregressive Begriffe und gleitende durchschnittliche Ausdrücke enthalten In Woche 1 haben wir einen autoregressiven Begriff in einem Zeitreihenmodell für die Variable xt gelernt, ist ein verzögerter Wert von xt. Zum Beispiel eine Verzögerung 1 autoregressiv Begriff ist x t-1 multipliziert mit einem Koeffizienten Diese Lektion definiert gleitende durchschnittliche Ausdrücke. Ein bewegter Durchschnittsterm in einem Zeitreihenmodell ist ein vergangener Fehler, multipliziert mit einem Koeffizienten. Let wt Overset N 0, Sigma 2w, was bedeutet, dass die Wt sind identisch, unabhängig verteilt, jeweils mit einer Normalverteilung mit Mittelwert 0 und der gleichen Varianz. Das 1-stufige gleitende Durchschnittsmodell, das mit MA 1 bezeichnet ist, ist. Xt mu wt theta1w. Das 2. geordnete gleitende Durchschnittsmodell, das mit MA 2 bezeichnet wird, ist. Xt mu wt theta1w theta2w. Das gängige gleitende durchschnittliche Modell, das mit MA q bezeichnet wird, ist. Xt mu wt theta1w theta2w punkte thetaq. Note Viele Lehrbücher und Softwareprogramme definieren das Modell mit negativen Vorzeichen vor den Begriffen Dies ändert nicht die allgemeinen theoretischen Eigenschaften des Modells, obwohl es die algebraischen Zeichen der geschätzten Koeffizientenwerte und nicht quittierten Begriffe in Formeln für ACFs und Abweichungen Sie müssen Ihre Software überprüfen, um zu überprüfen, ob negative oder positive Zeichen verwendet wurden, um das geschätzte Modell R korrekt zu schreiben. R verwendet positive Zeichen in seinem zugrunde liegenden Modell, wie wir hier sind. Die theoretischen Eigenschaften einer Zeitreihe mit Ein MA 1 Modell. Hinweis, dass der einzige Wert ungleich Null in der theoretischen ACF ist für lag 1 Alle anderen Autokorrelationen sind 0 Also ein Beispiel ACF mit einer signifikanten Autokorrelation nur bei lag 1 ist ein Indikator für eine mögliche MA 1 Modell. Für interessierte Studenten, Beweise dieser Eigenschaften sind ein Anhang zu diesem Handout. Beispiel 1 Angenommen, dass ein MA 1 - Modell xt 10 wt 7 w t-1 ist, wo wt Overset N 0,1 Somit ist der Koeffizient 1 0 7 Th E theoretische ACF ist gegeben durch eine Handlung dieses ACF folgt. Die eben dargestellte Kurve ist die theoretische ACF für eine MA 1 mit 1 0 7 In der Praxis, eine Probe gewonnen t in der Regel bieten ein solches klares Muster Mit R, simulierten wir n 100 Sample-Werte mit dem Modell xt 10 wt 7 w t-1 wobei w t. iid N 0,1 Für diese Simulation folgt ein Zeitreihen-Plot der Sample-Daten. Wir können aus dieser Handlung viel erzählen. Die Probe ACF für die simulierte Daten folgt Wir sehen einen Spike bei Verzögerung 1, gefolgt von allgemein nicht signifikanten Werten für Verzögerungen nach 1. Beachten Sie, dass die Stichprobe ACF nicht mit dem theoretischen Muster des zugrunde liegenden MA 1 übereinstimmt, was bedeutet, dass alle Autokorrelationen für die Verzögerungen nach 1 0 sind Eine andere Probe würde eine etwas andere Probe ACF unten gezeigt haben, würde aber wahrscheinlich die gleichen breiten Features haben. Theroretische Eigenschaften einer Zeitreihe mit einem MA 2 Modell. Für das MA 2 Modell sind die theoretischen Eigenschaften die folgenden. Hinweis, dass die nur ungleich Null Werte in der theoretischen ACF sind für Verzögerungen 1 und 2 Autokorrelat Ionen für höhere Verzögerungen sind 0 Also, eine Stichprobe ACF mit signifikanten Autokorrelationen bei Verzögerungen 1 und 2, aber nicht signifikante Autokorrelationen für höhere Verzögerungen zeigt ein mögliches MA 2 Modell an. ND Die Koeffizienten sind 1 0 5 und 2 0 3 Da es sich hierbei um einen MA 2 handelt, hat der theoretische ACF nur ungleich Null-Werte nur bei Verzögerungen 1 und 2.Values ​​der beiden Nicht-Null-Autokorrelationen sind. Ein Diagramm der theoretischen ACF folgt. Wie fast immer der Fall ist, haben sich die Beispieldaten nicht gut verhalten So perfekt als Theorie Wir simulierten n 150 Sample-Werte für das Modell xt 10 wt 5 w t-1 3 w t-2 wobei w t. iid N 0,1 Die Zeitreihen-Plot der Daten folgt Wie bei der Zeitreihen-Plot für Die MA 1 Beispieldaten, können Sie t viel davon erzählen. Die Probe ACF für die simulierten Daten folgt Das Muster ist typisch für Situationen, in denen ein MA 2 - Modell nützlich sein kann Es gibt zwei statistisch signifikante Spikes bei den Verzögerungen 1 und 2 gefolgt von Nicht - signifikante Werte für andere Verzögerungen Beachten Sie, dass die Stichprobe ACF aufgrund des Stichprobenfehlers nicht übereinstimmt Das theoretische Muster genau. ACF für General MA q Modelle. Eigenschaft von MA q-Modelle im Allgemeinen ist, dass es keine Null-Autokorrelationen für die ersten q Verzögerungen und Autokorrelationen 0 für alle Verzögerungen q. Non-Eindeutigkeit der Verbindung zwischen den Werten von 1 und rho1 In MA 1 Modell Im MA 1 Modell, für jeden Wert von 1 der reziproke 1 1 gibt den gleichen Wert für. Als Beispiel, verwenden Sie 0 5 für 1 und verwenden Sie dann 1 0 5 2 für 1 Sie erhalten rho1 0 4 In beiden Fällen. Um eine theoretische Einschränkung als Invertierbarkeit zu befriedigen, beschränken wir MA 1 - Modelle, um Werte mit einem absoluten Wert kleiner als 1 zu haben. In dem gerade angegebenen Beispiel ist 1 0 5 ein zulässiger Parameterwert, wohingegen 1 1 0 5 2 nicht. Invertierbarkeit von MA-Modellen. Ein MA-Modell soll invertierbar sein, wenn es algebraisch äquivalent zu einem konvergierenden unendlichen Ordnungs-AR-Modell ist. Durch Konvergenz bedeutet das, dass die AR-Koeffizienten auf 0 abnehmen, wenn wir uns in der Zeit zurückziehen. Unverträglichkeit ist eine eingeschränkte Einschränkung Zeitreihen-Software zur Schätzung des Koeffizienten Icients von Modellen mit MA-Begriffen Es ist nicht etwas, das wir in der Datenanalyse überprüfen. Weitere Informationen über die Invertierbarkeitsbeschränkung für MA 1-Modelle finden Sie im Anhang. Advanced Theory Note Für ein MA q - Modell mit einem angegebenen ACF gibt es nur Ein invertierbares Modell Die notwendige Bedingung für die Invertierbarkeit ist, dass die Koeffizienten Werte haben, so dass die Gleichung 1- 1 y - - qyq 0 Lösungen für y hat, die außerhalb des Einheitskreises liegen. R Code für die Beispiele In Beispiel 1 haben wir die Theoretische ACF des Modells xt 10 wt 7w t-1 und dann simuliert n 150 Werte aus diesem Modell und plotten die Probe Zeitreihen und die Probe ACF für die simulierten Daten Die R-Befehle verwendet, um die theoretische ACF wurden. acfma1 ARMAacf ma c 0 7, 10 Verzögerungen von ACF für MA 1 mit theta1 0 7 Verzögerungen 0 10 erzeugt eine Variable namens Lags, die von 0 bis 10 Plot Lags, acfma1, xlim c 1,10, ylab r, Typ h, main ACF für MA 1 reicht Mit theta1 0 7 abline h 0 fügt eine horizontale Achse zum Plot hinzu E erster Befehl bestimmt die ACF und speichert sie in einem Objekt namens acfma1 unsere Wahl des Namens. Der Handlungsbefehl der 3. Befehls-Plots verzögert gegenüber den ACF-Werten für die Verzögerungen 1 bis 10 Der ylab-Parameter markiert die y-Achse und der Hauptparameter setzt einen Titel auf dem Plot. Um die numerischen Werte des ACF zu sehen, benutzen Sie einfach den Befehl acfma1. Die Simulation und Plots wurden mit den folgenden Befehlen durchgeführt. List ma c 0 7 Simuliert n 150 Werte aus MA 1 x xc 10 fügt 10 hinzu, um Mittel zu machen 10 Simulationsvorgaben bedeuten 0 Plot x, Typ b, Haupt Simuliert MA 1 Daten acf x, xlim c 1,10, Haupt-ACF für simuliert Beispieldaten In Beispiel 2 haben wir die theoretische ACF des Modells xt 10 wt 5 w t-1 3 w t-2 aufgetragen und dann n 150 Werte aus diesem Modell simuliert und die Sample-Zeitreihen und die Probe ACF für die simulierten aufgetragen Daten Die verwendeten R-Befehle waren. acfma2 ARMAacf ma c 0 5,0 3, acfma2-Verzögerungen 0 10 Plot-Verzögerungen, acfma2, xlim c 1,10, ylab r, Typ h, Haupt-ACF für MA 2 mit theta1 0 5, theta2 0 3 abline h 0 list ma c 0 5, 0 3 x xc 10 plot x, Typ b, main Simuliert MA 2 Serie acf x, xlim c 1,10, Haupt-ACF für simulierte MA 2 Daten. Appendix Nachweis der Eigenschaften von MA 1 Für interessierte Schüler sind hier Beweise für die theoretischen Eigenschaften des MA 1 Modells. Variante Text xt Text mu wt theta1 w 0 text wt text theta1w sigma 2w theta 21 sigma 2w 1 theta 21 sigma 2w. Wenn h 1, der vorherige ausdruck 1 W 2 Für jedes h 2 , Der vorhergehende Ausdruck 0 Der Grund dafür ist, dass durch die Definition der Unabhängigkeit der wt E wkwj 0 für irgendwelche kj Weiter, weil die wt haben Mittelwert 0, E wjwj E wj 2 w 2.For eine Zeitreihe. Apply dieses Ergebnis zu bekommen Die ACF, die oben gegeben wurde. Ein invertierbares MA-Modell ist eines, das als ein unendliches Auftrags-AR-Modell geschrieben werden kann, das konvergiert, so dass die AR-Koeffizienten zu 0 konvergieren, wenn wir uns unendlich zurück in der Zeit bewegen. Wir zeigen die Invertierbarkeit für das MA 1-Modell Ersatzbeziehung 2 für wt-1 in Gleichung 1. 3 zt wt theta1 z - theta1w wt theta1z - theta 2w. Die Zeit t-2 Gleichung 2 wird. Wir ersetzen dann die Beziehung 4 für w t-2 in Gleichung 3. zt wt Theta1z - theta1w wt theta1z - theta1w wt theta1z - theta1 2z theta 31.Wenn wir unendlich weitergehen wollten, würden wir das unendliche AR-Modell bekommen. Zt wt theta1 z - theta 21z theta 31z - theta 41z dots. Hinweis jedoch, dass wenn 1 1 die Koeffizienten, die die Verzögerungen von z multiplizieren, unendlich an Größe zunehmen werden, wenn wir uns in der Zeit zurückziehen Um dies zu verhindern, brauchen wir 1 1 Dies ist Die Bedingung für ein invertierbares MA 1 Modell. Unendliche Ordnung MA Modell. In Woche 3 sehen wir, dass ein AR 1 Modell in ein unendliches Auftrag MA Modell umgewandelt werden kann. Xt - mu wt phi1w phi 21w punkte phi k1 w punkte sum phi j1w. Diese Summierung der vergangenen weißen Rauschbegriffe ist als die kausale Darstellung eines AR 1 bekannt. Mit anderen Worten, xt ist ein spezieller Typ von MA mit unendlich vielen Terme Rückkehr in der Zeit Dies ist eine unendliche Ordnung MA oder MA Eine endliche Ordnung MA ist eine unendliche Ordnung AR und jede endliche Ordnung AR ist eine unendliche Ordnung MA. Recall in Woche 1, stellten wir fest, dass eine Voraussetzung für eine stationäre AR 1 ist, dass 1 1 Sei s berechnen die Var xt mit der kausalen Darstellung. Dieser letzte Schritt verwendet eine grundlegende Tatsache über geometrische Serien, die Phi1 erfordert 1 sonst die Serie divergiert. Science und Bildung Publishing. Die Autokorrelation Funktion in 1 4 schneidet bei lag zwei rd ed Prentice-Hall, Englewood Cliffs, NJ 2 th ed Chapmann und Hall, London 3 Eigenschaften der Autokorrelationsfunktion sind 9. Ein nichtlineares Zeitreihenmodell, das mit dem gleitenden Mittelprozess in 1 1 in Bezug auf die Autokorrelationsfunktionsstruktur konkurriert, ist das reine Diagonale bilinea R Zeitreihen Prozess der Ordnung zwei PDB 2 Prozess definiert durch 4.wo ist und sind echte Konstanten Wenn dann die ersten und zweiten Momente des Modells in 1 5 sind wie folgt 8. Es ist ganz offensichtlich, dass die ACFs in 1 4 und die Eins in 1 8 alle abgeschnitten nach Verzögerung 2 Dies deutet darauf hin, dass ein gleitender Mittelprozess der Ordnung zwei und ein reiner diagonaler bilinearer Zeitreihenprozess der Ordnung zwei ähnliche Autokorrelationsstrukturen haben. Dadurch besteht die Möglichkeit, Reiner diagonaler bilinearer Prozess der Ordnung zwei als gleitender Mittelwert der Ordnung zwei Die Leichtigkeit, mit der lineare Modelle ausgestattet sind, und die Praxis der Annäherung nichtlinearer Modelle durch lineare Modelle kann auch dazu führen, dass die nichtlineare reine diagonale bilineare Prozesse der Ordnung zwei verkürzt wird Es ist zwingend erforderlich, die statistische Implikation der vorgenannten Modellfehlerklassifizierung zu untersuchen. In diesem Zusammenhang konzentrieren wir uns auf die Straffunktion, die mit einer Fehlklassifizierung eines HVE verbunden ist 2-Prozess als ein MA 2 - Verfahren.2 Beziehung zwischen den Parametern des reinen diagonalen Bilinearen Prozesses des Ordens Zwei und des beweglichen durchschnittlichen Ordnungsprozesses Zwei. Haben beobachtet, dass der gleitende durchschnittliche Prozess der Ordnung zwei und reiner diagonaler bilinearer Prozess der Ordnung zwei ähnlich sind Autokorrelationsstrukturen lohnt es sich, die Beziehung zwischen den Parametern der beiden Modelle abzuleiten. Diese Beziehungen werden uns helfen, die Straffunktion für die falsche Klassifizierung des nichtlinearen Modells als das konkurrierende lineare Modell zu erhalten. Die Methode der Momente, die die Gleichung der ersten und zweiten Momente beinhaltet Das reine diagonale bilineare Modell zu den entsprechenden Momenten des nicht null gleitenden durchschnittlichen Prozeßes der Ordnung zwei wird für diesen Zweck verwendet werden. Equating bedeutet, wir haben. Equating Abweichungen, erhalten wir. Simulation in Bezug auf 2 23, 2 24, 2 25, 2 26 und ihre entsprechenden Werte von und und.3 Straffunktion zur Fehlklassifizierung eines PDB 2 Prozess als MA 2 Prozess. Penalitätsfunktion basierend auf Modellfehlerklassifizierung in der Zeitreihenanalyse wird durch 6 als Funktion des Fehlers definiert Standardabweichungen Es gibt die Standardabweichung der Fehler, die einem MA 2 - Verfahren entsprechen. Dann ist die Straffunktion für die Fehlklassifizierung des PDB 2 als MA 2 als. We gegeben Kann schreiben 3 1 wie. Using 2 2, erhalten wir. Substituting 3 3 in 3 2 führt zu. In 3 3 sind wie in 2 27 und 2 23 definiert Tabelle 1 enthält die Strafen P, die verschiedenen Werten entsprechen. Unter Berücksichtigung der vollständigen Tabelle, die 2129 Sätze von Werten enthält, können wir sehen, dass die Straffunktion zur Fehlklassifizierung eines PDB 2 - Verfahrens als Ein MA 2 - Prozeß P nimmt positive Werte für alle Werte von, Der positive Wert der Strafe für die Fehlklassifizierung eines PDB 2 - Prozesses als MA 2 - Prozeß zeigt, daß diese Fehlklassifizierung zu einer Erhöhung der Varianz der Fehler führt. Dieser Befund stimmt mit den Ergebnissen überein Erhalten durch 6 im Hinblick auf die Fehlklassifizierung eines PDB 1-Prozesses als MA 1 - Prozess. Für prädiktive Zwecke müssen wir die Beziehung zwischen P und Erstens finden, wir zeichnen P gegen jede von Abbildung 1 zeigt die Handlung von P gegen. Tabelle 1 Strafen für verschiedene Werte von Parametern von MA 2 Prozess und PDB 2 Prozess Der p-Wert von 0 00 in der Tabelle 3 impliziert, dass das passende Regressionsmodell geeignet ist, die Beziehung zwischen P und 4 zu beschreiben Ist das Studium, wir haben festgestellt, die Wirkung der falschen diagonalen bilinearen Prozess der Ordnung zwei als gleitenden durchschnittlichen Prozess der Ordnung zwei Eine Straffunktion wurde definiert und wurde verwendet, um Strafen für die Fehlklassifizierung der reinen diagonalen bilinearen Prozess der Ordnung zwei als die Bewegung zu berechnen Durchschnittlicher Prozeß der Ordnung zwei auf der Grundlage verschiedener Mengen von Werten der Parameter der beiden Prozesse Die berechneten Strafen angenommen positive Werte Dies zeigte eine Erhöhung der Fehlerabweichung aufgrund der Fehlklassifizierung des reinen diagonalen bilinearen Prozesses der Ordnung zwei als gleitender Durchschnittsprozess der Ordnung zwei A Quadratisches Regressionsmodell wurde für die Vorhersage der Strafen auf der Grundlage der Parameter des reinen diagonalen bilinearen Prozesses der Ordnung zwei gefunden. Bessels, S 2006 Ein Schritt jenseits der solvable equation Diese Seite wurde im Juni 2013 besucht. Box, GEP Jenkins, GM und Reinsel, GC 1994 Zeitreihenanalyse Vorhersage und Kontrolle 3 rd ed Prentice-Hall, Englewood Cliffs, N J.