Supponiamo di avere N serie temporali XTS class. Can suggerisci un modo per esempio una funzione esistente per calcolare rotolamento correlazione media mobile in movimento window. So avete per esempio 10 Time Series Il primo passo è quello di calcolare 60 giorni correlazione tra primo e secondo, prima e terzo, primo e il quarto, e così via secondo passo è quello di calcolare la media per che la correlazione value. End di prima cycle. After si avanza di un giorno e iniziare tutto il processo prima e risultati del secondo step. The è una serie di tempo con il correlazione media values. Can chiunque aiuta a trovare un modo efficace per fare this. This è la struttura del mio data. Suppose avete tutte le serie nel frame di dati chiamato X, in primi dieci variabili Then. If don t avere loro in un data cornice, quindi penso che il modo più semplice è primo a fare un frame di dati - a condizione che la vostra serie temporali sono tutti dello stesso length. To esclude diagonali 1 s dalla matrice di correlazione si potrebbe prima definire una funzione che calcola media di tutti i valori al di sotto diagonale o superiore diag, Doens t fare la differenza. Non testato ma penso che shoudlwork. Much della mia ricerca si concentra sulle relazioni dinamiche tra le attività nel mercato 1, 2, 3 In genere, io uso la correlazione come misura della dipendenza dal rapporto i suoi risultati sono facili da comunicare e comprendere al contrario di informazione reciproca, che è un po 'meno utilizzato in finanza di quello che è in teoria dell'informazione Tuttavia, analizzando le dinamiche di correlazione ci impongono di calcolare una correlazione movimento alias finestra, uscita, o rolling. Moving medie sono ben comprese e facilmente calcolato prendono in considerazione una risorsa alla volta e produrre un valore per ogni periodo di tempo in movimento correlazioni, a differenza di medie mobili, deve tener conto di più risorse e di produrre una matrice di valori per ciascun periodo di tempo Nel caso più semplice, abbiamo a cuore la correlazione tra due beni per ad esempio, il settore finanziario XLF in questo caso SP 500 spia e, dobbiamo solo prestare attenzione a un valore nella matrice Tuttavia, se dovessimo aggiungere il settore energetico XLE, diventa più difficile da calcolare in modo efficiente e rappresentare queste correlazioni questa è sempre vero per 3 o più differenti assets. I hai scritto il codice sottostante per semplificare questo processo di download in primo luogo, si fornisce un Datamatrix matrice con le variabili nelle colonne, ad esempio, SPY nella colonna 1, XLF nella colonna 2, e XLE nella colonna 3 In secondo luogo, si fornisce un WindowSize dimensione della finestra per esempio, se datamatrix conteneva torna minuziosamente, quindi una dimensione della finestra di 60 produrrebbe finale correlazione oraria stima terzo luogo, si indica quale colonna IndexColumn si cura di vedere i risultati per Nel nostro esempio, avremmo probabilmente specificare colonna 1, dal momento che questo ci permetterebbe di osservare la correlazione tra 1 il settore finanziario SP e 2 e l'immagine SP e sector. The energia sotto mostra i risultati per esattamente l'esempio precedente per Venerdì scorso, 1 ° ottobre 2010.2 Responses to Il calcolo di correlazione Moving in Matlab. it non è chiaro come si tratta con NA. How vuoi calcolare le correlazioni per gli indici in diversi paesi in cui un punto di dati può mancare a causa di una particolare vacanza in un unico country. Hi Paolo, il codice come ho ve postato t doesn accordo con NaNs grazia si può vedere da questa pagina della documentazione Matlab che è possibile aggiungere le righe, completi al comando corrcoef a che fare con garbo con i issue. The altre alternative sono a cadere quella data completamente, interpolare, o utilizzare un altro metodo sofisticato per trattare con mancante observations. Leave un Commento Annulla reply.8 4 spostamento models. Rather media di utilizzare i valori passati della variabile tempo in una regressione, un modello di media mobile utilizza errori di previsione del passato in un modello di regressione-like. YC et theta e theta e puntini theta e. where et è il rumore bianco Ci riferiamo a questo come un modello MA q Naturalmente, non osserviamo i valori di et, quindi non è davvero una regressione nella solita sense. Notice che ogni il valore di yt può essere pensato come una media mobile ponderata degli ultimi errori di previsione pochi Tuttavia, modello a media mobile non deve essere confuso con lo spostamento di smoothing media abbiamo discusso nel capitolo 6 un modello a media mobile viene utilizzato per prevedere i valori futuri mentre si muove smoothing media viene utilizzato per stimare l'andamento del ciclo di values. Figure passato 8 6 Due esempi di dati da modello a media mobile con parametri diversi sinistra MA 1 con YT 20 e 0 8e t-1 destro MA 2 con ytet - e t-1 0 8e t-2 in entrambi i casi, et è normalmente distribuito rumore bianco con media zero e varianza one. Figure 8 6 illustra alcuni dati da un modello MA 1 e un modello MA 2 Modifica della theta1 parametri, puntini, thetaq risultati nei modelli di serie storiche differenti come per i modelli autoregressivi, la varianza del termine di errore et cambierà solo la scala della serie, non il patterns. It è possibile scrivere qualsiasi AR modello p stazionario come modello MA infty ad esempio, utilizzando la sostituzione ripetute, possiamo dimostrare questo per un modello di 1 AR. iniziare yt phi1y et phi1 phi1y E et phi1 2A phi1 E et phi1 3Y phi1 2e phi1 E et testo end. Provided -1 phi1 1, il valore di k phi1 otterrà più piccolo come k diventa più grande Così alla fine si ottiene. yt et phi1 e phi1 2 e risultato phi1 3 e cdots. an MA infty process. The inverso vale se imponiamo alcuni vincoli sui parametri MA Poi il modello MA è chiamato invertibile Cioè, che possiamo scrivere qualsiasi processo q MA invertibile come un infty AR modelli process. Invertible non sono semplicemente che ci permetta di convertire da modelli MA a AR modelli hanno anche alcune proprietà matematiche che li rendono più facili da utilizzare in practice. The vincoli invertibilità sono simili alla stazionarietà constraints. For un MA 1 modello -1 theta1 1.Per un modello MA 2 -1 theta2 1, theta2 theta1 -1, theta1 - theta2 1.More condizioni complicate valgono per q ge3 Anche in questo caso, R si prenderà cura di questi vincoli nella stima dei modelli.
No comments:
Post a Comment