Bewegende gemiddelde model kleinste kwadrate

Op kleinste-kwadrate beraming van die oorblywende variansie in die eerste-orde bewegende gemiddelde model Abstract In die eerste-orde bewegende gemiddelde model ontleed ons die gedrag van die beramer van die variansie van die ewekansige oorblywende afkomstig van die metode van kleinste kwadrate. Hierdie proses is opgeneem in 'n wyd gebruik rekenaarprogramme. Ons wys deur simulasies dat die asimptotiese formules vir die vooroordeel en variansie van die maksimum waarskynlikheid beramer, kan gebruik word as benaderings vir die kleinste-kwadrate beraming, ten minste wanneer die model parameter is ver van die streek van nie-inverteerbaarheid. Asimptotiese resultate word ontwikkel met behulp van die ldquolong autoregressionrdquo idee, en dit lei tot 'n geslote-vorm uitdrukking vir die kleinste-kwadrate beraming. Op sy beurt is dit in vergelyking met die maksimum waarskynlikheid beraming onder normaliteit, beide in sy presiese en in 'n benaderde weergawe, wat verkry word deur ongeveer dieselfde matriks vir die eksponent van die Gaussiese waarskynlikheid funksie. Hierdie vergelyking word geïllustreer deur 'n numeriese voorbeelde. Die afhanklikheid van die resultate oor vooroordele op die waardes van die model parameter word beklemtoon. Sleutelwoorde Moving gemiddelde model Residuele variansie skatting Kleinste kwadrate Asymptotische vooroordeel Asymptotische gemiddelde vierkante fout Korrespondensie adres. Facultad de ciencias Economicas, Inst. de Investigaciones Estadisticas, Universidad Nacional de Tucuman, Casilla de Correo 209 4000 Tucuman, Argentinië. Kopiereg afskrif 1999 Elsevier Science BV Alle regte reserved. Autoregressive bewegende gemiddelde fout prosesse (ARMA foute) en ander modelle wat lags van die dwaling terme betrek kan word beraam deur gebruik te maak van FIT state en gesimuleerde of voorspel deur gebruik te maak van LOS state. ARMA modelle vir die fout proses word dikwels gebruik vir modelle met autocorrelated residue. Die AR makro kan gebruik word om modelle met outoregressiewe fout prosesse spesifiseer. Die MA makro kan gebruik word om modelle spesifiseer met bewegende gemiddelde fout prosesse. Outoregressiewe Foute 'n model met die eerste-orde outoregressiewe foute, AR (1), het die vorm terwyl 'n AR (2) fout proses het die vorm en dies meer vir hoër-orde prosesse. Let daarop dat die e onafhanklik en identies verdeelde en het 'n verwagte waarde van 0. 'n Voorbeeld van 'n model met 'n AR (2) komponent is en dies meer vir hoër-orde prosesse. Byvoorbeeld, kan jy 'n eenvoudige lineêre regressiemodel met MA (2) skryf bewegende gemiddelde foute as waar Ma1 en Ma2 is die bewegende gemiddelde parameters. Let daarop dat RESID. Y outomaties word gedefinieer deur PROC model as die ZLAG funksie moet gebruik word vir MA modelle om die rekursie van die lags afgestomp. Dit verseker dat die vertraagde foute begin by nul in die lag priming fase en nie voort ontbrekende waardes wanneer-lag priming tydperk veranderlikes ontbreek, en dit verseker dat die toekomstige foute is nul eerder as vermis tydens simulasie of vooruitskatting. Vir meer besonderhede oor die lag funksies, sien die artikel Lag logika. Hierdie model geskryf met behulp van die MA makro is soos volg: Algemene vorm vir ARMA Models Die algemene ARMA (p, q) proses het die volgende vorm 'n ARMA (p, q) model kan gespesifiseer word soos volg: waar AR Ek en MA j verteenwoordig die outoregressiewe en bewegende gemiddelde parameters vir die verskillende lags. Jy kan enige name wat jy wil vir hierdie veranderlikes gebruik, en daar is baie soortgelyk maniere wat die spesifikasie kan geskryf word. Vektor ARMA prosesse kan ook beraam met PROC model. Konvergensie Probleme met ARMA Models ARMA modelle kan moeilik om te skat wees: Byvoorbeeld, kan 'n twee-veranderlike AR (1) proses vir die foute van die twee endogene veranderlikes Y1 en Y2 soos volg gespesifiseer word. As die parameter ramings is nie binne die toepaslike omvang, 'n bewegende gemiddelde modelle oorblywende terme groei eksponensieel. Die berekende residue vir latere waarnemings kan baie groot wees of kan oorloop. Dit kan gebeur óf omdat onbehoorlike beginspan waardes is gebruik of omdat die iterasies wegbeweeg van redelike waardes. Sorg moet gedra word in die keuse van beginspan waardes vir ARMA parameters. Begin waardes van 0.001 vir ARMA parameters gewoonlik werk as die model pas die data goed en die probleem is goed gekondisioneer. Let daarop dat 'n MA-model dikwels benader kan word deur 'n hoë-orde AR model, en omgekeerd. Dit kan lei tot 'n hoë collinearity in gemengde ARMA modelle, wat op sy beurt ernstige swak kondisionering in die berekeninge en onstabiliteit van die parameter ramings kan veroorsaak. As jy konvergensie probleme te hê, terwyl die skatte van 'n model met ARMA foute prosesse, probeer om te skat in stappe. In die eerste plek gebruik 'n geskikte verklaring aan net die strukturele parameters met die ARMA parameters gehou na nul (of om vooraf redelike raming indien beskikbaar) te skat. Volgende, gebruik 'n ander FIT verklaring slegs die ARMA parameters beraam, met behulp van die strukturele parameterwaardes van die eerste termyn. Sedert die waardes van die strukturele parameters is waarskynlik naby aan hul finale skattings te wees, kan die ARMA parameterberaming nou bymekaar. Ten slotte, gebruik 'n ander FIT verklaring aan gelyktydige skattings van al die parameters te produseer. Sedert die aanvanklike waardes van die parameters is nou waarskynlik baie naby aan hul finale gesamentlike skattings te wees, moet die skattings vinnig bymekaar as die model geskik is vir die data is. AR beginvoorwaardes Die aanvanklike lags van die fout terme van AR (p) modelle gemodelleer kan word in verskillende maniere. Die outoregressiewe fout begin metodes deur SAS / ETS prosedures is die volgende: voorwaardelike kleinste kwadrate (ARIMA en model prosedures) onvoorwaardelike kleinste kwadrate (AUTOREG, ARIMA, en model prosedures) die maksimum waarskynlikheid (AUTOREG, ARIMA, en model prosedures) Yule-Walker (AUTOREG prosedure net) Hildreth-Lu, wat (enigste model prosedure) die eerste p Waarnemings verwyder Sien Hoofstuk 8, die AUTOREG prosedure, vir 'n verduideliking en bespreking van die meriete van verskeie AR (p) begin metodes. Die CLS, ULS, ML, en HT initializations uitgevoer kan word deur PROC model. Vir AR (1) foute, kan hierdie initializations geproduseer, soos uiteengesit in Tabel 18.2. Hierdie metodes is ekwivalent in groot monsters. Table 18.2 Initializations Uitgevoer deur PROC Model: AR (1) FOUTE Die aanvanklike lags van die fout terme van MA (Q) modelle kan ook geskoei op verskillende maniere. Die volgende bewegende gemiddelde fout start-up paradigmas word ondersteun deur die ARIMA en model prosedures: onvoorwaardelike kleinstekwadrate voorwaardelike kleinstekwadrate die voorwaardelike kleinste kwadrate metode van beraming bewegende gemiddelde fout terme is nie optimaal omdat dit die aanloop probleem ignoreer. Dit verminder die doeltreffendheid van die skat, hoewel hulle onbevooroordeelde bly. Die aanvanklike uitgestel residue, die uitbreiding van voor die aanvang van die data, is veronderstel om 0, hul onvoorwaardelike verwagte waarde. Dit stel 'n verskil tussen hierdie residue en die algemene kleinstekwadrate residue vir die bewegende gemiddelde kovariansie, wat, in teenstelling met die outoregressiewe model, voortduur deur die datastel. Gewoonlik hierdie verskil konvergeer vinnig tot 0, maar vir byna noninvertible bewegende gemiddelde prosesse die konvergensie is baie stadig. Om hierdie probleem te verminder, moet jy baie data het, en die bewegende gemiddelde parameterberaming moet goed binne die omkeerbare reeks. Hierdie probleem reggestel kan word ten koste van die skryf van 'n meer komplekse program. Onvoorwaardelike kleinste kwadrate beramings vir die MA (1) proses kan geproduseer word deur die spesifiseer van die model soos volg: Moving-gemiddelde foute kan moeilik om te skat wees. Jy moet oorweeg om 'n AR (p) benadering tot die bewegende gemiddelde proses. 'N bewegende gemiddelde proses kan gewoonlik goed benader word deur 'n outoregressiewe proses as die data is nie stryk of differenced. Die AR Makro Die SAS makro AR genereer programmering state vir PROC model vir outoregressiemodelle. Die AR makro is deel van SAS / ETS sagteware, en geen spesiale opsies moet ingestel word om die makro gebruik. Die outoregressiewe proses toegepas kan word om die strukturele vergelyking foute of om die endogene reeks hulself. Die AR makro kan gebruik word vir die volgende tipes motor regressie: onbeperkte vector-motor regressie beperk vector-motor regressie Eenveranderlike motor regressie Om die foutterm van 'n vergelyking model as 'n outoregressiewe proses, gebruik die volgende stelling na die vergelyking: Byvoorbeeld, veronderstel dat Y is 'n lineêre funksie van x1, x2, en 'n AR (2) fout. Die oproepe na AR moet kom na al die vergelykings wat die proses van toepassing op: Jy sal hierdie model soos volg skryf. Die voorafgaande makro aanroeping, AR (y, 2), produseer die state getoon in die lys uitset in Figuur 18.58. Figuur 18.58 LYS Opsie Uitset vir 'n AR (2) Model Die pred voorafgegaan veranderlikes is tydelik program veranderlikes gebruik sodat die lags van die residue is die korrekte residue en nie dié geherdefinieer deur hierdie vergelyking. Let daarop dat hierdie is gelykstaande aan die state uitdruklik in die artikel Algemene Form vir ARMA Models geskryf. Jy kan ook die outoregressiewe parameters aan nul beperk by uitgesoekte lags. Byvoorbeeld, as jy outoregressiewe parameters wou by lags 1, 12, en 13, kan jy die volgende stellings gebruik: Hierdie state genereer die uitset in Figuur 18,59. Figuur 18,59 LYS Opsie Uitset vir 'n AR Model met lags op 1, 12, en 13 Die model Prosedure aanbieding van Saamgestel programkode Verklaring Geperste PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y pred. y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - PREDy) yl12 ZLAG12 (y - PREDy) yl13 ZLAG13 (y - PREDy) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y Daar is variasies op die voorwaardelike kleinste kwadrate metode, afhangende van of waarnemings op die begin van die reeks word gebruik om op te warm die AR proses. By verstek, die AR voorwaardelike kleinste kwadrate metode gebruik al die waarnemings en aanvaar nulle vir die aanvanklike lags van outoregressiewe terme. Deur die gebruik van die opsie man, kan jy versoek dat AR gebruik die onvoorwaardelike kleinste kwadrate (ULS) of metode maksimum-waarskynlikheid (ML) plaas. Byvoorbeeld, is Besprekings van hierdie metodes wat in die artikel AR beginvoorwaardes. Deur die gebruik van die MCLS N opsie, kan jy versoek dat die eerste N Waarnemings word om skattings van die aanvanklike outoregressiewe lags bereken. In hierdie geval, die ontleding begin met waarneming N 1. Byvoorbeeld: Jy kan die AR makro gebruik om 'n outoregressiewe model toe te pas om die endogene veranderlike, in plaas van om die foutterm, deur gebruik te maak van die opsie TYPEV. Byvoorbeeld, as jy wil die vyf afgelope lags van Y toe te voeg tot die vergelyking in die vorige voorbeeld, jy kan AR gebruik om die parameters te genereer en loop deur die gebruik van die volgende stellings: Die voorafgaande stellings te genereer die uitset in Figuur 18.60. Figuur 18.60 LYS Opsie Uitset vir 'n AR model van Y Hierdie model voorspel Y as 'n lineêre kombinasie van X1, X2, 'n onderskep, en die waardes van Y in die mees onlangse vyf periodes. Onbeperkte vector-motor regressie Om die fout terme van 'n stel vergelykings as 'n vektor outoregressiewe proses te modelleer, gebruik die volgende vorm van die AR makro na die vergelykings: Die processname waarde is 'n naam wat jy verskaf vir AR om te gebruik in die maak van name vir die outoregressiewe grense. Jy kan die AR makro gebruik om verskillende AR prosesse vir verskillende stelle vergelykings model deur gebruik te maak van verskillende proses name vir elke stel. Die naam proses verseker dat die veranderlike name wat uniek is. Gebruik 'n kort processname waarde vir die proses as parameter ramings geskryf moet word om 'n uitset datastel. Die AR makro probeer parameter name minder as of gelyk aan agt karakters bou, maar dit is beperk deur die lengte van processname. wat gebruik word as 'n voorvoegsel vir die AR parameter name. Die variablelist waarde is die lys van endogene veranderlikes vir die vergelykings. Byvoorbeeld, veronderstel dat foute vir vergelykings Y1, Y2, en Y3 gegenereer deur 'n tweede-orde vektor outoregressiewe proses. wat die volgende vir Y1 en soortgelyke kode vir Y2 en Y3 genereer: Slegs die voorwaardelike kleinste kwadrate (MCLS of MCLS n) metode kan gebruik word vir vektor prosesse Jy kan die volgende stellings gebruik. Jy kan ook dieselfde vorm met beperkings wat die koëffisiëntmatriks 0 by uitgesoekte lags gebruik. Byvoorbeeld, die volgende stellings pas 'n derde-orde vektor proses om die vergelyking foute met al die koëffisiënte op lag 2 beperk tot 0 en met die koëffisiënte op lags 1 en 3 onbeperkte: Jy kan die drie reekse Y1Y3 as 'n vektor outoregressiewe proses te modelleer in die veranderlikes in plaas van in die foute deur die gebruik van die opsie TYPEV. As jy wil Y1Y3 model as 'n funksie van die verlede waardes van Y1Y3 en 'n paar eksogene veranderlikes of konstantes, kan jy AR gebruik om die state vir die lag terme te genereer. Skryf 'n vergelyking vir elke veranderlike vir die nonautoregressive deel van die model, en dan bel AR met die opsie TYPEV. Byvoorbeeld, kan die nonautoregressive deel van die model 'n funksie van eksogene veranderlikes wees, of dit kan onderskep parameters wees. As daar geen eksterne komponente om die vector-motor regressie model, insluitende geen afsnitte, dan wys nul tot elk van die veranderlikes. Daar moet 'n opdrag aan elkeen van die veranderlikes voor AR genoem. Hierdie voorbeeld modelle die vektor Y (Y1 Y2 Y3) as 'n lineêre funksie net van sy waarde in die vorige twee periodes en 'n wit geraas fout vektor. Die model het 18 (3 3 3 3) parameters. Sintaksis van die AR Makro Daar is twee gevalle van die sintaksis van die AR makro. Wanneer beperkings op 'n vektor AR proses nie nodig, die sintaksis van die AR makro het die algemene vorm spesifiseer 'n voorvoegsel vir AR om te gebruik in die bou van name van veranderlikes wat nodig is om die AR proses te definieer. As die endolist nie gespesifiseer word nie, die endogene lys standaard te noem. wat moet die naam van die vergelyking waarna die AR fout proses toegepas moet word nie. Die naam mag nie meer as 32 karakters. is aan die orde van die AR proses. spesifiseer die lys van vergelykings waarna die AR proses toegepas moet word. Indien meer as een naam word gegee, is 'n onbeperkte vektor proses geskep met die strukturele residue van al die vergelykings ingesluit as voorspellers in elk van die vergelykings. As nie gespesifiseer, verstek na endolist naam. spesifiseer die lys van sloerings waarteen die AR terme is om by te voeg. Die koëffisiënte van die terme op lags nie gelys is ingestel op 0. Al die genoteerde lags moet minder as of gelyk aan nlag wees. en daar was geen duplikate moet wees. As nie gespesifiseer, die laglist standaard vir alle lags 1 deur nlag. spesifiseer die skatting metode om te implementeer. Geldige waardes van M is CLS (voorwaardelike kleinste kwadrate beramings), ULS (onvoorwaardelike kleinste kwadrate beramings), en ML (maksimum waarskynlikheid ramings). MCLS is die standaard. Slegs MCLS toegelaat wanneer meer as een vergelyking gespesifiseer. Die ULS en ML metodes word nie ondersteun nie vir vektor AR modelle deur AR. bepaal dat die AR proses toegepas moet word om die endogene veranderlikes hulself in plaas van om die strukturele residue van die vergelykings. Beperkte vector-motor regressie Jy kan beheer wat parameters ingesluit in die proses, die beperking van tot 0 diegene parameters wat jy nie in te sluit. In die eerste plek gebruik AR met die opsie eerbiedig die veranderlike lys verklaar en die dimensie van die proses te definieer. Dan gebruik addisionele AR oproepe na terme vir geselekteerde vergelykings met geselekteerde veranderlikes by sekere lags genereer. Byvoorbeeld, die fout vergelykings geproduseer is soos volg: Hierdie model stel dat die foute vir Y1 afhang van die foute van beide Y1 en Y2 (maar nie Y3) by beide lags 1 en 2, en dat die foute vir Y2 en Y3 afhang die vorige foute vir al drie veranderlikes, maar slegs op lag 1. AR Makro Sintaksis vir Beperkte vector AR 'n alternatiewe gebruik van AR toegelaat word om beperkings op 'n vektor AR proses te lê deur AR 'n paar keer 'n beroep op verskillende AR terme spesifiseer en loop vir verskillende vergelykings. Die eerste oproep het die algemene vorm spesifiseer 'n voorvoegsel vir AR om te gebruik in die bou van name van veranderlikes wat nodig is om die vektor AR proses te definieer. spesifiseer die einde van die AR proses. spesifiseer die lys van vergelykings waarna die AR proses toegepas moet word. bepaal dat AR is nie om die AR proses te genereer, maar is om te wag vir verdere inligting wat in later AR oproepe vir die gelyknamige waarde. Die daaropvolgende oproepe het die algemene vorm is dieselfde as in die eerste oproep. spesifiseer die lys van vergelykings waarna die spesifikasies in hierdie AR oproep is wat toegepas moet word. Slegs name wat in die endolist waarde van die eerste oproep vir die naam waarde kan verskyn in die lys van vergelykings in eqlist. spesifiseer die lys van vergelykings wie uitgestel strukturele residue is om ingesluit te word as voorspellers in die vergelykings in eqlist. Slegs name in die endolist van die eerste oproep vir die naam waarde kan verskyn in varlist. As nie gespesifiseer, verstek na varlist endolist. spesifiseer die lys van sloerings waarteen die AR terme is om by te voeg. Die koëffisiënte van die terme op lags nie gelys is ingestel op 0. Al die genoteerde lags moet minder as of gelyk aan die waarde van nlag wees. en daar was geen duplikate moet wees. As nie gespesifiseer, verstek laglist al lags 1 deur nlag. Die MA Makro Die SAS makro MA genereer programmering state vir PROC model vir die verskuiwing-gemiddelde modelle. Die MA makro is deel van SAS / ETS sagteware, en geen spesiale opsies is nodig om die makro gebruik. Die bewegende gemiddelde fout proses toegepas kan word om die strukturele vergelyking foute. Die sintaksis van die MA makro is dieselfde as die AR makro behalwe daar is geen argument plekke. Wanneer jy die MA en AR makros gekombineer, moet die MA makro die AR makro volg. Die volgende SAS / IML state te produseer 'n ARMA (1, (1 3)) fout proses en stoor dit in die datastel MADAT2. Die volgende PROC MODEL state word gebruik om die parameters van hierdie model skat met behulp van maksimum waarskynlikheid fout struktuur: die skat van die parameters wat deur hierdie lopie word in Figuur 18.61. Figuur 18.61 Beramings van 'n ARMA (1, (1 3)) Proses Daar is twee gevalle van die sintaksis vir die MA makro. Wanneer beperkings op 'n vektor MA proses nie nodig, die sintaksis van die MA makro het die algemene vorm spesifiseer 'n voorvoegsel vir MA om te gebruik in die bou van name van veranderlikes wat nodig is om die MA proses te definieer en is die standaard endolist. is aan die orde van die MA-proses. spesifiseer die vergelykings waarna die MA proses toegepas moet word. Indien meer as een naam word gegee, is CLS skatting gebruik vir die vektor proses. spesifiseer die lags waarteen die MA terme is om by te voeg. Al die genoteerde lags moet minder as of gelyk aan nlag wees. en daar was geen duplikate moet wees. As nie gespesifiseer, die laglist standaard vir alle lags 1 deur nlag. spesifiseer die skatting metode om te implementeer. Geldige waardes van M is CLS (voorwaardelike kleinste kwadrate beramings), ULS (onvoorwaardelike kleinste kwadrate beramings), en ML (maksimum waarskynlikheid ramings). MCLS is die standaard. Slegs MCLS toegelaat wanneer meer as een vergelyking wat in die endolist. MA Makro Sintaksis vir Beperkte Vector bewegende gemiddeldes 'n Alternatiewe gebruik van MA toegelaat word om beperkings op 'n vektor MA proses te lê deur 'n paar keer 'n beroep MA verskillende MA terme spesifiseer en loop vir verskillende vergelykings. Die eerste oproep het die algemene vorm spesifiseer 'n voorvoegsel vir MA om te gebruik in die bou van name van veranderlikes wat nodig is om die vektor MA proses te definieer. spesifiseer die einde van die MA-proses. spesifiseer die lys van vergelykings waarna die MA proses toegepas moet word. bepaal dat MA is nie tot die MA proses te genereer, maar is om te wag vir verdere inligting wat in later MA oproepe vir die gelyknamige waarde. Die daaropvolgende oproepe het die algemene vorm is dieselfde as in die eerste oproep. spesifiseer die lys van vergelykings waarna die spesifikasies in hierdie MA oproep is wat toegepas moet word. spesifiseer die lys van vergelykings wie uitgestel strukturele residue is om ingesluit te word as voorspellers in die vergelykings in eqlist. spesifiseer die lys van sloerings waarteen die MA terme is om added.4.2 Kleinste kwadrate beraming in die praktyk, natuurlik, ons het 'n versameling van waarnemings, maar ons weet nie die waardes van beta0 en beta1. Hierdie moet geskat word uit die data. Ons noem dit pas 'n streep deur die data. Daar is baie moontlike keuses vir beta0 en beta1, elke keuse gee 'n ander lyn. Die kleinste kwadrate beginsel bied 'n manier om die keuse van beta0 en beta1 effektief deur die vermindering van die bedrag van die kwadraat foute. Dit is, ons kies die waardes van beta0 en beta1 dat som N varepsiloni2 som N minimaliseer (yi - beta0 - beta1xi) 2. Die gebruik van wiskundige analise, kan dit getoon dat die gevolglike kleinste kwadrate beramers is waar bar is die gemiddeld van die x waarnemings en kroeg is die gemiddelde van die y waarnemings. Die beraamde lyn staan ​​bekend as die regressielyn en word in Figuur 4.2. Ons dink dat daar 'n ware lyn aangedui deur ybeta0beta1x (aangedui as die stippel groen lyn in figuur 4.2, maar ons weet nie beta0 en beta1 weet sodat ons hierdie lyn vir vooruitskatting nie kan gebruik. Daarom kry ons skattings hoed 0 en hoed 1 van die waargenome data na die regressielyn (die soliede pers lyn in figuur 4.2) gee. die regressielyn word gebruik vir vooruitskatting. vir elke waarde van x, kan ons 'n ooreenstemmende waarde van y te voorspel met behulp hoed hoed 0hat 1x. toegerus waardes en residue die voorspelling waardes van y verkry via waargeneem x waardes geroep toegerus waardes. Ons skryf dit as hoed ihat 0hat 1xi, vir i1, kolle, N. Elke hoed Ek is die punt op die regressielyn wat ooreenstem met waarneming XI. die verskil tussen die waargenome y waardes en die ooreenstemmende toegerus waardes is die residue: ei yi - hoed i yi - hat 0-hoed 1xi die residue het 'n paar nuttige eienskappe, insluitend die volgende twee:. As gevolg van hierdie eienskappe, is dit duidelik dat die gemiddelde van die residue is nul, en dat die korrelasie tussen die residue en die waarnemings vir die voorspeller veranderlike is ook zero.8.4 Moving gemiddelde modelle eerder as om te gebruik afgelope waardes van die voorspelling veranderlike in 'n regressie, 'n bewegende gemiddelde model gebruik afgelope voorspelling foute in 'n regressie-agtige model. y c et theta e theta e kolle theta e, waar et is wit geraas. Ons noem dit 'n MA (Q) model. Natuurlik, ons het nie die waardes van et waarneem, so dit is nie regtig regressie in die gewone sin. Let daarop dat elke waarde van yt gesien kan word as 'n geweegde bewegende gemiddelde van die afgelope paar voorspel foute. Maar bewegende gemiddelde modelle moet nie verwar word met bewegende gemiddelde smoothing ons in Hoofstuk 6. 'n bewegende gemiddelde model bespreek word gebruik vir die voorspelling van toekomstige waardes, terwyl bewegende gemiddelde smoothing word gebruik vir die bepaling van die tendens-siklus van verlede waardes wees. Figuur 8.6: Twee voorbeelde van data uit bewegende gemiddelde modelle met verskillende parameters. Links: MA (1) met y t 20e t 0.8e t-1. Regs: MA (2) met y t e t-e t-1 0.8e t-2. In beide gevalle, is e t normaalverdeelde wit geraas met gemiddelde nul en variansie een. Figuur 8.6 toon 'n mate van data uit 'n MA (1) model en 'n MA (2) model. Die verandering van die parameters theta1, kolle, thetaq resultate in verskillende tyd reeks patrone. Soos met outoregressiemodelle, sal die afwyking van die term fout et net verander die skaal van die reeks, nie die patrone. Dit is moontlik om 'n stilstaande AR (p) model as 'n MA (infty) model skryf. Byvoorbeeld, met behulp van herhaalde vervanging, kan ons hierdie bewys vir 'n AR (1) model: begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext einde verstande -1 Dit phi1 Dit 1, sal die waarde van phi1k kleiner te kry as k groter word. So uiteindelik kry ons yt et phi1 e phi12 e phi13 e cdots, 'n MA (infty) proses. Die omgekeerde gevolg het as ons 'n paar beperkinge op te lê op die MA parameters. Toe die MA-model is omkeerbaar genoem. Dit wil sê, dat ons 'n omkeerbare MA (Q) proses as 'n AR (infty) proses kan skryf. Omkeerbare modelle is nie net om ons in staat stel om van MA modelle om modelle AR. Hulle het ook 'n paar wiskundige eienskappe wat maak dit makliker om te gebruik in die praktyk. Die inverteerbaarheid beperkings is soortgelyk aan die stasionariteit beperkings. Vir 'n MA (1) model: -1lttheta1lt1. Vir 'n MA (2) model: -1lttheta2lt1, theta2theta1 GT-1, theta1 - theta2 Dit 1. Meer ingewikkelde voorwaardes hou vir qge3. Weereens, sal R sorg van hierdie beperkings te neem wanneer die beraming van die models. Mean Reversion: hedendaagse Bewegende Gemiddeldes outeur: GunjanDuaa 4 Oktober 2012 bewegende gemiddeldes is een van die mees gebruikte aanwysers in studies tegniese ontleding. Wat begin met die eenvoudige bewegende gemiddelde en dan na eksponensiële bewegende gemiddelde het met die verloop van tyd en koms van die rekenaar geprogrammeer sagteware het tegnici om te eksperimenteer en kom met nuwe vorme van berekening data gemaak. DEFINISIE Gemiddelde terugkeer dui daarop dat die batepryse uiteindelik sal omkeer na sy gemiddelde of gemiddelde voordat tendens hervatting of tendens omkeer, dit kan wees dat die pryse sal terugkeer na die gemiddelde of te konsolideer vir 'n rukkie tot die tyd wat dit nader aan die gemiddelde kom, dit is 'n proses waar baie handel stelsels is gebaseer op waar opgetree word wanneer die onlangse prestasie het verskil van hul historiese gemiddeldes. MODERNE bewegende gemiddeldes Eenvoudige bewegende gemiddeldes is nog steeds gebruik word deur baie, maar met verloop van tyd en 'n vereiste is om te meet prys verskillend gemaak vir nuwe denke en nuwe gemiddeldes. In hierdie artikel sal ek nuwer bewegende gemiddeldes wat ontwikkel het met die tyd en behoefte te verduidelik. Dubbeleksponensiaalverdeling (Dema) en drie (Tema) 'n bewegende gemiddelde is 'n gladde buig lyn wat die visuele bevestiging van die langer tendens termyn van 'n gemiddelde bied, is hulle agter aanwysers waar vinniger bewegende gemiddeldes is woelig en langer termyn gemiddeldes is gladder, om verminder die tydsverloop hierdie gemodifiseerde eksponensiële gemiddeldes is gedink. Hulle word gebruik vir die verskaffing van seine in crossover of tendens bepaling vroeër as ander bewegende gemiddeldes. DOEN die wiskunde Double Eksponensiële MA Formule: Dema 2EMA - EMO (EMA) Drie Eksponensiële MA Formule: TEMA (3EMA - 3EMA (EMA)) EMO (EMO (EMA)) EMO EMO (1). (Close - EMO (1)) N Die smoothing tydperk. Grafiek 1 het bewegende gemiddelde crossover, dit duidelik blyk dat TEMA gee sein die vroegste gevolg deur Dema en dan Eenvoudige bewegende gemiddelde. So het die lag verminder en ons kan die tendens vroeër betree. Verplaas bewegende gemiddelde (DispMA) 'n DispMA is 'n bewegende gemiddelde wat vorentoe of agtertoe deur 'n spesifieke tyd interval kan aangepas word. Verskuiwing van die bewegende gemiddelde agtertoe om te bly in die lang termyn tendens, sal dit 'n sloerende effek te skep verskuiwing van die bewegende gemiddelde uit na 'n tydige uitgang te maak wanneer die toonbank tendens ontwikkel, sal dit 'n leidende effek te skep. Die doel van die DisMA is om skielike whipsaws wat gewoonlik in die ryp tendens of nuus wat verband hou gebeure kom vermy, sal die verplasing minder aantal valse seine veroorsaak. Die gewone verplasing vlakke 3 dae 5 dae vorentoe of terug. Dit kan gebruik word vir die vind van ondersteuning en weerstand of as 'n crossover sein en ook baie nuttig in sikliese studies. Grafiek 2 toon dat hoe langer bewegende gemiddelde vorentoe geplaas hou ons in die tendens terwyl die korter bewegende gemiddelde wat agtertoe geplaas help ons kry 'n tydige uitgang. GEWEEGDE bewegende gemiddelde (WBA) Kom ons neem 'n blik op 'n ander tipe van bewegende gemiddelde. Die doel van WBG is die lag weg te neem en die verhoging van die sensitiwiteit faktor tot die prys. Die geweegde bewegende gemiddelde is geweegde gemiddelde van die laaste N pryse, waar die gewig verminder deur 1 met elke vorige prys. MEER MATH Berekening: ((n pn) ((n - 1) Pn-1) ((n - 2) Pn-2) ((n - (N - 1)) Pn - (N-1)) / (. N (N - 1). (N - (N - 1)).) WBG vinniger reageer op prysveranderinge, want dit plaas meer belang op die onlangse prysbewegings op die manier is dit toon die tendens vinniger in vergelyking met die eenvoudige bewegende gemiddelde. kleinstekwadrate bewegende gemiddelde dit bewegende gemiddelde soms ook genoem as eindpunt bewegende gemiddelde. dit is gebaseer op liniêre regressie, maar neem dit 'n stap vorentoe deur skat dat wat sou gebeur het as die regressielyn voortgegaan, maak dit meer reageer op tendense en spot die tendense vroeër in vergelyking met ander bewegende gemiddeldes. die gebruike hoofsaaklik gebruik as 'n crossover sein met sy eie of met ander bewegende gemiddelde of kan gebruik word met die prys beweeg bo of onder dit as 'n koop of te verkoop sein. In Grafiek 3 plot ons drie bewegende gemiddeldes in een grafiek die eerste een die kleinste Square bewegende gemiddelde (groen) ook genoem as eindpunt bewegende gemiddelde. die rooi sirkels wys die prys styg bo die gemiddelde vertoning verandering in die tendens of eindpunt van die tendens op en af ​​help om die uitgang posisie of neem die teenoorgestelde handel. Die ander twee is WBG (dik violet) en EMO (verpletter Red), berekening van beide die gemiddeldes is byna dieselfde, maar in WBG meer gewig gegee aan die huidige prys so dit blyk dat WBG is nader aan prys in vergelyking met EMO WILDERS BEWEEG GEMIDDELDE Soos die naam aandui hierdie is geskep deur Welles Wilder die groot tegnikus sy werke sluit in relatiewe sterkte-indeks (RSI), Gemiddelde Directional indeks (ADX). Paraboliese Sar en Gemiddelde Ware Range (ATR). Dit word soms as die van die gewysigde bewegende gemiddelde die doel is om die prys bewegings glad te prystendense identifiseer. Wilder EMO prys vandag K EMO gister (1-k) waar k 1 / N, N aantal periodes Die formule is soortgelyk aan EMO wat 2 parameters, 'n tydreeks en 'n blik terug tydperk het en dit gee 'n gladde lyn. Prys verblyf en sluiting bo die gemiddelde is genoem as 'n uptrend en daaronder as 'n verslechtering neiging. Grafiek 4 toon twee gemiddeldes onder Wilders berekening. Hoe langer bewegende gemiddelde gebruik kan word vir tendens vasberadenheid en korter vir verhandeling vir die aankoop op dip en te verkoop op toeneem. Crossover bied handel seine, maar met 'n lag. RISING EKWITEIT CRUVE Byna almal gebruik bewegende gemiddeldes in die handel prystendense, hierdie nuwer bewegende gemiddeldes sal help handelaars vang tendens in 'n beter manier en bou 'n fyner handel stelsel teenoor tendense verstaan ​​mark beter opbrengs van 'n stygende aandele kurwe.