Dokumentationsausgabe tsmovavg (tsobj, s, lag) gibt den einfachen gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj zurück. Verzögerung gibt die Anzahl der vorherigen Datenpunkte an, die beim Berechnen des gleitenden Mittelwerts mit dem aktuellen Datenpunkt verwendet werden. Ausgabe tsmovavg (Vektor, s, lag, dim) gibt den einfachen gleitenden Durchschnitt für einen Vektor zurück. Verzögerung gibt die Anzahl der vorherigen Datenpunkte an, die beim Berechnen des gleitenden Mittelwerts mit dem aktuellen Datenpunkt verwendet werden. Output tsmovavg (tsobj, e, timeperiod) gibt den exponentiellen gewichteten gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj zurück. Der exponentielle gleitende Durchschnitt ist ein gewichteter gleitender Durchschnitt, wobei die Zeitperiode den Zeitraum angibt. Exponentielle gleitende Durchschnitte reduzieren die Verzögerung durch mehr Gewicht auf die jüngsten Preise. Zum Beispiel gewichtet ein 10-Perioden-exponentieller gleitender Durchschnitt den jüngsten Preis um 18,18. Exponentialprozent 2 (TIMEPER 1) oder 2 (WINDOWSIZE 1). Output tsmovavg (Vektor, e, timeperiod, dim) gibt den exponentiell gewichteten gleitenden Durchschnitt für einen Vektor zurück. Der exponentielle gleitende Durchschnitt ist ein gewichteter gleitender Durchschnitt, wobei die Zeitperiode den Zeitraum angibt. Exponentielle gleitende Durchschnitte reduzieren die Verzögerung durch mehr Gewicht auf die jüngsten Preise. Zum Beispiel gewichtet ein 10-Perioden-exponentieller gleitender Durchschnitt den jüngsten Preis um 18,18. (2 (Zeitabschnitt 1)). Ausgabe tsmovavg (tsobj, t, numperiod) gibt den dreieckigen gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj zurück. Der dreieckige gleitende Durchschnitt doppelt glättet die Daten. Tsmovavg berechnet den ersten einfachen gleitenden Durchschnitt mit Fensterbreite von ceil (numperiod 1) 2. Dann berechnet es einen zweiten einfachen gleitenden Durchschnitt auf dem ersten gleitenden Durchschnitt mit der gleichen Fenstergröße. Ausgabe tsmovavg (Vektor, t, numperiod, dim) gibt den dreieckigen gleitenden Durchschnitt für einen Vektor zurück. Der dreieckige gleitende Durchschnitt doppelt glättet die Daten. Tsmovavg berechnet den ersten einfachen gleitenden Durchschnitt mit Fensterbreite von ceil (numperiod 1) 2. Dann berechnet es einen zweiten einfachen gleitenden Durchschnitt auf dem ersten gleitenden Durchschnitt mit der gleichen Fenstergröße. Output tsmovavg (tsobj, w, gewichte) liefert den gewichteten gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj. Indem Gewichte für jedes Element in dem sich bewegenden Fenster bereitgestellt werden. Die Länge des Gewichtsvektors bestimmt die Größe des Fensters. Wenn größere Gewichtungsfaktoren für neuere Preise und kleinere Faktoren für frühere Preise verwendet werden, ist der Trend eher auf die jüngsten Veränderungen ansprechen. Ausgabe tsmovavg (Vektor, w, Gewichte, dim) gibt den gewichteten gleitenden Durchschnitt für den Vektor zurück, indem Gewichte für jedes Element in dem sich bewegenden Fenster geliefert werden. Die Länge des Gewichtsvektors bestimmt die Größe des Fensters. Wenn größere Gewichtungsfaktoren für neuere Preise und kleinere Faktoren für frühere Preise verwendet werden, ist der Trend eher auf die jüngsten Veränderungen ansprechen. Output tsmovavg (tsobj, m, numperiod) gibt den modifizierten gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj zurück. Der modifizierte gleitende Durchschnitt ist ähnlich dem einfachen gleitenden Durchschnitt. Betrachten Sie das Argument numperiod als die Verzögerung des einfachen gleitenden Mittelwerts. Der erste modifizierte gleitende Durchschnitt wird wie ein einfacher gleitender Durchschnitt berechnet. Die folgenden Werte werden durch Addition des neuen Preises und Subtrahieren des letzten Durchschnitts aus der resultierenden Summe berechnet. Output tsmovavg (Vektor, m, numperiod, dim) gibt den modifizierten gleitenden Durchschnitt für den Vektor zurück. Der modifizierte gleitende Durchschnitt ist ähnlich dem einfachen gleitenden Durchschnitt. Betrachten Sie das Argument numperiod als die Verzögerung des einfachen gleitenden Mittelwerts. Der erste modifizierte gleitende Durchschnitt wird wie ein einfacher gleitender Durchschnitt berechnet. Die folgenden Werte werden durch Addition des neuen Preises und Subtrahieren des letzten Durchschnitts aus der resultierenden Summe berechnet. Dim 8212 Dimension, um auf positive ganze Zahl mit dem Wert 1 oder 2 arbeiten Dimension zu arbeiten, als eine positive Ganzzahl mit einem Wert von 1 oder 2 angegeben. Dim ist ein optionales Eingabeargument, und wenn es nicht als eine Eingabe enthalten ist, die Standardeinstellung Wert 2 wird angenommen. Der Standardwert von dim 2 gibt eine zeilenorientierte Matrix an, wobei jede Zeile eine Variable ist und jede Spalte eine Beobachtung ist. Wenn dim 1. die Eingabe als Spaltenvektor oder spaltenorientierte Matrix angenommen wird, wobei jede Spalte eine Variable und jede Zeile eine Beobachtung ist. E 8212 Indikator für exponentiell gleitenden durchschnittlichen Charaktervektor Der exponentielle gleitende Durchschnitt ist ein gewichteter gleitender Durchschnitt, wobei der Zeitabschnitt der Zeitraum des exponentiellen gleitenden Durchschnitts ist. Exponentielle gleitende Durchschnitte reduzieren die Verzögerung durch mehr Gewicht auf die jüngsten Preise. Zum Beispiel gewichtet ein 10-Perioden-exponentieller gleitender Durchschnitt den jüngsten Preis um 18,18. Exponentialprozent 2 (TIMEPER 1) oder 2 (WINDOWSIZE 1) Zeitintervall 8212 Länge der Zeitperiode Nichtnegative Ganzzahl Wählen Sie Ihr LandDokumentation Dieses Beispiel zeigt, wie Sie Autoregressive Integrated Moving Average oder ARIMA Modelle schätzen können. Modelle von Zeitreihen, die nicht-stationäre Trends (Saisonalität) enthalten, sind manchmal erforderlich. Eine Kategorie solcher Modelle sind die ARIMA-Modelle. Diese Modelle enthalten einen festen Integrator in der Rauschquelle. Wenn daher die regulierende Gleichung eines ARMA-Modells als A (q) y (t) Ce (t) ausgedrückt wird. Wobei A (q) den autoregressiven Term und C (q) den gleitenden Durchschnittsterm repräsentiert, wird das entsprechende Modell eines ARIMA-Modells ausgedrückt, wobei der Ausdruck den zeitdiskreten Integrator darstellt. Ebenso können Sie die Gleichungen für ARI - und ARIX-Modelle formulieren. Verwenden von Zeitreihenmodell-Schätzbefehlen ar. Arx und armax können Sie Integratoren in die Rauschquelle e (t) einführen. Dies geschieht über den Parameter IntegrateNoise im Schätzbefehl. Der Schätzungsansatz berücksichtigt keine konstanten Offsets in den Zeitreihendaten. Die Fähigkeit, einen Rauschintegrator einzuführen, ist nicht nur auf Zeitreihendaten beschränkt. Sie können dies auch für Input-Output-Modelle tun, bei denen die Störungen saisonal bedingt sein könnten. Ein Beispiel dafür sind die Polynommodelle der ARIMAX-Struktur: Beispiele finden Sie auf der Armax-Referenzseite. Schätzen Sie ein ARI-Modell für eine skalare Zeitreihe mit linearem Trend. Schätzen Sie ein multivariates Zeitreihenmodell so ab, dass die Rauschintegration nur in einer der beiden Zeitreihen vorhanden ist. Wenn die Ausgänge gekoppelt wurden (na war keine Diagonalmatrix), wird die Situation komplexer und einfaches Hinzufügen eines Integrators zu dem zweiten Rauschkanal nicht funktionieren. War dieses Thema hilfreich? MATLAB-Befehl Sie haben auf einen Link geklickt, der diesem MATLAB-Befehl entspricht: Führen Sie den Befehl aus, indem Sie ihn im MATLAB-Befehlsfenster eingeben. Webbrowser unterstützen keine MATLAB-Befehle. Wählen Sie Ihr LandDokumentation Beschreibung Die EstMdl-Schätzung (Mdl, y) verwendet die maximale Wahrscheinlichkeit, die Parameter des ARIMA (p, D, q) Modells Mdl unter Berücksichtigung der beobachteten univariaten Zeitreihe y zu schätzen. EstMdl ist ein Arima-Modell, das die Ergebnisse speichert. EstMdl, EstParamCov, logL, Info-Schätzung (Mdl, y) gibt zusätzlich EstParamCov zurück. Die Varianz-Kovarianzmatrix, die mit geschätzten Parametern, logL, verknüpft ist. Die optimierte loglikelihood Zielfunktion und Info. Eine Datenstruktur von Zusammenfassungsinformationen. EstMdl, EstParamCov, logL, Info-Schätzung (Mdl, y, Name, Value) schätzt das Modell mit zusätzlichen Optionen, die durch ein oder mehrere Name-, Wert-Paar-Argumente angegeben werden. Eingabeargumente Mdl 8212 ARIMA oder ARIMAX Modell arima Modell ARIMA oder ARIMAX Modell, spezifiziert als ein Arima-Modell zurückgegeben von arima oder Schätzung. Schätzung behandelt Nicht-NaN-Elemente in Mdl als Gleichheitsbeschränkungen und schätzt die entsprechenden Parameter nicht. Y 8212 Einzelner Pfad der Antwortdaten numerischer Spaltenvektor Einzelner Pfad der Antwortdaten, auf die das Modell passt, spezifiziert als numerischer Spaltenvektor. Die letzte Beobachtung von y ist die letzte. Name-Wert-Paarargumente Geben Sie optional kommagetrennte Paare von Namen, Wertargumenten an. Name ist der Argumentname und Wert ist der entsprechende Wert. Name muss innerhalb von einfachen Anführungszeichen () stehen. Sie können mehrere Name - und Wertpaar-Argumente in beliebiger Reihenfolge als Name1, Value1 angeben. NameN, WertN. AR0 8212 Initiale Schätzungen von nichtseasonalen autoregressiven Koeffizienten numerischer Vektor Initialschätzungen der nichtseasonalen autoregressiven Koeffizienten für das ARIMA-Modell, spezifiziert als das komma-getrennte Paar bestehend aus AR0 und einem numerischen Vektor. Die Anzahl von Koeffizienten in AR0 muß gleich der Anzahl von Lags sein, die mit Nicht-Nullkoeffizienten in dem nicht-saisonalen autoregressiven Polynom ARLags assoziiert sind. Standardmäßig liefert die Schätzung erste Schätzungen unter Verwendung von Standard-Zeitreihentechniken. Beta0 8212 Anfangsschätzungen von Regressionskoeffizienten numerischer Vektor Initialschätzungen von Regressionskoeffizienten für die Regressionskomponente, die als kommagetrenntes Paar aus Beta0 und einem numerischen Vektor angegeben sind. Die Anzahl der Koeffizienten in Beta0 muss der Anzahl der Spalten von X entsprechen. Standardmäßig liefert die Schätzung erste Schätzungen unter Verwendung von Standard-Zeitreihentechniken. Constant0 8212 Initial ARIMA Modell Konstante Schätzung Skalar Initial ARIMA Modell Konstante Schätzung, angegeben als das Komma getrennte Paar bestehend aus Constant0 und einem Skalar. Standardmäßig liefert die Schätzung erste Schätzungen unter Verwendung von Standard-Zeitreihentechniken. Anzeige 8212 Befehlsfenster Anzeigeoption params (Standard) Diagnose voll iter aus Zellenvektor der Zeichenvektoren Befehlsfenster-Anzeigeoption, angegeben als das kommagetrennte Paar bestehend aus Display und einem Zeichenvektor oder Zellvektor von Zeichenvektoren. Einstellen der Anzeige mit einer beliebigen Kombination von Werten in dieser Tabelle. Passen Sie ein ARIMAX-Modell an eine Zeitreihe an, die die Anfangswerte für die Antwort und die Parameter angibt. Der Credit Defaults-Datensatz enthält vier Variablen: Standardzinssatz für Investment-Grade-Unternehmensanleihen (IGD) Anteil der Investment-Grade-Anleihe-Emittenten erstmals vor 3 Jahren (AGE) Prognose für die Veränderung der Unternehmensgewinne um ein Jahr prognostiziert Inflation (CPF) Spread zwischen Unternehmensanleiherenditen und denen vergleichbarer Staatsanleihen (SPR) Angenommen, ein ARIMAX (1,0,0) - Modell ist geeignet, um IGD mit AGE, CPF und SPR als exogene Prädiktoren zu passen. Laden Sie den Credit Defaults-Datensatz. Weisen Sie die Antwort IGD zu y. Weisen Sie der Matrix X die Prädiktoren AGE, CPF und SPR zu. Die Antwort und exogene Prädiktor-Serie sollte stationär sein, bevor Sie fortfahren. Wenn Ihre Antwort nicht stationär ist, geben Sie den Integrationsgrad in der Arima-Anweisung an. Wenn Ihre exogenen Prädiktoren nicht stationär sind, müssen Sie sie mit diff unterscheiden. Die Reihe in diesem Beispiel ist stationär, um nicht von seinem Hauptzweck abzulenken. Trennen Sie die Ausgangswerte von der Hauptreaktion und exogenen Prädiktoren. Wählen Sie die Anfangswerte für die Regressionskoeffizienten Beta0. Y0 initialisiert die Antwortreihe und yest ist die Hauptantwortreihe für die Schätzung. XEst ist die wichtigste exogene Prädiktormatrix für die Schätzung. Geben Sie das Modell Mdl an, das an die Daten angepasst werden soll. Wähle dein Land
No comments:
Post a Comment