Moving Average - MA BREAKING DOWN Moving Average - MA Als SMA-Beispiel betrachten Sie eine Sicherheit mit den folgenden Schlusskursen über 15 Tage: Woche 1 (5 Tage) 20, 22, 24, 25, 23 Woche 2 (5 Tage) 26, 28, 26, 29, 27 Woche 3 (5 Tage) 28, 30, 27, 29, 28 Ein 10-Tage-MA würde die Schlusskurse für die ersten 10 Tage als ersten Datenpunkt ausgleichen. Der nächste Datenpunkt würde den frühesten Preis fallen lassen, den Preis am Tag 11 hinzufügen und den Durchschnitt nehmen, und so weiter wie unten gezeigt. Wie bereits erwähnt, verbleiben MAs die derzeitige Preisaktion, weil sie auf vergangenen Preisen basieren, je länger der Zeitraum für die MA ist, desto größer ist die Verzögerung. So wird ein 200-Tage-MA ein viel größeres Maß an Verzögerung haben als ein 20-Tage-MA, weil es Preise für die letzten 200 Tage enthält. Die Länge der MA zu verwenden hängt von den Handelszielen ab, wobei kürzere MAs für kurzfristige Handels - und längerfristige MAs für langfristige Investoren besser geeignet sind. Die 200-Tage-MA ist weithin gefolgt von Investoren und Händlern, mit Pausen über und unter diesem gleitenden Durchschnitt als wichtige Handelssignale. MAs vermitteln auch eigene Handelssignale, oder wenn zwei Durchschnitte kreuzen. Eine aufsteigende MA zeigt an, dass die Sicherheit in einem Aufwärtstrend ist. Während eine abnehmende MA anzeigt, dass es sich in einem Abwärtstrend befindet. Ebenso wird die Aufwärtsbewegung mit einem bullish Crossover bestätigt. Die auftritt, wenn ein kurzfristiges MA über einen längerfristigen MA kreuzt. Abwärts-Impuls wird mit einem bärigen Crossover bestätigt, der auftritt, wenn ein kurzfristiger MA unterhalb eines längerfristigen MA. Science und Education Publishing auftritt. Es ist ganz offensichtlich, dass die ACFs in (1.4) und die in (1.8) alle abgeschnitten sind Nach Verzögerung zwei. Dies deutet darauf hin, dass ein gleitender Durchschnittsprozess der Ordnung zwei und ein reiner diagonaler bilinearer Zeitreihenprozess der Ordnung zwei ähnliche Autokorrelationsstrukturen aufweisen. Infolgedessen besteht die Möglichkeit, einen reinen diagonalen bilinearen Prozess der Ordnung zwei als gleitenden durchschnittlichen Prozess der Ordnung zwei falsch zu klassifizieren. Die Leichtigkeit, mit der lineare Modelle ausgestattet sind, und die Praxis der Annäherung nichtlinearer Modelle durch lineare Modelle kann auch dazu führen, dass der nichtlineare reine diagonale bilineare Prozess der Ordnung zwei fehlt. Aus dem Vorstehenden ist es unerlässlich, die statistische Implikation der vorgenannten Modellfehlklassen zu untersuchen. In dieser Hinsicht konzentrieren wir uns auf die Straffunktion, die mit der Fehlklassifizierung eines PDB (2) Prozesses als MA (2) Prozess verbunden ist. 2. Beziehung zwischen den Parametern des reinen diagonalen Bilinearen Prozesses des Ordens Zwei und des bewegten durchschnittlichen Ordnungsprozesses Zwei Nachdem festgestellt worden ist, dass der gleitende durchschnittliche Prozess der Ordnung zwei und der reine diagonale bilineare Prozess der Ordnung zwei ähnliche Autokorrelationsstrukturen haben, lohnt es sich abzuleiten Die Beziehung zwischen den Parametern der beiden Modelle. Diese Beziehungen werden uns helfen, die Straffunktion zu erhalten, um das nichtlineare Modell als das konkurrierende lineare Modell falsch zu klassifizieren. Die Methode der Momente, die die Gleichung der ersten und zweiten Momente des reinen diagonalen Bilinearmodells mit den entsprechenden Momenten des nicht null gleitenden Durchschnittsprozesses der Ordnung 2 beinhaltet, soll zu diesem Zweck verwendet werden. Equating-Mittel, wir haben Gleichgewichtsabweichungen, wir erhalten In Anbetracht der vollständigen Tabelle, die 2129 Sätze von Werten enthält, können wir sehen, dass die Straffunktion zur Fehlklassifizierung eines PDB (2) Prozesses als MA (2) Prozess (P) positive Werte annimmt 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, die mit 6 im Hinblick auf die Fehlklassifizierung eines HVE (1) - Verfahrens als MA (1) - Verfahren erhalten wurden. Für prädiktive Zwecke müssen wir die Beziehung zwischen P und. Zuerst zeichnen wir P gegen jeden 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 zu beschreiben. 4. Schlussfolgerung In dieser Studie haben wir die Wirkung der falschen Klassifizierung eines reinen diagonalen bilinearen Prozesses der Ordnung zwei als gleitenden durchschnittlichen Prozess der Ordnung zwei bestimmt. Eine Straffunktion wurde definiert und wurde verwendet, um Strafen für die Fehlklassifizierung des reinen diagonalen bilinearen Prozesses der Ordnung zwei als den gleitenden durchschnittlichen Prozess der Ordnung zwei auf der Grundlage verschiedener Mengen von Werten der Parameter der beiden Prozesse zu berechnen. Die berechneten Strafen haben positive Werte angenommen. Dies zeigte eine Erhöhung der Fehlerabweichung aufgrund einer Fehlklassifizierung des reinen diagonalen bilinearen Prozesses der Ordnung zwei als einen gleitenden durchschnittlichen Prozess der Ordnung zwei an. Es wurde ein quadratisches Regressionsmodell gefunden, das für die Vorhersage der Strafen auf der Grundlage der Parameter des reinen diagonalen bilinearen Prozesses der Ordnung zwei geeignet war. Referenzen Bessels, S. (2006). Ein Schritt über die lösbare Gleichung hinaus. Staff. science. uu. ncAfstudeerscriptieSanderBessels. pdf (Diese Seite wurde im Juni 2013 besucht). Box, G. E. P. Jenkins, G. M. und Reinsel, G. C. (1994). Zeitreihenanalyse: Prognose und Kontrolle. 3 rd ed. Prentice-Hall, Englewood Cliffs, N. J.2.1 Moving Average Models (MA Modelle) Zeitreihenmodelle, die als ARIMA-Modelle bekannt sind, können autoregressive Begriffe und gleitende durchschnittliche Begriffe enthalten. In Woche 1 lernten wir einen autoregressiven Begriff in einem Zeitreihenmodell für die Variable x t ist ein verzögerter Wert von x t. Zum Beispiel ist ein lag 1 autoregressiver Term x t-1 (multipliziert mit einem Koeffizienten). Diese Lektion definiert gleitende durchschnittliche Begriffe. Ein gleitender Durchschnittsterm in einem Zeitreihenmodell ist ein vergangener Fehler (multipliziert mit einem Koeffizienten). Lassen Sie (nt N (0, sigma2w)), was bedeutet, dass die wt identisch, unabhängig verteilt sind, jeweils mit einer Normalverteilung mit dem Mittelwert 0 und der gleichen Varianz. Das mit MA (1) bezeichnete 1-stufige gleitende Durchschnittsmodell ist (xt mu wt theta1w) Das durchschnittliche Modell der 2. Ordnung, das mit MA (2) bezeichnet wird, ist (xt mu wt theta1w theta2w) , Bezeichnet mit MA (q) ist (xt mu wt theta1w theta2w dots thetaqw) Hinweis. Viele Lehrbücher und Softwareprogramme definieren das Modell mit negativen Vorzeichen vor den Bedingungen. Dies ändert nicht die allgemeinen theoretischen Eigenschaften des Modells, obwohl es die algebraischen Zeichen der geschätzten Koeffizientenwerte und (unsquared) Terme in Formeln für ACFs und Abweichungen klappt. Sie müssen Ihre Software überprüfen, um zu überprüfen, ob negative oder positive Zeichen verwendet wurden, um das geschätzte Modell korrekt zu schreiben. R verwendet positive Zeichen in seinem zugrunde liegenden Modell, wie wir hier tun. Theoretische Eigenschaften einer Zeitreihe mit einem MA (1) Modell Beachten Sie, dass der einzige Wert ungleich Null im theoretischen ACF für Verzögerung 1 ist. Alle anderen Autokorrelationen sind 0. Somit ist ein Beispiel ACF mit einer signifikanten Autokorrelation nur bei Verzögerung 1 ein Indikator für ein mögliches MA (1) Modell. Für interessierte Schüler sind die Beweise dieser Eigenschaften ein Anhang zu diesem Handzettel. Beispiel 1 Angenommen, ein MA (1) - Modell ist x t 10 wt .7 w t-1. Wo (wt Overset N (0,1)). So ist der Koeffizient 1 0,7. Die theoretische ACF ist gegeben durch eine Handlung dieses ACF folgt. Die gerade dargestellte Handlung ist die theoretische ACF für eine MA (1) mit 1 0,7. In der Praxis wird eine Probe gewöhnlich ein solches klares Muster liefern. Unter Verwendung von R simulierten wir n 100 Abtastwerte unter Verwendung des Modells x t 10 w t .7 w t-1, wobei w t iid N (0,1). Für diese Simulation folgt eine Zeitreihenfolge der Stichprobendaten. Wir können nicht viel von dieser Handlung erzählen. Die Stichprobe ACF für die simulierten Daten folgt. Wir sehen eine Spike bei Verzögerung 1, gefolgt von allgemein nicht signifikanten Werten für die Vergangenheit 1. Beachten Sie, dass die Stichprobe ACF nicht mit dem theoretischen Muster des zugrundeliegenden MA (1) übereinstimmt, was bedeutet, dass alle Autokorrelationen für Verzögerungen nach 1 0 sind Eine andere Probe hätte eine etwas andere Probe ACF, die unten gezeigt wird, würde aber wahrscheinlich die gleichen breiten Merkmale haben. Theroretische Eigenschaften einer Zeitreihe mit einem MA (2) Modell Für das MA (2) Modell sind die theoretischen Eigenschaften die folgenden: Beachten Sie, dass die einzigen Werte ungleich Null im theoretischen ACF für die Verzögerungen 1 und 2 sind. Autokorrelationen für höhere Verzögerungen sind 0 So gibt ein Beispiel ACF mit signifikanten Autokorrelationen bei den Verzögerungen 1 und 2, aber nicht signifikante Autokorrelationen für höhere Verzögerungen ein mögliches MA (2) - Modell an. Iid N (0,1). Die Koeffizienten sind 1 0,5 und 2 0,3. Da es sich hierbei um ein MA (2) handelt, hat die theoretische ACF nur Nullwerte nur bei den Verzögerungen 1 und 2. Werte der beiden Nicht-Null-Autokorrelationen sind eine Auftragung der theoretischen ACF folgt. Wie fast immer der Fall ist, verhalten sich die Probendaten nicht ganz so perfekt wie die Theorie. Wir simulierten n 150 Probenwerte für das Modell x t 10 w t .5 w t-1 .3 w t-2. Wo w t iid N (0,1). Die Zeitreihenfolge der Daten folgt. Wie bei der Zeitreihen-Plot für die MA (1) Beispieldaten können Sie nicht viel davon erzählen. Die Stichprobe 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 signifikanten Werten für andere Verzögerungen. Beachten Sie, dass die Stichprobe ACF aufgrund des Stichprobenfehlers nicht genau mit dem theoretischen Muster übereinstimmt. ACF für allgemeine MA (q) Modelle Eine Eigenschaft von MA (q) - Modellen im Allgemeinen ist, dass es für die ersten q-Verzögerungen und Autokorrelationen 0 für alle Verzögerungen gt q ungleichen Autokorrelationen gibt. Nicht-Eindeutigkeit der Verbindung zwischen den Werten von 1 und (rho1) in MA (1) Modell. Im MA (1) Modell, für jeden Wert von 1. Die reziproke 1 1 gibt den gleichen Wert für Als Beispiel, verwenden Sie 0,5 für 1. Und dann 1 (0,5) 2 für 1 verwenden. Youll bekommen (rho1) 0,4 in beiden Fällen. Um eine theoretische Einschränkung zu erfüllen, die Invertierbarkeit genannt wird. Wir beschränken die 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 10,5 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 konvergieren, verstehen wir, dass die AR-Koeffizienten auf 0 abnehmen, wenn wir uns in der Zeit zurückziehen. Invertierbarkeit ist eine Beschränkung, die in die Zeitreihen-Software programmiert ist, die verwendet wird, um die Koeffizienten von Modellen mit MA-Terme abzuschätzen. Es ist nicht etwas, das wir in der Datenanalyse überprüfen. Zusätzliche Informationen über die Invertierbarkeitsbeschränkung für MA (1) Modelle finden Sie im Anhang. Fortgeschrittene Theorie Hinweis. 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 - ist. - q y q 0 hat Lösungen für y, die außerhalb des Einheitskreises liegen. R-Code für die Beispiele In Beispiel 1 haben wir die theoretische ACF des Modells x t 10 w t aufgetragen. 7w t-1 Und dann simuliert n 150 Werte aus diesem Modell und plotted die Probe Zeitreihen und die Probe ACF für die simulierten Daten. Die R-Befehle, die verwendet wurden, um das theoretische ACF zu zeichnen, waren: acfma1ARMAacf (mac (0,7), lag. max10) 10 Verzögerungen von ACF für MA (1) mit theta1 0,7 lags0: 10 erzeugt eine Variable namens Lags, die von 0 bis 10 reicht (1) mit theta1 0,7) abline (h0) fügt eine horizontale Achse zum Plot hinzu Der erste Befehl bestimmt den ACF und speichert ihn in einem Objekt Benannte acfma1 (unsere auswahl des namens). Der Plotbefehl (der 3. Befehl) zeichnet sich gegen die ACF-Werte für die Verzögerungen 1 bis 10 aus. Der ylab-Parameter markiert die y-Achse und der Hauptparameter setzt einen Titel auf den Plot. Um die numerischen Werte des ACF zu sehen, benutzen Sie einfach den Befehl acfma1. Die Simulation und die Plots wurden mit den folgenden Befehlen durchgeführt. Xcarima. sim (n150, list (mac (0.7))) simuliert n 150 Werte aus MA (1) xxc10 fügt 10 hinzu, um Mittel zu machen 10. Simulation standardmäßig 0. plot (x, typeb, mainSimulated MA (1) data) Acf (x, xlimc (1,10), mainACF für simulierte Probendaten) In Beispiel 2 wurden die theoretischen ACF des Modells xt 10 Gew .-% w t-1 .3 w t-2 aufgetragen. Und dann simuliert n 150 Werte aus diesem Modell und plotted die Probe Zeitreihen und die Probe ACF für die simulierten Daten. Die verwendeten R-Befehle waren acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 plot (Verzögerungen, acfma2, xlimc (1,10), ylabr, typeh, Haupt-ACF für MA (2) mit theta1 0,5, Thex20.3) abline (h0) xcarima. sim (n150, list (mac (0.5, 0.3))) xxc10 plot (x, typeb, main simulierte MA (2) Serie) acf (x, xlimc (1,10), MainACF für simulierte MA (2) Daten) Anhang: Nachweis der Eigenschaften von MA (1) Für interessierte Studierende sind hier Beispiele für theoretische Eigenschaften des MA (1) Modells. Abweichung: (Text (xt) Text (mu wt theta1 w) 0 Text (wt) Text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Wenn h 1, der vorherige Ausdruck 1 w 2. Für irgendwelche h 2 ist der vorherige Ausdruck 0 Der Grund dafür ist, dass durch die Definition der Unabhängigkeit der Gew. E (w k w j) 0 für jedes k j Da ferner wt den Mittelwert 0, E (w j w j) E (w j 2) w 2 hat. Für eine Zeitreihe, Wenden Sie dieses Ergebnis an, um das oben angegebene ACF zu erhalten. Ein invertierbares MA-Modell ist eines, das als ein unendliches Ordnungs-AR-Modell geschrieben werden kann, das konvergiert, so dass die AR-Koeffizienten zu 0 konvergieren, wenn wir uns unendlich zurück in der Zeit bewegen. Nun zeigen Sie die Invertierbarkeit für das Modell MA (1). Dann ersetzen wir die Beziehung (2) für w t-1 in Gleichung (1) (3) (zt wt theta1 (z - θaw) wt theta1z - θ2w) Zur Zeit t-2. Gleichung (2) wird wir dann die Beziehung (4) für wt-2 in Gleichung (3) (zt wt theta1z-tha21w wt theta1z - tha21 (z-tha1w) wt theta1z - θ12z theta31w) Wenn wir fortfahren würden ( Unendlich), würden wir die unendliche Ordnung AR-Modell erhalten (zt wt theta1 z - theta21z theta31z - theta41z Punkte) Beachten Sie jedoch, dass bei 1 1 die Koeffizienten, die die Verzögerungen von z multiplizieren, in der Größe zunehmen wird (unendlich), wenn wir uns zurück bewegen Zeit. Um dies zu verhindern, brauchen wir 1 lt1. Dies ist die Voraussetzung für ein invertierbares MA (1) Modell. Infinite Order MA Modell In Woche 3 sehen wir, dass ein AR (1) Modell in eine unendliche Reihenfolge umgewandelt werden kann MA Modell: (xt-mu wt phi1w phi21w punkte phik1 w Punkte Summe phij1w) Diese Summierung von vergangenen weißen Rauschen ist bekannt Als die kausale Darstellung eines AR (1). Mit anderen Worten, x t ist eine spezielle Art von MA mit einer unendlichen Anzahl von Begriffen, die in der Zeit zurückgehen. Dies wird als unendliche Ordnung MA oder MA () bezeichnet. Eine endliche Ordnung MA ist eine unendliche Ordnung AR und jede endliche Ordnung AR ist eine unendliche Ordnung MA. Rückruf in Woche 1, stellten wir fest, dass eine Voraussetzung für eine stationäre AR (1) ist, dass 1 lt1. Lets berechnen die Var (x t) mit der Kausaldarstellung. Dieser letzte Schritt verwendet eine grundlegende Tatsache über geometrische Reihen, die (Phi1lt1) ansonsten die Reihe divergiert. Navigation
No comments:
Post a Comment