Характеристики временных рядов 121 [c.121]
Характеристики временных рядов [c.121]
Построенные на прямоугольной координатной сетке графики или диаграммы связывают две переменные величины. Их используют для быстрого нахождения функции по соответствующему значению аргумента. В анализе применяют диаграммы временных рядов, диаграммы сравнения, кривые распределения, корреляционные поля. Особенно широко используют диаграммы для сравнения плановых показателей с отчетными, для характеристики изменения показателей во времени, для показа структуры того или иного явления. [c.22]
Методы экстраполяции и интерполяции тенденций развития. Основу экстраполяции составляет анализ временных рядов, представляющих собой упорядоченные во времени наборы измерений основных характеристик исследуемого объекта. К методам прогностической экстраполяции относятся экстраполяция тренда, экстраполяция огибающих кривых, корреляционные зависимости и др. Трендом называют аналитическое или графическое представление изменения переменной во времени, полученное в результате выделения регулярной (систематический) составляющей динамического ряда. Временная последовательность ретроспективных значений переменной объекта прогнозирования называется динамическим рядом. Временной ряд yt по признаку определенности состоит из детерминированной (xt) и стохастической (1/) составляющих, т. е. yt = xt+ %(. [c.21]
Стационарные временные ряды и их характеристики. Автокорреляционная функция [c.135]
Наряду со строго стационарными временными рядами (в узком смысле) в эконометрике рассматриваются стационарные ряды (в широком смысле), в которых требование неизменности при любых п, t и т распространяется лишь на числовые характеристики указанного распределения. [c.136]
| Таблица 8. Статистические характеристики вариационных рядов времени пролеживания деталей и сборочных единиц на межцеховых складах завода ЛЬ 1 |  |
Что касается финансовых временных рядов, то большой интерес представляет распределение скорости изменений между двумя мгновениями в той же самой позиции или между двумя точками одновременно. Такое распределение для квадрата скорости изменений показано Рис. 22. Обратите внимание на аппроксимацию экспоненциального снижения, представленную прямой линией и на сосуществование больших колебаний справа для значений от 4 до 7 и далее, (которые не показаны). Обычно, такие большие колебания считаются статистически не значимыми и не добавляют никакого дополнительного понимания. Здесь можно показать, что эти большие колебания скорости жидкости соответствуют интенсивным пикам, когерентно распространяющимся через несколько корпусных слоев с колоколообразной характеристикой, почти независимой от их амплитуды и продолжительности (даже при перемасштабировании их размера и продолжительности). При продлении наблюдений на значительно более длинный период, чтобы аномальные флуктуации, большие значения 4 на Рис. 22 могли бы быть смоделированы намного лучше, мы получаем непрерывные кривые (кроме некоторого постоянного остаточного шума), показанные на Рис. 23. Здесь, каждая из трех кривых соответствует измерению распределения в данном корпусном слое (п = И, 15, и 18). [c.69]
В этом разделе мы исследуем характеристики качества работы нейронных сетей в сравнении с другими методами на примере 18 временных рядов, соответствующих различным показателям экономики Великобритании. Тестовые данные состоят из 18 ежемесячных и 10 ежеквартальных показателей. Все они взяты из базы данных Министерства статистики, имеющейся на базовом компьютере Манчестерского университета. [c.66]
Есть ли взаимосвязь между исследуемыми временными рядами Если есть, укажите ее количественную характеристику (характеристики). Ответ обоснуйте. [c.175]
Устранение сезонной компоненты из уровней временных рядов можно проводить в соответствии с методикой построения аддитивной и мультипликативной моделей, рассмотренной в п. 5.4. При дальнейшем изложении методов анализа взаимосвязей в этой главе мы примем предположение, что изучаемые временные ряды не содержат периодических колебаний. Предположим, изучается зависимость между рядами х и у. Для количественной характеристики этой зависимости используется линейный коэффициент корреляции. Если рассматриваемые временные ряды имеют тенденцию, коэффициент корреляции по абсолютной величине будет высоким (положительным в случае совпадения и отрицательным в случае противоположной направленности тенденций рядов х и у). Однако из этого еще нельзя делать вывод о том, что х причина у или наоборот. Высокий коэффициент корреляции в данном случае есть результат того, что х и у зависят от времени, или содержат тенденцию. При этом одинаковую или противоположную тенденцию могут иметь ряды, совершенно не связанные друг с другом причинно-следственной зависимостью. Например, коэффициент корреляции между численностью выпускников вузов и числом домов отдыха в РФ в период с 1970 по 1990 г. составил 0,8. Это, естественно, не означает, что увеличение количества домов отдыха способствует росту числа выпускников вузов или увеличение числа последних стимулирует спрос на дома отдыха. [c.264]
Временной ряд предназначен для наглядного представления данных. Точки наносятся на график в том порядке, в котором они были собраны. Поскольку они обозначают изменение характеристики во времени, очень существенна последовательность отображения данных. Одно из наибо- [c.140]
Характеристику товара на различных этапах жизненного цикла можно получить, анализируя временные ряды. Однако до начала построения временных рядов данные об объеме продаж должны быть скорректированы с учетом влияния таких факторов, как численность населения в районах реализации, различия в ценах, доходах покупателей, уровень снабжения. [c.255]
Для разработки анализа временных рядов в отличие от структурного анализа характеристик отношения было сделано крайне мало (возможно, из-за отсутствия коммерческого интереса к этой теме и соответствующего недостатка фондов). Но мы предполагаем, что существуют значительные проблемы в отношении стабильности во времени. Эту ситуацию отражает ряд работ по использованию результатов сегментирования, в которых указывается, что более адекватным предметом анализа является использование товара, чем он сам. Тем не менее само определение ситуации использования товара подразумевает внимание к мнению пользователя в гораздо большей степени, чем определение непосредственно товара, — таким образом сохраняется опасность нестабильности в будущем. В качестве достаточно упрощенной первоначальной гипотезы предпочтений можно принять существование двух-взаимосвязанных уровней отношений — с точки зрения природы соответствующего процесса потребления и с точки зрения уместности того или иного товара или марки в конкретной ситуации потребления. Такой подход оправдан еще и потому, что прогнозирование на основе большого количества входных параметров уже просто по этой причине не является более точным. ч [c.245]
Важной характеристикой деятельности научной организации является динамика анализируемых показателей. В связи с большой продолжительностью НИР и ОКР, единовременными затратами на их выполнение экономические результаты деятельности НИИ и КБ проявляются в народном хозяйстве через определенное время. Деятельность организации оценивается, как правило, за 3—5 лет. При этом решающее значение приобретает исследование временных рядов, отражающих изменение анализируемых показателей. Для исследования временных рядов используется, в частности, метод индексов. Он позволяет сравнить однородные данные за ряд лет и на их основе изучить влияние отдельных факторов на анализируемые показатели. [c.158]
Наиболее простым методом прогнозирования по одному ряду динамики является применение средних характеристик данного ряда среднего абсолютного прироста и среднего темпа роста. Но чаще всего прогноз ведут по аналитическому выражению периода. При этом для выхода за границы исследуемого периода достаточно продолжить значения независимой переменной - времени. [c.74]
Предположим, что имеется последовательность фактических данных какого-либо показателя процесса (х ), состоящая из N последовательно расположенных по времени чисел. Для определения необходимых интервалов находят статистические характеристики этого ряда [c.180]
Аналитического решения поставленных задач на сегодняшний день не существует, да и в принципе оно вряд ли возможно. Выбор характеристик сглаживания должен быть основан на экспериментальных рдс-четах и осуществляться в каждом конкретном случае по-разному. В настоящее" время широко практикуется следующая процедура экспериментальной проверки качества прогнозируемых систем, известная под названием метода обучающей выборки. Разобьем имеющийся временной ряд dl9 d2,. .., dn на две части. Первую часть, dlf da,. .., dht назовем обучающим рядом (выборкой), а вторую, dfe+i, dk+2,. .., da, — экзаменующим. На обучающем ряде оцениваем все необходимые параметры, а на экзаменующем смотрим, насколько наша прогностическая модель хорошо предсказывает фактические значения показателя, [c.7]
В соответствии с более приемлемым подходом R/S-анализ выполняется повторно с другой начальной даты. Получаемые в результате оценки R/Sn и показателя Херста сравниваются с предыдущими оценками, чтобы определить, значительно ли различаются результаты. Ранее определенная статистика может использоваться для оценки значимости. Длинный временной ряд, такой как данные индекса Доу-Джонса для акций промышленных компаний, позволит нам использовать R/S-анализ для интервалов, которые начинаются с промежутком в десять лет. Используя эту методологию, мы можем проверить, значительно ли изменились основные статистические характеристики рынка, а также раз и навсегда проверить, действительно ли рынок подвергается тому типу "структурного изменения", который уже давно используется специалистами по эконометрике в [c.112]
Существует одна характеристика временного ряда, идущая дальше простой частотной статистики и линейных корреляций, и которая появляется благодаря анализу статистики "просадок" (drawdowns). "Просадка" определяется как монотонное падение цены актива в течение нескольких последовательных дней. Просадка, как показано на Рис. 21 является, таким образом, совокупной потерей от последнего (прошлого) максимума до последующего минимума цены. Просадки -это индикаторы, о которых мы должны беспокоиться, так как они непосредственно измеряют совокупную потерю, от которой могут пострадать инвестиции. Они также количественно определяют худший сценарий, когда инвестор покупает на локальном максимуме и продает на следующем локальном минимуме. Таким образом, заслуживает внимания вопрос - есть ли какая-либо структура в распределении просадок, отсутствующая в распределении ценовых приращений. [c.63]
Легко провфить, что среднее E(Sp(t)), а также двухточечная корреляция E(Sp(t),Sp(t )) для t Ф t равна нулю и, таким образом, фф также является белым шумом. Интуитивно, такой вывод возникает из того факта, что в эту характеристику временного ряда вводится нечетное число бросков монеты, чье среднее равняется нулю ((1/2) х (+1) + (1/2) х (-1) = 0). Однако, трёхточечная корреляционная функция E(Sp(t - 2) 8p(t - 1) Sp(t)) не равна нулю, но равна 1 и ожидание величины Sp(t), требующее знания двух предыдущих приращений ф - 2) и Sp(t -1) не равно нулю, а равно E(Sp(t) Sp(t -2), Sp(t -l))=ep(t - 2)Sp(t -1). Это означает, что возможно предсказать изменение цены сегодня с большей, чем 50% вероятностью, если знать изменение цены вчфа и позавчера [c.65]
Статистический анализ индексов DJIA и Nasdaq-композит говорит, что большие крахи являются экстремальными событиями. В следующих главах, мы покажем, что есть и другие специфические характеристики временных рядов, связанные с "выбросами", типа предшествующих рыночных паттернов, украшающих спекулятивные пузыри, которые заканчиваются крахом. [c.75]
К сожалению, успех в применении технического анализа полностью зависит от качества метода оптимизации, о которой говорилось выше. Взяв длину промежутка для скользящего среднего равной, например, 125 дням, мы тем самым неизбежно ограничиваем свой выбор среди различных характеристик временных рядов для данной базы данных. Следует понимать, что такие действия, не сопровождающиеся достаточно хорошим подтверждением, могут привести к переобучению и потере способности к обобщению. Более того, многие инвесторы считают, что ключом к успеху в инвестиционном деле является интуиция аналитика, а не применение какой-либо процедуры отбора или формулы. В связи с этим Холи и др. [136] утверждают, что хотя успехи нейронных сетей в распознавании образов и делают возможным их использование в техническом анализе, все же наиболее выигрышные приемы будут, скорее всего, разработаны самими чартистами. Высказываются также предостережения против чрезмерной предварительной обработки входных данных, и поэтому мы воздержались от сверхоптимизации данных. Для того чтобы сохранить статистическую представительность данных, мы выбрали для обучения сети недельный промежуток времени. Для 5-20-1 сети это дает примерно 10 наблюдений на один весовой коэффициент. [c.213]
Применение компьютеров и глобальной сети. Для вычисления ковариации и коэффициента корреляции двух переменных, как и для вычисления дисперсии и среднеквадратического отклонения одной переменной величины, можно использовать фактические данные — имеющиеся временные ряды данных о доходности активов для получения объективных, а не субъективных оценок. Напомним, на практике определение статистических характеристик выполняется на персональных компьютерах в автоматическом режиме. Обычно используют средства электронных таблиц, из которых наиболее популярными в настоящее время являются Mi rosoft Ex el, а также специальные статистические пакеты они содержат средства обработки данных, позволяющие в считанные секунды определять различные простые статистические характеристики. Временные ряды показателей, характеризующих российские и иностранные рынки, можно найти в сетевых ресурсах Интернета. [c.65]
СКОЛЬЗЯЩАЯ СРЕДНЯЯ [moving average] — расчетная характеристика временного ряда, образуемая путем постепенной замены фактических данных средней арифметической из нескольких уровней ряда (их число рассматривается как интервал скольжения) причем интервал скольжения перемещается из него постепенно исключают первый уровень и включают последний, а затем расчет средней повторяется, и т. д. Этот метод, называемый методом скользящей средней, применяется в целях выравнивания временных рядов (напр., таких, которые отражают сильные сезонные колебания). [c.330]
Временной ряд y,(t = 1,2,..., п) называется строго стационарным (или стационарным в узком смысле), если совместное распределение вероятностей п наблюдений у, у ,..., у такое же, как и п наблюдений у + т, У2 + т,...., Уп+i при любых п, t и т. Другими словами, свойства строго стационарных1 рядов у, не зависят от момента /, т. е. закон распределения и его числовые характеристики не зависят от /. Следовательно, математическое ожидание ay(f) = а, среднее квадратическое отклонение sy(t) = a могут быть оценены по наблюдениям у, (t = 1,2,..., п) по формулам [c.136]
Просадки воплощают в себе довольно тонкую зависимость, так как они построены на последовательностях тех же самых вариаций знаков приращений цен (см. ниже). Таким образом, их распределение, может содержать объяснение того, как последовательные падения цен могут влиять на друг друга и создавать поддерживающийся процесс. Это постоянство не может быть измерено распределением приращений цен потому, что по его точному определению, при расчете распределения теряется информация об относительных положениях конкретных ценовых приращений, подсчитывается лишь частота появления приращений той или иной величины. То есть, при характеристике временной последовательности приращений цен при помощи распределения их частот стирается" временная информация о последовательности появления событий. Информация, связанная с последовательностью появления событий во временном ряду также не может быть обнаружена при использовании функции автокорреляции (двухточечной). Известно, что такая функция измеряет среднюю линейную [c.63]
Таким образом, этот подход основан на предположении, что временной ряд имеет некоторую математическую структуру (которая, например, может быть следствием физической сути явления). Эта структура существует в так называемом фазовом пространстве, координаты которого — это независимые переменные, описывающие состояние динамической системы2. Поэтому первая задача, с которой придется столкнуться при моделировании — это подходящим образом определить фазовое пространство. Для этого нужно выбрать некоторые характеристики системы в качестве фазовых переменных. После этого уже можно ставить вопрос о предсказании или экстраполяции. Как правило, во временных рядах, полученных в результате измерений, в разной пропорции присутствуют случайные флуктуации и шум. Поэтому качество модели во многом определяется ее способностью аппроксимировать предполагаемую структуру данных, отделяя ее от шума. [c.54]
Один из статистических методов тестирования при применении перечисленных выше ситуаций для характеристики тенденции изучаемого временного ряда был предложен американским экономистом Дамодаром Гуйарати1. Этот метод основан на включении в модель рефессии фиктивной переменой Zt, которая принимает значения 1 для всех / < Г, принадлежащие промежутку времени до изменения характера тенденции, далее — промежутку (1), и 0 значения для всех / > /, принадлежащие промежутку времени после изменения характера тенденции, далее — промежутку (2). Д. Гуйарати предлагает определять параметры следующего уравнения рефессии [c.261]
Следовательно, временные ряды отклонений от трендов можно использовать для получения количественной характеристики тесноты связи исходных временных радов расходов на конечное [c.267]
Давая обобщающую характеристику проблемы коинтеграции временных рядов, мы отмечали, что сама койнтеграция имеет место только для длительных промежутков времени, или в долгосрочной перспективе. Рассмотрим модель регрессии по двум временным рядам у, и х между которыми существует койнтеграция [c.334]
В динамической задаче главным и единственным фактором развития выступает фактор времени. В этом случае прогноз развития научного направления или вида техники составляется на основе тщательного анализа временных рядов, отражающих изменение того или иного прогнозируемого параметра во времени. Например, анализируется изменение во времени таких параметров, как мощность, скорость, надежность, разрешающая способность, весогабаритные характеристики и пр. [c.112]
Значение R/S уравнения (4.7) называется нормированным размахом, потому что оно имеет нулевое среднее и выражается в терминах местного стандартного отклонения. В общем, значение R/S изменяет масштаб по мере увеличения нами приращения времени п согласно значению степенной зависимости, равному Н, который обычно называется показателем Херста. В этом заключается первая связь явлений Херста с фрактальной геометрией, описанной в Главе 1. Вспомните, что все фракталы изменяют масштаб согласно степенной зависимости. В легком млекопитающих диаметр каждого ответвления уменьшался в масштабе согласно обратному значению степенной зависимости. Это обратное значение степенной зависимости равнялось фрактальной размерности структуры. Однако в отношении временного ряда мы идем от меньших приращений времени к большим, а не от больших поколений ответвлений к меньшим, как в легком. Диапазон увеличивается согласно степени. Это называется масштабированием со степенной зависимостью (power-law s aling). Опять же, это является характерной, хотя и не исключительной, чертой фракталов. Нам нужны другие характеристики, прежде чем мы сможем [c.64]
Н < 1,00 подразумевает персистентпый временной ряд, а персистентный временной ряд характеризуется эффектами долговременной памяти. Теоретически, то, что происходит сегодня, воздействует на будущее. В терминах хаотической динамики существует чувствительная зависимость от начальных условий. Такая долговременная память имеет место независимо от масштаба времени. Все ежедневные изменения соотнесены со всеми будущими ежедневными изменениями все еженедельные изменения соотнесены со всеми будущими еженедельными изменениями. Не существует характерного масштаба времени, ключевой характеристики фрактального временного ряда. [c.69]
Смотреть страницы где упоминается термин Характеристики временных рядов
: [c.28] [c.82] [c.132] [c.175] [c.104] [c.283] [c.318] [c.320] [c.44] [c.57] [c.72] [c.22] [c.141]Смотреть главы в:
Теория очередей и управление запасами -> Характеристики временных рядов