Antag att du har N-tidsserier xts class. Can du föreslå ett sätt till exempel en befintlig funktion för att beräkna rullande medelkorrelationsrullande rörelsefönster. Så har du till exempel 10 tidsserier Första steget är att beräkna 60 dagar korrelation mellan första och andra, först och tredje, första och fjärde osv. Det andra steget är att beräkna medelvärdet för det korrelationsvärdet. End av första cykeln. När du går vidare från en dag och starta hela processen första och andra steg. Resultatet är en tidsserie med genomsnittliga korrelationsvärden. Kan någon hjälpa till att hitta ett effektivt sätt att göra detta. Det här är strukturen på mina data. Antag att du har alla serier i dataramen som heter X, i de första tio variablerna. Om du inte har dem i en data ram, då tror jag att det enklaste sättet är att göra en dataramma, förutsatt att dina tidsserier är lika långa. För att utesluta diagonal 1 s från korrelationsmatrisen kan du först definiera en funktion som beräknar medelvärdet av alla värden nedan diagonal eller ovanför diag, gör ingen skillnad. Inte testad men jag tror att det ska fungera. Mycket av min forskning fokuserar på de dynamiska relationerna mellan tillgångar på marknaden 1, 2, 3 Vanligtvis använder jag korrelation som ett mått på relationen beroende eftersom dess resultat är lätta att kommunicera och förstå i motsats till Ömsesidig information som är något mindre använd i ekonomin än det är i informationsteori. Men analys av dynamik av korrelation kräver att vi beräknar en rörlig korrelation aka windowed, trailing eller rolling. Moving medelvärden är väl förstådda och lätt beräknade de tar hänsyn en tillgång i taget och skapa ett värde för varje tidsperiod. Flyttande korrelationer, till skillnad från rörliga medelvärden, måste ta hänsyn till flera tillgångar och skapa en matris av värden för varje tidsperiod. I det enklaste fallet bryr vi oss om korrelationen mellan två tillgångar för Till exempel SP 500 SPY och den finansiella sektorn XLF I det här fallet behöver vi bara uppmärksamma ett värde i matrisen. Men om vi var på en Dd energisektorn XLE blir det svårare att effektivt beräkna och representera dessa korrelationer Detta gäller alltid för 3 eller flera olika tillgångar. Jag har skrivit koden nedan för att förenkla denna process nedladdning Först tillhandahåller du en matrisdataMatrix med variabler i Kolumner till exempel SPY i kolumn 1, XLF i kolumn 2 och XLE i kolumn 3 För det andra ger du ett fönster med fönsterstorlek. Om du till exempel, om dataMatrix innehöll minutavkastning, skulle en fönsterstorlek på 60 producera korrelationsuppskattningar för timräkningstider. Tredje, Du anger vilket kolumnindexKolumn du bryr dig om att se resultaten. I vårt exempel skulle vi troligtvis ange kolumn 1 eftersom det här skulle göra det möjligt för oss att observera korrelationen mellan 1 SP och finanssektorn och 2 SP och energisektorn. Bilden nedan Visar resultaten för exakt ovanstående exempel för förra fredagen den 1 oktober 2010.2 Svar på att beräkna rörlig korrelation i Matlab. it är inte klart hur du hanterar NA. Hur skulle Du beräknar korrelationer för index över olika länder där en datapunkt kan saknas på grund av en viss semester i ett enda land. Paolo, Koden som jag har skrivit behandlar inte NaNs graciöst. Du kan se från denna Matlab dokumentationssida som du Kan lägga till rader, komplettera till corrcoef-kommandot för att graciöst hantera problemet. De andra alternativen är att släppa det datumet helt, interpolera eller använda en mer sofistikerad metod för att hantera saknade observationer. Lämna ett svar Avbryt svar.8 4 Flyttande medelvärde Modeller. I stället för att använda tidigare värden för prognosvariabeln i en regression använder en rörlig genomsnittsmodell tidigare prognosfel i en regressionsliknande modell. Yc et theta e theta e prickar theta e. where et is white noise Vi hänvisar till detta som en MA q modell Naturligtvis observerar vi inte värdena på et, så det är inte riktigt regression i vanligt bemärkande. Notera att varje värdet på yt kan betraktas som ett vägat glidande medelvärde av de senaste prognosfelen. Flyttande genomsnittsmodeller ska emellertid inte förväxlas med glidande medelutjämning som vi diskuterat i Kapitel 6 En glidande genomsnittsmodell används för att prognosera framtida värden samtidigt som den glider i genomsnittlig utjämning används för att uppskatta trendcykeln för tidigare värden. Figur 8 6 Två exempel på data från rörliga genomsnittsmodeller med olika parametrar Vänster MA 1 med yt 20 och 0 8e t-1 Höger MA 2 med ytet - e t-1 0 8e t-2 I båda fallen är et normalt distribuerat vitt brus med medelvärde noll och varians en. Figur 8 6 visar vissa data från en MA 1-modell och en MA 2-modell. Ändring av parametrarna theta1, prickar, thetaq resulterar i olika tidsseriemönster Liksom med autoregressiva modeller, variansen av Felperioden et kommer bara att ändra seriens skala, inte mönstren. Det är möjligt att skriva en stationär AR p-modell som en MA infty-modell. Exempelvis kan vi använda en upprepad substitution för en AR 1-modell. Start yt phi1y och phi1 phi1y et phi1 2y phi1 e et phi1 3y phi1 2e phi1 e et text end. Provided -1 phi1 1 blir värdet av phi1 k mindre när k blir större Så småningom erhåller vi. Yt och phi1 e phi1 2 e phi1 3 e cdots. an MA infty process. The omvända resultat hålls om vi lägger några begränsningar på MA parametrarna. Då MA-modellen kallas invertibel Det vill säga att vi kan skriva någon inverterbar MA q-process som En AR infty process. Invertible modeller är inte bara för att möjliggöra för oss att konvertera från MA modeller till AR-modeller. De har också vissa matematiska egenskaper som gör dem enklare att använda i praktiken. Invertibilitetsbegränsningarna liknar stationaritetsbegränsningarna. För en MA 1 Modell -1 theta1 1.För en MA 2-modell -1 theta2 1, theta2 theta1 -1, theta1-theta2 1.Mera komplicerade förhållanden håller på för q ge3 Igen kommer R att ta hand om dessa hinder vid beräkning av modellerna.
No comments:
Post a Comment