Angenommen, Sie haben N Zeitreihe xts class. Can Sie vorschlagen, eine Möglichkeit zum Beispiel eine bestehende Funktion für die Berechnung rollen durchschnittliche Korrelation Rolling Moving window. So haben Sie zum Beispiel 10 Zeitreihen Erste Schritt ist es, 60 Tage Korrelation zwischen ersten und zweiten, zuerst zu berechnen Und drittens, erste und vierte, und so weiter Zweite Schritt ist es, den Durchschnitt für diesen Korrelationswert zu berechnen. End der ersten Zyklus. Nachdem Sie vor einem Tag vor und beginnen alle Prozess ersten und zweiten Schritt. Die Ergebnisse ist eine Zeitreihe mit der Durchschnittliche Korrelationswerte. Kann jemand helfen, einen effizienten Weg zu finden, dies zu tun. Dies ist die Struktur meiner Daten. Stellen Sie alle Serien in den Datenrahmen namens X, in den ersten zehn Variablen Dann. Wenn Sie don t haben sie in einer Daten Rahmen, dann denke ich, der einfachste Weg ist zuerst, um einen Datenrahmen zu machen - vorausgesetzt, dass Ihre Zeitreihen alle von der gleichen Länge sind. Um diagonale 1 s aus der Korrelationsmatrix auszuschließen, können Sie zuerst eine Funktion definieren, die den Mittelwert aller Werte unten berechnet Diagonal oder über diag, macht einen Unterschied. Nicht getestet, aber ich denke es shoudlwork. Mehr meiner Forschung konzentriert sich auf die dynamischen Beziehungen zwischen Vermögenswerten auf dem Markt 1, 2, 3 Typischerweise verwende ich Korrelation als Maß für die Beziehung Abhängigkeit, da ihre Ergebnisse sind leicht zu kommunizieren und zu verstehen, im Gegensatz zu Gegenseitige Information, die in der Finanzierung etwas weniger verwendet wird als in der Informationstheorie. Allerdings erfordert die Analyse der Korrelationsdynamik, dass wir eine bewegliche Korrelation aka gefilmt, nachlaufend oder rollens berechnen müssen. Die Mittelwerte sind gut verständlich und leicht zu berechnen Ein Asset zu einem Zeitpunkt und produzieren einen Wert für jeden Zeitraum Verschieben von Korrelationen, im Gegensatz zu gleitenden Durchschnitten, müssen mehrere Vermögenswerte berücksichtigen und produzieren eine Matrix von Werten für jeden Zeitraum Im einfachsten Fall, kümmern wir uns um die Korrelation zwischen zwei Vermögenswerte für Beispielsweise der SP 500 SPY und der Finanzsektor XLF In diesem Fall müssen wir nur auf einen Wert in der Matrix achten. Wenn wir jedoch den Energiesektor XLE hinzufügen würden, wird es schwieriger, diese Korrelationen effizient zu berechnen und darzustellen Ist immer für 3 oder mehr verschiedene Assets. I ve geschrieben den Code unten, um diesen Prozess zu vereinfachen Erstens, Sie bieten eine Matrix dataMatrix mit Variablen in den Spalten zum Beispiel, SPY in Spalte 1, XLF in Spalte 2 und XLE in Spalte 3 Zweitens gibt es eine Fenstergröße windowSize Zum Beispiel, wenn dataMatrix minutiös zurückgibt, dann würde eine Fenstergröße von 60 nachfolgende stündliche Korrelationsschätzungen erzeugen. Drittens geben Sie an, welche Spalte indexColumn Sie interessieren, um die Ergebnisse zu sehen. In unserem Beispiel würden wir Wahrscheinlich die Spalte 1, da dies die Korrelation zwischen dem SP und dem Finanzsektor und dem SP - und Energiesektor ermöglichen würde. Das Bild unten zeigt die Ergebnisse für genau das obige Beispiel für den letzten Freitag, den 1. Oktober 2010.2 Responses to Berechnen von Verschieben Korrelation in Matlab. it s nicht klar, wie Sie mit NA. Wie würden Sie berechnen Korrelationen für Indizes in verschiedenen Ländern, wo ein Datenpunkt kann fehlen aufgrund eines bestimmten Urlaubs in einem einzigen Land. Hi Paolo, Der Code wie ich Ich habe es geschafft, mit NaNs anmutig fertig zu sein. Sie können von dieser Matlab-Dokumentationsseite aus sehen, dass Sie Zeilen hinzufügen können, die mit dem Corrcoef-Befehl fertig sind, um sich mit dem Problem auseinanderzusetzen. Die anderen Alternativen sind, dieses Datum vollständig zu löschen, zu interpolieren oder zu verwenden Anspruchsvolle Methode für den Umgang mit fehlenden Beobachtungen. Leave a Reply Cancel reply.8 4 Verschieben von durchschnittlichen Modellen. Wie als vergangene Werte der Prognosevariable in einer Regression verwenden, verwendet ein gleitendes Durchschnittsmodell vergangene Prognosefehler in einem regressionsähnlichen Modell. Yc et theta e theta e dots theta e. where et ist weißes Rauschen Wir verweisen darauf als MA q Modell Natürlich beobachten wir nicht die Werte von et, also ist es nicht wirklich Regression im üblichen Sinne. Notice that each Wert von yt kann als ein gewichteter gleitender Durchschnitt der letzten Prognosefehler gedacht werden. Allerdings sollten die gleitenden durchschnittlichen Modelle nicht mit der gleitenden durchschnittlichen Glättung verwechselt werden, die wir in Kapitel 6 besprochen haben. Ein gleitendes Durchschnittsmodell wird für die Prognose zukünftiger Werte beim gleitenden durchschnittlichen Glättung verwendet Wird zur Schätzung des Trendzyklus vergangener Werte verwendet. Abbildung 8 6 Zwei Beispiele für Daten aus bewegten Mittelmodellen mit unterschiedlichen Parametern Linke MA 1 mit yt 20 et 0 8e t-1 Rechts MA 2 mit ytet - e t-1 0 8e T-2 In beiden Fällen ist et normal normales Rauschen mit mittlerem Nullpunkt und Varianz eins. Abbildung 8 6 zeigt einige Daten aus einem MA 1 Modell und einem MA 2 Modell Ändern der Parameter theta1, Punkte, Thetaq führt zu unterschiedlichen Zeitreihenmustern Wie bei autoregressiven Modellen ändert die Varianz des Fehlerterms nur den Maßstab der Serie, nicht die Muster. Es ist möglich, jedes stationäre AR-Modell als MA-Inft-Modell zu schreiben. Beispielsweise können wir mit wiederholter Substitution nachweisen Dies für ein AR 1 Modell. Beginn des Phi1y et phi1 phi1y e et phi1 2y phi1 e et phi1 3y phi1 2e phi1 e et text end. Provided -1 phi1 1, wird der Wert von phi1 k kleiner, wenn k größer wird. Yt et phi1 e phi1 2 e phi1 3 e cdots. an MA infty Prozess. Das umgekehrte Ergebnis gilt, wenn wir einige Einschränkungen auf die MA-Parameter auferlegen. Dann wird das MA-Modell als invertierbar bezeichnet. Das heißt, dass wir einen invertierbaren MA q - Prozeß schreiben können Ein AR-Infty-Prozess. Unvertible Modelle sind nicht einfach, um es uns zu ermöglichen, von MA-Modellen in AR-Modelle umzuwandeln. Sie haben auch einige mathematische Eigenschaften, die sie in der Praxis einfacher zu bedienen machen. Die Invertierbarkeitsbeschränkungen sind ähnlich wie die Stationaritätsbeschränkungen. Für eine MA 1 Modell -1 theta1 1.Für ein MA 2 Modell -1 theta2 1, theta2 theta1 -1, theta1 - theta2 1.Mehr komplizierte Bedingungen gelten für q ge3 Wiederum wird R diese Einschränkungen bei der Schätzung der Modelle berücksichtigen.
No comments:
Post a Comment