Representação Média Móvel De

Representação Mínima-Média de Aproximações Autoregressivas Nós estudamos as propriedades de uma infinita MA-representação de uma aproximação autorregressiva para um processo estacionário, real-avaliado. Fazendo isso, damos uma extensão do Teorema de Wieners na configuração de aproximação determinística. Ao lidar com dados, podemos usar este novo resultado chave para obter insights sobre a estrutura de infinitas MA-representações de modelos auto-regressivos ajustados onde a ordem aumenta com o tamanho da amostra. Em particular, damos um limite uniforme para estimar os coeficientes de média móvel através da aproximação autorregressiva sendo uniforme em todos os inteiros. 423.pdf2.1 Modelos de média móvel (modelos MA) Modelos de séries temporais conhecidos como modelos ARIMA podem incluir termos auto-regressivos e / ou termos de média móvel. Na Semana 1, aprendemos um termo autorregressivo em um modelo de série temporal para a variável x t é um valor retardado de x t. Por exemplo, um termo autorregressivo de atraso 1 é x t-1 (multiplicado por um coeficiente). Esta lição define termos de média móvel. Um termo de média móvel em um modelo de séries temporais é um erro passado (multiplicado por um coeficiente). Vamos (wt overset N (0, sigma2w)), significando que os w t são identicamente, distribuídos independentemente, cada um com uma distribuição normal com média 0 e a mesma variância. O modelo de média móvel de ordem 1, denotado por MA (1) é (xt mu wt theta1w) O modelo de média móvel de 2ª ordem, denotado por MA (2) é (xt mu wt theta1w theta2w) , Denotado por MA (q) é (xt mu wt theta1w theta2w pontos thetaqw) Nota. Muitos livros didáticos e programas de software definem o modelo com sinais negativos antes dos termos. Isso não altera as propriedades teóricas gerais do modelo, embora ele inverta os sinais algébricos de valores de coeficientes estimados e de termos (não-quadrados) nas fórmulas para ACFs e variâncias. Você precisa verificar o software para verificar se sinais negativos ou positivos foram utilizados para escrever corretamente o modelo estimado. R usa sinais positivos em seu modelo subjacente, como fazemos aqui. Propriedades Teóricas de uma Série de Tempo com um Modelo MA (1) Observe que o único valor não nulo na ACF teórica é para o atraso 1. Todas as outras autocorrelações são 0. Assim, uma ACF de amostra com uma autocorrelação significativa apenas no intervalo 1 é um indicador de um possível modelo MA (1). Para os estudantes interessados, provas destas propriedades são um apêndice a este folheto. Exemplo 1 Suponha que um modelo MA (1) seja x t 10 w t .7 w t-1. Onde (wt overset N (0,1)). Assim, o coeficiente 1 0,7. O ACF teórico é dado por Um gráfico deste ACF segue. O gráfico apenas mostrado é o ACF teórico para um MA (1) com 1 0,7. Na prática, uma amostra normalmente não proporciona um padrão tão claro. Usando R, simulamos n 100 valores de amostra usando o modelo x t 10 w t .7 w t-1 onde w t iid N (0,1). Para esta simulação, segue-se um gráfico de séries temporais dos dados da amostra. Não podemos dizer muito desse enredo. A ACF de amostra para os dados simulados segue. Observa-se que a amostra ACF não corresponde ao padrão teórico do MA subjacente (1), ou seja, que todas as autocorrelações para os atrasos de 1 serão 0 Uma amostra diferente teria uma ACF de amostra ligeiramente diferente, mostrada abaixo, mas provavelmente teria as mesmas características gerais. Propriedades teóricas de uma série temporal com um modelo MA (2) Para o modelo MA (2), as propriedades teóricas são as seguintes: Note que os únicos valores não nulos na ACF teórica são para os retornos 1 e 2. As autocorrelações para atrasos maiores são 0 . Assim, uma ACF de amostra com autocorrelações significativas nos intervalos 1 e 2, mas autocorrelações não significativas para atrasos maiores indica um possível modelo MA (2). Iid N (0,1). Os coeficientes são 1 0,5 e 2 0,3. Como este é um MA (2), o ACF teórico terá valores não nulos apenas nos intervalos 1 e 2. Valores das duas autocorrelações não nulas são Um gráfico do ACF teórico segue. Como quase sempre é o caso, dados de exemplo não vai se comportar tão perfeitamente como a teoria. Foram simulados n 150 valores de amostra para o modelo x t 10 w t .5 w t-1 .3 w t-2. Em que w t iid N (0,1). O gráfico da série de tempo dos dados segue. Como com o gráfico de série de tempo para os dados de amostra de MA (1), você não pode dizer muito dele. A ACF de amostra para os dados simulados segue. O padrão é típico para situações em que um modelo MA (2) pode ser útil. Existem dois picos estatisticamente significativos nos intervalos 1 e 2, seguidos por valores não significativos para outros desfasamentos. Note que devido ao erro de amostragem, o ACF de amostra não corresponde exactamente ao padrão teórico. ACF para modelos MA (q) gerais Uma propriedade dos modelos MA (q) em geral é que existem autocorrelações não nulas para os primeiros q lags e autocorrelações 0 para todos os retornos gt q. Não-unicidade de conexão entre os valores de 1 e (rho1) no modelo MA (1). No modelo MA (1), para qualquer valor de 1. O 1/1 recíproco dá o mesmo valor para Como exemplo, use 0,5 para 1. E então use 1 / (0,5) 2 para 1. Você obterá (rho1) 0,4 em ambas as instâncias. Para satisfazer uma restrição teórica chamada invertibilidade. Nós restringimos os modelos MA (1) para ter valores com valor absoluto menor que 1. No exemplo dado, 1 0,5 será um valor de parâmetro permitido, enquanto que 1 1 / 0,5 2 não. Invertibilidade de modelos MA Um modelo MA é dito ser inversível se for algébrica equivalente a um modelo de ordem infinita convergente. Por convergência, queremos dizer que os coeficientes de AR diminuem para 0 à medida que avançamos no tempo. Invertibilidade é uma restrição programada em séries temporais de software utilizado para estimar os coeficientes de modelos com MA termos. Não é algo que verificamos na análise de dados. Informações adicionais sobre a restrição de invertibilidade para modelos MA (1) são fornecidas no apêndice. Teoria Avançada Nota. Para um modelo MA (q) com um ACF especificado, existe apenas um modelo invertible. A condição necessária para a invertibilidade é que os coeficientes tenham valores tais que a equação 1- 1 y-. - q y q 0 tem soluções para y que caem fora do círculo unitário. Código R para os Exemplos No Exemplo 1, traçamos o ACF teórico do modelo x t 10w t. 7w t-1. E depois simularam n 150 valores deste modelo e traçaram a série temporal da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados para traçar o ACF teórico foram: acfma1ARMAacf (mac (0,7), lag. max10) 10 atrasos de ACF para MA (1) com theta1 0,7 lags0: 10 cria uma variável chamada atrasos que varia de 0 a 10. trama (Hg) adiciona um eixo horizontal ao gráfico O primeiro comando determina o ACF e o armazena em um objeto (a0) Chamado acfma1 (nossa escolha de nome). O comando de plotagem (o terceiro comando) traça defasagens em relação aos valores de ACF para os retornos 1 a 10. O parâmetro ylab rotula o eixo y eo parâmetro principal coloca um título no gráfico. Para ver os valores numéricos do ACF basta usar o comando acfma1. A simulação e as parcelas foram feitas com os seguintes comandos. Xcarima. sim (n150, lista (mac (0.7))) Simula n 150 valores de MA (1) xxc10 adiciona 10 para fazer média 10. Padrão de simulação significa 0. plot (x, typeb, mainSimulated MA (1) dados) Acf (x, xlimc (1,10), mainACF para dados de amostras simulados) No Exemplo 2, traçamos o ACF teórico do modelo xt 10 wt. 5 w t-1 .3 w t-2. E depois simularam n 150 valores deste modelo e traçaram a série temporal da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados foram acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 parcela (atrasos, acfma2, xlimc (1,10), ylabr, tipoh, ACF principal para MA (2) com theta1 0,5, (X, typeb, principal série MA (2) simulada) acf (x, xlimc (1,10), x2) MainACF para dados simulados de MA (2) Apêndice: Prova de Propriedades de MA (1) Para estudantes interessados, aqui estão as provas para propriedades teóricas do modelo MA (1). Quando h 1, a expressão anterior 1 w 2. Para qualquer h 2, a expressão anterior 0 (x) é a expressão anterior x (x) A razão é que, por definição de independência do wt. E (w k w j) 0 para qualquer k j. Além disso, porque w t tem média 0, E (w j w j) E (w j 2) w 2. Para uma série de tempo, aplique este resultado para obter o ACF fornecido acima. Um modelo inversível MA é aquele que pode ser escrito como um modelo de ordem infinita AR que converge para que os coeficientes AR convergem para 0 como nos movemos infinitamente no tempo. Bem demonstrar invertibilidade para o modelo MA (1). Em seguida, substituimos a relação (2) para wt-1 na equação (1) (3) (zt wt theta1 (z-theta1w) wt theta1z-theta2w) No tempo t-2. A equação (2) torna-se Então substituimos a relação (4) para wt-2 na equação (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z-theta12z theta31w) Se continuássemos Infinitamente), obteríamos o modelo AR de ordem infinita (zt wt theta1 z - theta21z theta31z - theta41z dots) Observe, no entanto, que se 1 1, os coeficientes multiplicando os desfasamentos de z aumentarão (infinitamente) Tempo. Para evitar isso, precisamos de 1 lt1. Esta é a condição para um modelo MA (1) invertido. Infinite Order MA model Na semana 3, bem ver que um modelo AR (1) pode ser convertido em um modelo de ordem infinita MA: (xt - mu wt phi1w phi21w pontos phik1 w dots sum phij1w) Esta soma de termos de ruído branco passado é conhecido Como a representação causal de um AR (1). Em outras palavras, x t é um tipo especial de MA com um número infinito de termos remontando no tempo. Isso é chamado de ordem infinita MA ou MA (). Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Lembre-se na Semana 1, observamos que uma exigência para um AR estacionário (1) é que 1 lt1. Vamos calcular o Var (x t) usando a representação causal. Esta última etapa usa um fato básico sobre séries geométricas que requer (phi1lt1) caso contrário, a série diverge. NavigationMoving - representação média de aproximações autorregressivas Nós estudamos as propriedades de uma representação MA (infinito) de uma aproximação autorregressiva para um processo estacionário, de valor real. Ao fazer isso, damos uma extensão do teorema de Wieners na configuração de aproximação determinística. Ao lidar com dados, podemos usar este novo resultado chave para obter insights sobre a estrutura de MA (infinito) - representações de modelos auto-regressivos ajustados onde a ordem aumenta com o tamanho da amostra. Em particular, damos um limite uniforme para estimar os coeficientes de média móvel através da aproximação autorregressiva sendo uniforme em todos os inteiros. Se você tiver problemas ao fazer o download de um arquivo, verifique se você tem o aplicativo adequado para visualizá-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda IDEAS. Observe que esses arquivos não estão no site IDEAS. Seja paciente, pois os arquivos podem ser grandes. Como o acesso a este documento é restrito, você pode querer procurar uma versão diferente em Pesquisas relacionadas (mais adiante) ou procurar uma versão diferente do mesmo. Ao solicitar uma correção, mencione por favor estes itens identificador: RePEc: eee: spapps: v: 60: y: 1995: i: 2: p: 331-342. Veja informações gerais sobre como corrigir material no RePEc. Para questões técnicas sobre este item, ou para corrigir seus autores, título, resumo, informações bibliográficas ou download, entre em contato: (Shamier, Wendy) Se você é autor deste item e ainda não está registrado no RePEc, recomendamos que o faça aqui . Isso permite vincular seu perfil a este item. Ele também permite que você aceite citações em potencial para este item que estamos incertos sobre. Se as referências estiverem totalmente ausentes, você pode adicioná-las usando este formulário. Se as referências completas listarem um item que está presente no RePEc, mas o sistema não tiver vinculado a ele, você pode ajudar com este formulário. Se você souber de itens ausentes citando este, você pode nos ajudar a criar esses links adicionando as referências relevantes da mesma maneira como acima, para cada item referente. Se você é um autor registrado deste item, você também pode querer verificar a guia de citações no seu perfil, pois pode haver algumas citações esperando confirmação. Tenha em atenção que as correcções podem demorar algumas semanas para filtrar os vários serviços RePEc. Mais serviços MyIDEAS Seguir séries, jornais, autores e mais Novos artigos por e-mail Inscrever-se para novas adições ao RePEc Registro de autor Perfis públicos para pesquisadores de economia Rankings Vários rankings de pesquisa em economia e campos relacionados Genealogia Quem foi um estudante de quem, usando RePEc BiblE Artigos curados artigos de amp papéis vários temas de economia MPRA Carregar seu artigo para ser listado em RePEc e IDEAS EconAcademics Blog agregador para pesquisa de economia Plagiarismo Casos de plágio em Economia Papéis do mercado de trabalho RePEc série de trabalho de papel dedicado ao mercado de trabalho Fantasy League Pretend você está no leme (P, d, q) Modelos para Análise de Série de Tempo Por Michael Halls-Moore em 15 de setembro de 2015 No (P. 1 e 2), passamos a fornecer detalhes significativos sobre os modelos de séries temporais lineares AR (p), MA (q) e ARMA (p, q). Utilizamos esses modelos para gerar conjuntos de dados simulados, modelos ajustados para recuperar os parâmetros e, em seguida, aplicamos esses modelos aos dados das ações financeiras. Neste artigo vamos discutir uma extensão do modelo ARMA, ou seja, o modelo de média móvel integrada ou modelo ARIMA (p, d, q). Veremos que é necessário considerar o modelo ARIMA quando temos séries não-estacionárias. Tais séries ocorrem na presença de tendências estocásticas. Recapitulação Rápida e Próximas Etapas Até o momento, consideramos os seguintes modelos (os links o levarão aos artigos apropriados): Constantemente construímos nossa compreensão de séries temporais com conceitos como correlação serial, estacionário, linearidade, resíduos, correlogramas, Simulando, ajuste, sazonalidade, heterocedasticidade condicional e teste de hipóteses. Até agora ainda não realizamos qualquer previsão ou previsão de nossos modelos e, portanto, não tiveram qualquer mecanismo para a produção de um sistema de negociação ou curva de equidade. Uma vez estudado ARIMA (neste artigo), ARCH e GARCH (nos próximos artigos), estaremos em posição de construir uma estratégia básica de negociação de longo prazo com base na previsão dos retornos do índice do mercado de ações. Apesar do fato de eu ter entrado em um monte de detalhes sobre os modelos que sabemos que em última análise não terá grande desempenho (AR, MA, ARMA), estamos agora bem versados ​​no processo de modelagem de séries temporais. Isso significa que, quando estudarmos modelos mais recentes (e até mesmo aqueles atualmente na literatura de pesquisa), teremos uma base de conhecimento significativa sobre a qual desenhar, a fim de efetivamente avaliar esses modelos, em vez de tratá-los como um turn key Prescrição ou caixa preta. Mais importante ainda, ele nos dará a confiança para estendê-los e modificá-los por conta própria e entender o que estamos fazendo quando o fazemos gostaria de agradecer por ter paciência até agora, como pode parecer que esses artigos estão longe de A ação real da negociação real. No entanto, a verdadeira investigação quantitativa de negociação é cuidadosa, medido e leva um tempo significativo para obter direito. Não há nenhuma correção rápida ou ficar rico esquema em negociação quant. Estávamos quase prontos para considerar nosso primeiro modelo de negociação, que será uma mistura de ARIMA e GARCH, por isso é imperativo que passemos algum tempo entendendo bem o modelo ARIMA Depois de termos construído nosso primeiro modelo de negociação, vamos considerar mais Modelos avançados, tais como processos de memória longa, modelos de espaço de estados (ou seja, o filtro de Kalman) e Vector Autoregressive (VAR), o que nos levará a outras estratégias de negociação mais sofisticadas. Modelos de ordem p, d, q Justificativa Os modelos ARIMA são usados ​​porque podem reduzir uma série não-estacionária para uma série estacionária usando uma seqüência de etapas de diferenciação. Podemos lembrar do artigo sobre ruído branco e passeios aleatórios que, se aplicarmos o operador de diferença a uma série randômica aleatória (uma série não-estacionária) ficamos com ruído branco (uma série estacionária): begin nabla xt xt - x wt Fim ARIMA essencialmente executa esta função, mas faz isso repetidamente, d vezes, a fim de reduzir uma série não-estacionário para um estacionário. Para tratar outras formas de não estacionaridade além das tendências estocásticas, podem ser usados ​​modelos adicionais. Os efeitos da sazonalidade (como os que ocorrem nos preços das commodities) podem ser abordados com o modelo ARIMA sazonal (SARIMA), porém não estaremos discutindo muito sobre SARIMA nesta série. Os efeitos heteroscedásticos condicionais (como o agrupamento de volatilidade em índices de ações) podem ser abordados com ARCH / GARCH. Neste artigo vamos considerar série não estacionária com tendências estocásticas e ajustar modelos ARIMA para estas séries. Também produziremos previsões para nossa série financeira. Definições Antes de definir os processos ARIMA precisamos discutir o conceito de uma série integrada: Série Integrada de ordem d Uma série de tempo é integrada de ordem d. I (d), se: begin nablad xt wt end Isto é, se diferenciarmos a série d vezes recebemos uma série de ruído branco discreto. Alternativamente, usando o Operador de Deslocamento Para Trás uma condição equivalente é: Agora que definimos uma série integrada, podemos definir o próprio processo ARIMA: Média Movente Integrada Autoregressiva Modelo de ordem p, d, q Uma série temporal é um modelo de média móvel integrada autorregressiva De ordem p, d, q. ARIMA (p, d, q). Se nablad xt é uma média móvel autorregressiva de ordem p, q, ARMA (p, q). Ou seja, se a série é diferenciada d vezes, e então segue um processo ARMA (p, q), então é uma série ARIMA (p, d, q). Se usarmos a notação polinomial da Parte 1 e Parte 2 da série ARMA, então um processo ARIMA (p, d, q) pode ser escrito em termos do Operador de Deslocamento para Trás. : Onde wt é uma série discreta de ruído branco. Há alguns pontos a observar sobre estas definições. Uma vez que a caminhada aleatória é dada por xt x wt pode-se ver que I (1) é outra representação, uma vez que nabla1 xt wt. Se suspeitarmos de uma tendência não linear, poderemos usar repetidas diferenças (isto é, d gt 1) para reduzir uma série a ruído branco estacionário. Em R podemos usar o comando diff com parâmetros adicionais, p. Diff (x, d3) para realizar diferenças repetidas. Simulação, Correlograma e Ajuste do Modelo Já que já usamos o comando arima. sim para simular um processo ARMA (p, q), o procedimento a seguir será semelhante ao realizado na Parte 3 da série ARMA. A principal diferença é que vamos agora definir d1, ou seja, vamos produzir uma série de tempo não-estacionário com uma componente de tendência estocástica. Como antes vamos adaptar um modelo ARIMA aos nossos dados simulados, tentar recuperar os parâmetros, criar intervalos de confiança para esses parâmetros, produzir um correlograma dos resíduos do modelo ajustado e finalmente realizar um teste de Ljung-Box para estabelecer se temos Um bom ajuste. Vamos simular um modelo ARIMA (1,1,1), com o coeficiente autorregressivo alfa0,6 eo coeficiente de média móvel beta-0,5. Aqui está o código R para simular e traçar tal série: Agora que temos a nossa série simulada, vamos tentar ajustar um modelo ARIMA (1,1,1) a ele. Uma vez que conhecemos a ordem, vamos especificá-la simplesmente no ajuste: Os intervalos de confiança são calculados como: Ambas as estimativas de parâmetros estão dentro dos intervalos de confiança e estão próximas dos valores dos parâmetros verdadeiros da série ARIMA simulada. Portanto, não devemos nos surpreender ao ver os resíduos parecendo uma percepção de ruído branco discreto: Finalmente, podemos executar um teste de Ljung-Box para fornecer evidência estatística de um bom ajuste: podemos ver que o valor de p é significativamente maior do que 0,05 e, como tal, podemos afirmar que existe forte evidência de discreto ruído branco sendo um bom ajuste para os resíduos. Assim, o modelo ARIMA (1,1,1) é um bom ajuste, como esperado. Dados Financeiros e Previsão Nesta seção, vamos ajustar os modelos ARIMA à Amazon, Inc. (AMZN) e ao SampP500 US Equity Index (GPSC, no Yahoo Finance). Faremos uso da biblioteca de previsão, escrita por Rob J Hyndman. Vamos seguir em frente e instalar a biblioteca em R: Agora podemos usar o quantmod para baixar a série de preços diários da Amazon a partir do início de 2013. Como já teremos tomado as diferenças de primeira ordem da série, o ajuste ARIMA realizado em breve será Não requerem d gt 0 para a componente integrada: Como na parte 3 da série ARMA, vamos agora fazer um loop através das combinações de p, d e q, para encontrar o melhor modelo ARIMA (p, d, q). Por ótimo, queremos dizer a combinação de ordem que minimiza o Critério de Informação Akaike (AIC): Podemos ver que uma ordem de p4, d0, q4 foi selecionada. Notavelmente d0, como já observamos as diferenças de primeira ordem acima: Se plotarmos o correlograma dos resíduos, podemos ver se temos evidências para uma série de ruído branco discreto: Existem dois picos significativos, a saber, k15 e k21, Esperam ver picos estatisticamente significativos simplesmente devido à variação de amostragem 5 do tempo. Vamos realizar um teste de Ljung-Box (ver artigo anterior) e ver se temos evidências de um bom ajuste: Como podemos ver o valor de p é maior que 0,05 e por isso temos evidência de um bom ajuste no nível 95. Podemos agora usar o comando de previsão da biblioteca de previsão para prever 25 dias de antecedência para a série de retornos da Amazon: Podemos ver as previsões de ponto para os próximos 25 dias com 95 (azul escuro) e 99 (azul claro) bandas de erro . Vamos usar essas previsões em nossa primeira estratégia de negociação de séries temporais quando chegarmos a combinar ARIMA e GARCH. Vamos executar o mesmo procedimento para o SampP500. Em primeiro lugar, obtemos os dados de quantmod e convertê-los em um diário log retorna fluxo: Nós encaixamos um modelo ARIMA looping sobre os valores de p, d e q: A AIC nos diz que o melhor modelo é o ARIMA (2,0, 1) modelo. Observe mais uma vez que d0, como já fizemos as diferenças de primeira ordem da série: Podemos traçar os resíduos do modelo ajustado para ver se temos evidências de ruído branco discreto: O correlograma parece promissor, então o próximo passo é executar O teste de Ljung-Box e confirmar que temos um bom ajuste de modelo: Como o valor de p é maior que 0,05 temos evidências de um bom ajuste de modelo. Por que é que no artigo anterior nosso teste de Ljung-Box para o SampP500 mostrou que o ARMA (3,3) era um ajuste fraco para o diário registar retornos Aviso que eu deliberadamente truncado os dados de SampP500 a partir de 2013 em diante neste artigo , O que convenientemente exclui os períodos voláteis em torno de 2007-2008. Por isso, temos excluído uma grande parte do SampP500 onde tivemos excessiva volatilidade clustering. Isso afeta a correlação serial da série e, portanto, tem o efeito de fazer a série parecer mais estática do que foi no passado. Este é um ponto muito importante. Ao analisarmos as séries temporais, precisamos ter muito cuidado com as séries condicionalmente heteroscedasticas, como os índices do mercado de ações. Em finanças quantitativas, tentar determinar períodos de volatilidade diferente é muitas vezes conhecido como detecção de regime. É uma das tarefas mais difíceis de alcançar. Bem, discuta este ponto detalhadamente no próximo artigo quando chegarmos a considerar os modelos ARCH e GARCH. Vamos agora traçar uma previsão para os próximos 25 dias do SampP500 log diário retorna: Agora que temos a capacidade de ajustar e prever modelos como ARIMA, foram muito perto de ser capaz de criar indicadores de estratégia para a negociação. Próximas etapas No próximo artigo vamos dar uma olhada no modelo Generalized Autoregressive condicional Heteroscedasticity (GARCH) e usá-lo para explicar mais da correlação serial em certas ações e séries de índice de equidade. Uma vez discutido o GARCH, estaremos em posição de combiná-lo com o modelo ARIMA e criar indicadores de sinal e, portanto, uma estratégia de negociação quantitativa básica. Michael Halls-Moore Mike é o fundador da QuantStart e tem estado envolvido na indústria de finanças quantitativas nos últimos cinco anos, principalmente como desenvolvedor quantitativo e, mais tarde, como consultor de comerciante de quant para hedge funds. Related ArticlesDocumentation a é um vetor constante de offsets, com n elementos. A i são n-by-n matrizes para cada i. Os Ai são matrizes autorregressivas. Existem p matrizes autorregressivas. 949 t é um vector de inovações não correlacionadas em série. Vetores de comprimento n. Os 949 t são vetores aleatórios normais multivariados com matriz de covariância Q. Onde Q é uma matriz de identidade, a menos que especificado de outro modo. B j são n-by-n matrizes para cada j. As B j são matrizes de média móvel. Existem q matrizes de média móvel. X t é uma matriz n-by-r representando termos exógenos em cada momento t. R é o número de séries exógenas. Termos exógenos são dados (ou outras entradas não modificadas) além da série de tempo de resposta y t. B é um vetor constante de coeficientes de regressão de tamanho r. Portanto, o produto X t middotb é um vetor de tamanho n. Geralmente, as séries temporais y t e X t são observáveis. Em outras palavras, se você tiver dados, ele representa uma ou ambas as séries. Você nem sempre sabe o deslocamento a. Coeficiente b. Matrizes autorregressivas A i. E matrizes de média móvel B j. Normalmente, você deseja ajustar esses parâmetros aos seus dados. Consulte a página de referência da função vgxvarx para obter formas de estimar parâmetros desconhecidos. As inovações 949 t não são observáveis, pelo menos em dados, embora possam ser observadas em simulações. Lag Representação do Operador Existe uma representação equivalente das equações auto-regressivas lineares em termos de operadores de lag. O operador de atraso L move o índice de tempo de volta por um: L y t y t 82111. O operador L m move o índice de tempo para trás por m. L m y t y t 8211 m. Na forma de operador lag, a equação para um modelo SVARMAX (p. Q. R) torna-se (A 0 x 2212 x2211 i 1 p A i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t. Esta equação pode ser escrita como A (L) y t a X t b B (L) x03B5 t. Um modelo VAR é estável se det (I n x2212 A 1 z x 2212 A 2 z 2 x 2212. x2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que, com todas as inovações igual a zero, o processo VAR converge para um Como o tempo passa. Veja Luumltkepohl 74 Capítulo 2 para uma discussão. Um modelo VMA é inversível se det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que a representação VAR pura do processo é estável. Para obter uma explicação sobre como converter entre modelos VAR e VMA, consulte Alterando Representações de Modelo. Veja o capítulo 11 de Luumltkepohl para uma discussão sobre os modelos VMA invertíveis. Um modelo VARMA é estável se sua parte VAR é estável. Da mesma forma, um modelo VARMA é inversível se sua parte VMA é invertible. Não existe uma noção bem definida de estabilidade ou invertibilidade para modelos com entradas exógenas (por exemplo, modelos VARMAX). Uma entrada exógena pode desestabilizar um modelo. Construindo Modelos VAR Para entender um modelo de séries temporais múltiplas, ou vários dados de séries temporais, geralmente você executa as seguintes etapas: Importe e pré-processa dados. Especifique um modelo. Estruturas de especificação sem valores de parâmetro para especificar um modelo quando você deseja que o MATLAB x00AE estime os parâmetros Estruturas de especificação com valores de parâmetro selecionados para especificar um modelo onde você conhece alguns parâmetros e deseja que o MATLAB estime os outros Determinando um número apropriado de Lags para determinar Um número adequado de defasagens para seu modelo Ajustar o modelo aos dados. Ajustando Modelos a Dados para usar o vgxvarx para estimar os parâmetros desconhecidos em seus modelos. Isso pode envolver: Mudança de Representação de Modelo para alterar o seu modelo para um tipo que vgxvarx manipula Analisar e prever usando o modelo ajustado. Isto pode envolver: Examinando a estabilidade de um modelo ajustado para determinar se seu modelo é estável e invertible. VAR Modelo Previsão para prever diretamente a partir de modelos ou para prever usando uma simulação de Monte Carlo. Cálculo de respostas de impulso para calcular as respostas de impulso, que fornecem previsões baseadas numa alteração assumida numa entrada para uma série temporal. Compare os resultados das previsões de seus modelos com os dados disponíveis para a previsão. Para um exemplo, veja Estudo de Caso do Modelo VAR. Seu aplicativo não precisa envolver todas as etapas deste fluxo de trabalho. Por exemplo, você pode não ter quaisquer dados, mas sim simular um modelo parametrizado. Nesse caso, você executaria apenas as etapas 2 e 4 do fluxo de trabalho genérico. Você pode iterar através de algumas dessas etapas. Veja também Exemplos relacionados Selecione seu país