Est la corrélation d'échantillon entre X et Y au temps t. Est l'échantillon de covariance exponentielle pondérée entre X et Y au temps t. Est l'échantillon de volatilité pondérée exponentielle pour la série temporelle X au temps t. Est l'échantillon de volatilité exponentielle pondérée pour la série temporelle Y au temps t. Est le facteur de lissage utilisé dans les calculs de volatilité pondérée exponentielle et de covariance. Si les ensembles de données d'entrée n'ont pas de moyenne nulle, la fonction EWXCF Excel supprime la moyenne de chaque échantillon de données en votre nom. L'EWXCF utilise la volatilité EWMA et les représentations EWCOV qui n'assument pas une volatilité moyenne à long terme (ou covariance), et donc, pour tout horizon de prévision au-delà d'une étape, l'EWXCF renvoie une valeur constante. Références Hull, John C. Options, Futures et autres dérivés Financial Times Prentice Hall (2003), pp 385-387, ISBN 1-405-886145 Hamilton, J. Analyse des séries chronologiques. Princeton University Press (1994), ISBN 0-691-04289-6 Tsay, Ruey S. Analyse des séries chronologiques financières John Wiley amp SONS. (2005), ISBN 0-471-690740 Liens connexesMultivariée Matrice de la covariance mobile pondérée exponentiellement Hawkins, Douglas M. Maboudou-Tchao, Edgard M. (ASQ Association américaine de statistique) Université du Minnesota Université de la Floride centrale Technometrics Vol. 50 No. 2 QICID: 24353 Mai 2008 p. 155-166 Liste 10.00 Membre 5.00 POUR UN TEMPS LIMITÉ, L'ACCÈS À CE CONTENU EST GRATUIT Vous devrez être identifié. Nouveau sur ASQ Inscrivez-vous ici. Cet article est basé sur le résumé des auteurs. Le graphique de moyenne mobile pondérée exponentiellement (MEWMA), pondéré exponentiellement, se concentre sur les changements dans le vecteur moyen, mais des changements peuvent survenir dans l'emplacement ou la variabilité de la caractéristique de qualité multivariée corrélée qui appellent des méthodologies parallèles pour détecter les changements dans la matrice de covariance. Une matrice de covariance mobile exponentiellement pondérée est considérée pour le contrôle de la stabilité de la matrice de covariance d'un processus. Lorsqu'il est utilisé conjointement avec l'emplacement MEWMA, ce graphique surveille à la fois la moyenne et la variabilité requise par un contrôle de processus approprié. Le graphique surperforme généralement les graphiques compétitifs pour la matrice de covariance. Analogiquement, DataFrame a une méthode cov pour calculer les covariances par paires dans la série dans le DataFrame, en excluant également les valeurs NAnull. En supposant que les données manquantes sont manquantes au hasard cela se traduit par une estimation de la matrice de covariance qui est impartiale. Cependant, pour de nombreuses applications, cette estimation n'est peut-être pas acceptable parce que la matrice de covariance estimée n'est pas garantie comme étant semi-définie positive. Ceci pourrait conduire à des corrélations estimées ayant des valeurs absolues qui sont supérieures à une, et / ou une matrice de covariance non inversible. Voir Estimation des matrices de covariance pour plus de détails. DataFrame. cov prend également en charge un mot-clé optionnel minperiods qui spécifie le nombre minimal requis d'observations pour chaque paire de colonnes afin d'avoir un résultat valide. Les poids utilisés dans la fenêtre sont spécifiés par le mot clé wintype. La liste des types reconnus est: boxcar triang blackman hamming bartlett parzen bohman blackmanharris nuttall barthann kaiser (besoins bêta) gaussian (besoins std) generalgaussian (besoins puissance, largeur) slepian (besoins de largeur). Notez que la fenêtre du boxcar équivaut à mean (). Pour certaines fonctions de fenêtrage, des paramètres supplémentaires doivent être spécifiés: Pour. sum () avec un wintype. Il n'y a pas de normalisation faite aux poids pour la fenêtre. Passer des poids personnalisés de 1, 1, 1 donnera un résultat différent que les poids de passage de 2, 2, 2. par exemple. Lorsqu'on passe un wintype au lieu de spécifier explicitement les poids, les poids sont déjà normalisés de sorte que le poids le plus important soit 1. Par contre, la nature du calcul. mean () est telle que les pondérations sont normalisées les unes par rapport aux autres. Les poids de 1, 1, 1 et 2, 2, 2 donnent le même résultat. Rolling nouveau temps dans la version 0.19.0. Nouveau dans la version 0.19.0 sont la capacité de passer un décalage (ou convertible) à une méthode. rolling () et de le faire produire des fenêtres de taille variable basée sur la fenêtre de temps passée. Pour chaque point de temps, cela inclut toutes les valeurs précédentes se produisant dans le delta de temps indiqué. Cela peut être particulièrement utile pour un indice de fréquence temporelle non régulier. Il s'agit d'un indice de fréquence régulier. L'utilisation d'un paramètre de fenêtre entière fonctionne pour rouler le long de la fréquence de la fenêtre. La spécification d'un décalage permet une spécification plus intuitive de la fréquence de laminage. À l'aide d'un index non régulier, mais toujours monotone, rouler avec une fenêtre entière ne donne aucun calcul spécial. L'utilisation de la spécification de temps génère des fenêtres variables pour ces données clairsemées. De plus, nous permettons maintenant à un paramètre facultatif de spécifier une colonne (plutôt que la valeur par défaut de l'index) dans un DataFrame. Rolling vs Resampling en temps réel L'utilisation de. rolling () avec un index basé sur le temps est assez similaire au rééchantillonnage. Ils opèrent tous deux et exécutent des opérations réductrices sur des objets pandas indexés dans le temps. Lorsque vous utilisez. rolling () avec un décalage. Le décalage est un temps-delta. Prenez une fenêtre de recherche en arrière-à-temps, et agréger toutes les valeurs dans cette fenêtre (y compris le point final, mais pas le point de départ). C'est la nouvelle valeur à ce point dans le résultat. Il s'agit de fenêtres de taille variable dans l'espace temporel pour chaque point de l'entrée. Vous obtiendrez un résultat de la même taille que l'entrée. Lorsque vous utilisez. resample () avec un décalage. Construire un nouvel indice qui est la fréquence du décalage. Pour chaque intervalle de fréquences, les points d'agrégation de l'entrée à l'intérieur d'une fenêtre de recherche en arrière-dans-temps qui tombent dans ce bac. Le résultat de cette agrégation est la sortie pour ce point de fréquence. Les fenêtres sont de taille fixe dans l'espace fréquentiel. Votre résultat aura la forme d'une fréquence régulière entre le minimum et le maximum de l'objet d'entrée d'origine. Résumer. Rolling () est une opération de fenêtre temporelle, tandis que. resample () est une opération de fenêtre basée sur la fréquence. Centrer les fenêtres Par défaut, les étiquettes sont définies sur le bord droit de la fenêtre, mais un mot clé central est disponible afin que les étiquettes puissent être définies au centre. Fonctions de fenêtres binaires cov () et corr () peuvent calculer des statistiques de fenêtres mobiles sur deux séries ou toute combinaison de DataFrameSeries ou DataFrameDataFrame. Voici le comportement dans chaque cas: deux séries. Calculer la statistique pour l'appariement. DataFrameSeries. Calculer les statistiques pour chaque colonne du DataFrame avec la série passée, renvoyant ainsi un DataFrame. DataFrameDataFrame. Par défaut calculer la statistique pour les noms de colonne correspondants, en retournant un DataFrame. Si l'argument partagé pairwiseTrue est passé, calcule ensuite la statistique pour chaque paire de colonnes, renvoyant un Panel dont les éléments sont les dates en question (voir la section suivante). Calcul de covariances et de corrélations en paire par roulement Dans l'analyse de données financières et d'autres domaines, il est courant de calculer des matrices de covariance et de corrélation pour une collection de séries temporelles. Souvent, on s'intéresse également à la covariance de la fenêtre mobile et aux matrices de corrélation. Cela peut être fait en passant l'argument par mots clés pairwise, qui dans le cas des entrées DataFrame donnera un Panel dont les éléments sont les dates en question. Dans le cas d'un seul argument DataFrame, l'argument pairwise peut même être omis: Les valeurs manquantes sont ignorées et chaque entrée est calculée en utilisant les observations par paires complètes. Veuillez consulter la section de covariance pour les réserves associées à cette méthode de calcul des matrices de covariance et de corrélation. Mis à part de ne pas avoir un paramètre de fenêtre, ces fonctions ont les mêmes interfaces que leurs homologues de routage. Comme ci-dessus, les paramètres qu'ils acceptent tous sont: minperiods. Le seuil des points de données non nuls à exiger. Le paramètre par défaut est le minimum requis pour calculer la statistique. Aucun NaN ne sera produit une fois que des points de données non nuls de minperiods ont été vus. centre. Booléen, s'il faut définir les étiquettes au centre (par défaut, False) La sortie des méthodes. rolling et. expanding ne renvoie pas NaN si au moins des valeurs non null de minperiods sont présentes dans la fenêtre courante. Cela diffère de cumsum. Cumprod. Cummax. Et le cumin. Qui renvoient NaN dans la sortie chaque fois qu'un NaN est rencontré dans l'entrée. Une statistique de fenêtre en expansion sera plus stable (et moins sensible) que sa contrepartie de fenêtre de roulement, car la taille de fenêtre croissante diminue l'impact relatif d'un point de données individuel. A titre d'exemple, voici la moyenne () sortie pour le jeu de données de série chronologique précédente: Exponentially Weighted Windows Un ensemble de fonctions connexes sont exponentiellement pondéré versions de plusieurs des statistiques ci-dessus. Une interface similaire à. rolling et. expanding est accessible via la méthode. ewm pour recevoir un objet EWM. Un certain nombre de méthodes EW en expansion (exponentiellement pondérées) sont fournies:
No comments:
Post a Comment