AFML读书笔记--Fractionally Differentiated Features

Advance Finance Machine Learning读书笔记

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。

本人失业在家，正在读刚买的Advance Finance Machine Learning（AFML），基于此书全是英文，有些知识点需要再次整理与巩固，所以写一下这个系列。
之前有搜到大神weixin_38753422的AFML系列。写得很详细并且有代码和图片解释，链接在此
此系列从Part 1 Chapter 3开始写起，Chapter3之前内容可以在上面的链接里看到。（注意并不是所有内容的整理，而是我个人觉得需要整理的内容）

本文讲的时Part 1 Chapter 5 Fractionally Differentiated Features(特征差分)

为何进行特征差分，具体怎么差分才好？

金融数据都是不平稳的，为了进行分析以及ML，必须要将数据转换成平稳的（stationary）
人们为了得到平稳的时间序列，会做一阶差分，不行就二阶。总之就是整数阶差分（Integer Differentiation）
但是这么做是错的，错在何处？ 为了得到平稳性，舍弃了时间序列的Memory（历史记忆），作者认为价格之间是有记忆的。今天的价格是基于之前的价格形成的。

接下来要做的就是对数据进行平稳性转换，并且同时尽可能保存数据的Memory

公式推导前期铺垫

后移算子 $B$

时间序列 { X t } \{X_t\} { Xt​}

$B^k{X}_t=X_{t-k}$
例子：①$B^2{X}_t=X_{t-2}$ ，
   ②$(1-B{)}^2{X}_t=X_t-2X_{t-1}+X_{t-2}$

大家再回忆一下高中学的二项式定理
例子：$(1+x{)}^d={\sum }_{k=0}^{\infty }(C_d^k)x^k$

下面是差分的公式推导（想不明白多想几遍）

$(1-B{)}^d={\sum }_{k=0}^{\infty }(C_d^k)(-B{)}^k$

     $={\sum }_{k=0}^{\infty }(\frac{{\prod }_{i=0}^{k-1}}{k!})(-B{)}^k$

     $={\sum }_{k=0}^{\infty }(-B{)}^k{\prod }_{i=0}^{k-1}\frac{d-i}{k-i}$

     $=1-$