ymengm的博客

卡方检验可以用于检验两个变量之间有没有关系

自己做的题目，把CSDN当笔记本用

两个移动平均法

常见线性回归系数的解释

收益率一、简单收益率 RtR_{t}Rt​设资产的价格序列为 {PtP_{t}Pt​}，简单收益率为 {RtR_{t}Rt​}在 (t−1,t](t-1,t](t−1,t] 上两者关系如下：Rt=Pt−Pt−1Pt−1R_{t} = \frac{P_{t}-P_{t-1}}{P_{t-1}}Rt​=Pt−1​Pt​−Pt−1​​在 (t−k,t](t-k,t](t−k,t] 上两者关系如下：Rt[k]=Pt−Pt−kPt−kR_{t}[k] = \frac{P_{t}-P_{t-k}}{P_{t

白噪声一、白噪声定义及性质在时间序列中，最简单的平稳过程(纯随机过程)就是白噪声过程(White Noise)，具体如下：{Zt{Z_{t}}Zt​} 是白噪声过程，如果满足：E(Zt)=0E(Z_{t})=0E(Zt​)=0 Var(Zt)=σz2Var(Z_{t})=\sigma_{z}^{2}Var(Zt​)=σz2​ Cov(Zt,Zs)=0,t≠sCov(Z_{t},Z_{s})=0 ,t\neq sCov(Zt​,Zs​)=0,t​=s也就是均值为0，方差为 σz2\sigma_{z}

指数平滑法的三种类型

对于ARMA(p,q) 模型：其中：我们可以进行如下操作：为了方便说明我这里使用的例子是ARIMA(0,1,1) 模型 这里就可以看出和指数平滑有关系了！后面的下次有时间再写...

ARIMA(p,d,q)模型一、ARIMA模型建模的基本步骤首先导入数据，构造时间序列；绘制时间序列数据的时序图、ACFACFACF 图以及 PACFPACFPACF 图，观察时间序列是否平稳，如果是趋势非平稳则做趋势差分或者对数变换消除趋势，如果是季节非平稳则做季节差分消除趋势；如果序列方差不稳定，可用 Box-Cox 变换再做差分；对平稳后的序列定阶，即确定 ARIMA(p,d,q) 模型中的 p,d,q ；建立 ARIMA 模型，估计出模型的系数；检验模型的残差是否是白噪声，若不是则重