Pracuję z procesem z w dla { 1 , - 1 } t = 1 , 2 , …
Funkcja autokorelacji wskazuje na proces z długą pamięcią, tzn. Wyświetla rozpad prawa mocy z wykładnikiem <1. Można symulować podobną serię w R za pomocą:
> library(fArma)
> x<-fgnSim(10000,H=0.8)
> x<-sign(x)
> acf(x)
Moje pytanie: czy istnieje kanoniczny sposób optymalnego przewidzenia kolejnej wartości w szeregu, biorąc pod uwagę tylko funkcję autokorelacji? Jednym ze sposobów przewidzenia jest po prostu użycie
który ma współczynnik klasyfikacji , gdzie jest autokorelacją lag-1, ale wydaje mi się, że lepiej być w stanie zrobić lepiej, biorąc pod uwagę strukturę długiej pamięci.ρ
time-series
predictive-models
autocorrelation
Chris Taylor
źródło
źródło
fracdiff
Odpowiedzi:
Czy próbowałeś już „Łańcuchy Markowa o zmiennej długości”, VLMC Artykuł jest „Łańcuchy Markowa o zmiennej długości: metodologia, obliczenia i oprogramowanie”, Martin MACHLER i Peter BUHLMANN, 2004, Journal of Computational and Graphical Statistics, t. 13, nr 2.
źródło