Rolling-Window分析时间序列模型
Rolling-window分析时间序列模型的评估:
模型的稳定性。一个共同的时间序列模型假设是关于时间系数是常数。检查不检查是否定常系数。
模型的预测精度。
Rolling-Window分析参数的稳定性
假设你有数据样本中所有的时间。检查时间序列模型的稳定使用滚动窗口:
选择一个滚动窗口大小,米,即,the number of consecutive observation per rolling window. The size of the rolling window will depend on the sample size,T和周期性的数据。一般而言,您可以使用一个简短的滚动窗口大小,在很短的时间内,收集的数据和大数据收集时间间隔。时间滚动窗口大小往往比短收益平滑滚动窗口估计尺寸。
假设连续滚动窗口之间的增量的数量是1,那么整个数据集分割成N=T- - - - - -米+ 1次级样本。第一个滚动窗口包含观测周期1米,第二个滚动窗口包含第二时期通过的观察米+ 1,等等。
有变化的分区,例如,而不是提前一观察,你能把四季度数据的观测。
使用每个滚动窗口次级样本估计模型。
阴谋每个估计和逐点地置信区间(即, 滚动窗口)指数,看看估计随着时间的变化。你应该期待一个小波动,但波动大或趋势表明,参数可能随时间变化的。
为更多的细节在评估使用滚动窗口模型的稳定性分析,明白了[1]。
滚动窗口分析预测性能
假设你有数据样本中所有的时间。你可以val检查几个时间序列模型的预测性能使用滚动窗口。这些步骤,val提纲。
选择一个滚动窗口大小,米,即,the number of consecutive observation per rolling window. The size of the rolling window depends on the sample size,T和周期性的数据。一般而言,您可以使用一个简短的滚动窗口大小,在很短的时间内,收集的数据和大数据收集时间间隔。时间滚动窗口大小往往比短收益平滑滚动窗口估计尺寸。
选择一个预测地平线,h。预测地平线取决于应用程序和数据的周期性。以下说明滚动窗口分区数据集。
如果连续滚动窗口之间增加的数量是1,那么整个数据集分割成N=T- - - - - -米+ 1次级样本。第一个滚动窗口包含观测周期1米,第二个滚动窗口包含第二时期通过的观察米+ 1,等等。这个数字说明了分区。
有变化的分区,例如,而不是提前一观察,你能把四季度数据的观测。
对于每一个滚动窗口子样品:
估计每个模型。
估计h提前预测。
计算每个预测,预测错误 ,地点:
e新泽西滚动窗口的预测误差n为j提前预测。
y是响应。
是j子样品提前预测的滚动窗口n。
计算根预测均方误差(rmse)使用每个提前预报预测错误类型。换句话说,
比较模型之间的均方根。模型组最低的rms有最好的预测性能。
val的更多细节,请参阅[1]。
引用
[1]Zivot E。,and J. Wang.金融时间序列建模S_PLUS®。第二版。纽约:施普林格科学+商业媒体,Inc ., 2006年。