การย้าย ค่าเฉลี่ย Simulink แบบ

ความรู้สึกอุณหภูมิห้องและจอแสดงผลใน LCD การใช้ Simulink และ Arduino UNO รูปที่ 8 แสดงรูปแบบ Simulink ที่สมบูรณ์สำหรับโครงการ มีฮาร์ดแวร์อยู่ 3 ส่วน - ข้อมูลจากเซ็นเซอร์จะอ่านข้อมูล - เป็นตัวกรองค่าเฉลี่ยเคลื่อนที่ เอาต์พุตฮาร์ดแวร์ - ข้อมูลที่ผ่านการประมวลผลจะถูกเขียนลงในจอภาพโดยใช้บล็อกนี้ ส่วนประกอบที่สำคัญอื่น ๆ ของโมเดลคือบล็อคอัตราการเปลี่ยนแปลง (กำหนดโดย RT) - ใช้เป็นสัญญาณที่มีอัตราต่างกัน บล็อคเครื่องกำเนิดการเรียกฟังก์ชัน (ระบุโดย f ()) - ใช้สำหรับเขียนข้อมูลในจอ LCD เฉพาะหลังจากช่วงเวลาที่กำหนด เวลานี้ควรเป็นจำนวนเต็มหลายครั้งของรอบเวลาของโปรแกรม ตอนนี้ไปที่บล็อกอินพุตฮาร์ดแวร์เราจะอ่านขาเข้าของเซ็นเซอร์อุณหภูมิ (เป็นขาอะนาล็อกที่เชื่อมต่อเซ็นเซอร์อุณหภูมิ) และข้อมูลขา LDR นอกจากนี้เรายังต้องแปลงข้อมูลอุณหภูมิเป็นองศาเซลเซียส ฉันใช้เซนเซอร์วัดอุณหภูมิ LM 35 และแผนภูมิการสอบเทียบสามารถใช้ได้ง่ายในอินเทอร์เน็ต (เพียง google) เราจำเป็นต้องใช้สูตรต่อไปนี้สำหรับการแปลง SensorReading ค่านี้จะได้รับจากเซ็นเซอร์ถัดไปคือตัวกรอง ที่นี่ฉันได้ใช้กรองเฉลี่ย 10 จุด คุณสามารถใช้ตัวกรองอื่นได้ด้วย (ดูภาพที่ 10) ในที่สุดเราจำเป็นต้องทำบางอย่างสำหรับการส่งข้อมูลไปยัง LCD เนื่องจาก Simulink ไม่สามารถส่งข้อมูลประเภทสตริงและถ่านได้เราต้องใช้วิธีอื่นแทน ที่นี่ฉันส่งค่า ASCII ของสิ่งที่จะพิมพ์ใน LCD ในกรณีนี้เราจำเป็นต้องสร้างตัวแปรรายชื่อที่ประกอบด้วยอักขระที่สามารถพิมพ์ด้วยค่า ASCII ได้ (เช่น A, a, B, b, Z, z, 0,1,2. และแน่นอนว่าเครื่องหมายทศนิยม (.) และช่องว่าง ()) ข้อมูลอุณหภูมิอยู่ในข้อมูลประเภทคู่และเราต้องแปลงเป็นข้อมูลสตริง ถ้าคุณเห็นรูปที่ 11 ขั้นตอนจะชัดเจน บัสใช้ในการแปลงข้อมูล 11 เป็นอาร์เรย์ สุดท้ายเราจะเชื่อมต่อบัสกับ S-Function ที่สร้างขึ้นในขั้นตอนก่อนหน้านี้ (ดูรูปที่ 12) ตอนนี้เราสามารถเรียกใช้แบบจำลองเพื่อดูผลลัพธ์ในรูปแบบการซื้อขาย LCD. First ค่าเฉลี่ยการเคลื่อนไหว Simulink กับรหัสแหล่งที่มา C ค่าเฉลี่ยเคลื่อนที่แรก Simulink รูปแบบการซื้อขายกับรหัสแหล่งที่มา C Last8230it อยู่ที่นี่ทั้งหมดสิ้นสมบูรณ์สิ้นสุดการแสดงภาพ (สร้างขึ้นภายใน Matlab8217s Simulink และ Stateflow ) ของแนวคิดการซื้อขายของคุณไปยัง C ในระบบปฏิบัติการใด ๆ รวมทั้ง Windows, Linux หรือแม้แต่ Mac OSX ตลอดหลายปีที่ผ่านมาในการสำรวจและค้นคว้านี่เป็นวิธีที่ดีที่สุดในการสร้างระบบการซื้อขายด้วยตนเองที่มีความเร็วสูงของคุณ นี่คือเหตุผลที่ผมมุ่งมั่นทั้งหมด 100 เรื่องในแนวทางใหม่นี้ในทางตรงกันข้ามกับวิธีการอื่น ๆ ที่มีเสียงดังและทำให้เสียสมาธิ 8216secondary8217 ฉันจะไม่ตั้งชื่อ ไม่เพียงแค่นั้นคุณสามารถใช้โมเดลภาพและรหัสเดียวกันกับฮาร์ดแวร์คำอธิบายภาษา (HDL) ให้กับผู้ผลิต FPGA ของคุณด้วย VHDL หรือ Verilog เนื่องจากฉันไม่มีความเชี่ยวชาญในด้านนี้ฉันจะปล่อยให้ผู้เชี่ยวชาญที่ฉันสามารถเข้าถึงเพื่อช่วยเมื่อจำเป็น เพียง FYI ที่ FPGA เป็นเวลาแฝงต่ำที่สุดพิเศษที่เป็นไปได้ผ่านทางฮาร์ดแวร์เฉพาะ ฉันหวังว่าวิดีโอนี้จะช่วยแสดงให้เห็นถึงความสามารถเหล่านี้ สำหรับผู้ที่สนใจไฟล์ตัวอย่างพวกเขาสามารถดาวน์โหลดได้จากสมาชิก ELITE Member ของฉัน n เราสามารถก้าวไปสู่ขั้นตอนต่อไปของการสร้างต้นแบบของกลยุทธ์ในโลกแห่งความเป็นจริงได้เช่น: โปรดจำไว้ว่าคำขอนี้ยังมีอยู่เช่นกัน: กลยุทธ์การซื้อขายในอนาคตทั้งหมดที่พัฒนาผ่าน Simulink จะได้รับการจัดหาให้กับสมาชิก Quant Elite ทุกคน ตอนนี้ฉันได้โพสต์ข้อความเตือนการค้าลงในบัญชี FACEBOOK ส่วนบุคคลและ TWITTER ของฉัน ไม่ต้องกังวลเพราะฉันโพสต์วิดีโอแมวโง่หรือสิ่งที่ฉันกินแบ่งปันนี้: เกี่ยวกับผู้เขียนสวัสดีฉันมีชื่อของฉันคือไบรอันดาวนิง ฉันเป็นส่วนหนึ่งของ บริษัท ที่เรียกว่า QuantLabs นี่คือโดยเฉพาะ บริษัท ที่มีบล็อกโปรไฟล์สูงเกี่ยวกับเทคโนโลยีการซื้อขายการเงินการลงทุน Quant ฯลฯ โพสต์สิ่งต่างๆเกี่ยวกับการสัมภาษณ์งานกับ บริษัท ขนาดใหญ่เช่น Morgan Stanley Bloomberg Citibank และ IBM นอกจากนี้ยังมีการโพสต์เคล็ดลับและเทคนิคที่ไม่เหมือนใครในการเขียนโปรแกรม Java, C หรือ C มันโพสต์เกี่ยวกับเทคนิคที่แตกต่างกันในการเรียนรู้เกี่ยวกับ Matlab และการสร้างแบบจำลองหรือกลยุทธ์ มีมากที่นี่ถ้าคุณเข้าสู่โลกการเงินเช่น quant หรือการวิเคราะห์ทางเทคนิค นอกจากนี้ยังกล่าวถึงรุ่นอนาคตของการซื้อขายและการเขียนโปรแกรมพิเศษ: C, Java, C, Matlab, quant, รุ่นกลยุทธ์การวิเคราะห์ทางเทคนิคลินุกซ์หน้าต่างพี. ฉันเป็นที่รู้จักว่าเป็นคนพิมพ์ดีดที่แย่ที่สุด อย่าโกรธเคืองเลยเพราะผมชอบที่จะปัดเป่าสิ่งต่างๆออกมาและนำสิ่งที่ฉันทำไปพิมพ์ดีด บางทีวันหนึ่งฉันจะได้รับโปรแกรมแก้ไขสำเนาเต็มเวลาเพื่อช่วยออก โปรดสังเกตว่าฉันชอบวิดีโอที่ง่ายกว่าในการผลิตเพื่อตรวจสอบวิดีโอจำนวนมากของฉันที่ youtubequantlabs ต้องการซื้อขายเช่นเจ้านายเรียนรู้ว่าความลับของ Algo สามารถช่วยเพิ่มชีวิตของคุณข้อมูลของคุณปลอดภัย 100 กับเราและจะไม่ถูกแชร์เอกสารวิธีการย้ายเฉลี่ย 8212 วิธีคำนวณค่าเฉลี่ยหน้าต่างบานเลื่อน (ค่าเริ่มต้น) น้ำหนักยกตัวอย่างเช่นหน้าต่างบานเลื่อน 8212 หน้าต่างความยาวความยาวของหน้าต่างจะเลื่อนไปตามข้อมูลการป้อนข้อมูลตามแต่ละช่อง สำหรับทุกตัวอย่างหน้าต่างจะเคลื่อนที่โดยบล็อกจะคำนวณค่าเฉลี่ยของข้อมูลในหน้าต่าง การแจกแจงแบบยกกำลัง 8212 ตัวคูณจะคูณตัวอย่างด้วยชุดของปัจจัยการถ่วงน้ำหนัก ความสำคัญของปัจจัยการถ่วงน้ำหนักลดลงอย่างมากเมื่ออายุของข้อมูลเพิ่มขึ้นไม่ถึงศูนย์ ในการคำนวณค่าเฉลี่ยอัลกอริทึมจะสรุปข้อมูลที่ถ่วงน้ำหนัก ระบุความยาวของหน้าต่าง 8212 แฟล็กเพื่อระบุความยาวของหน้าต่างที่ (ค่าดีฟอลต์) ปิดเมื่อคุณเลือกกล่องกาเครื่องหมายนี้ความยาวของหน้าต่างเลื่อนเท่ากับค่าที่คุณระบุในความยาวของหน้าต่าง เมื่อคุณล้างกล่องกาเครื่องหมายนี้ความยาวของหน้าต่างเลื่อนจะไม่มีที่สิ้นสุด ในโหมดนี้บล็อกคำนวณค่าเฉลี่ยของตัวอย่างปัจจุบันและตัวอย่างก่อนหน้าทั้งหมดในช่อง ความยาวของหน้าต่าง 8212 ความยาวของหน้าต่างบานเลื่อน 4 (ค่าเริ่มต้น) จำนวนเต็มบวกที่เป็นบวกความยาวของหน้าต่างระบุความยาวของหน้าต่างบานเลื่อน พารามิเตอร์นี้จะปรากฏขึ้นเมื่อคุณเลือกกล่องกาเครื่องหมายระบุความยาวของหน้าต่าง ตัวนับลืม 8212 ปัจจัยการถ่วงน้ำหนักแบบอาร์กิวเมนต์ 0.9 (ค่าเริ่มต้น) เป็นค่าบวกจริงในช่วง (0.1 พารามิเตอร์นี้ใช้เมื่อคุณตั้งค่าวิธีการให้น้ำหนักแบบเลขยกกำลังปัจจัยที่ลืม 0.9 จะให้น้ำหนักแก่ข้อมูลเก่ามากกว่าปัจจัยที่ลืม 0.1 ปัจจัยการลืมของ 1.0 แสดงถึงหน่วยความจำแบบไม่มีที่สิ้นสุดตัวอย่างก่อนหน้าทั้งหมดจะได้รับน้ำหนักเท่ากันพารามิเตอร์นี้สามารถปรับได้คุณสามารถเปลี่ยนค่าได้แม้ในระหว่างการจำลองการจำลองโดยใช้ 8212 ประเภทของการจำลองเพื่อเรียกใช้การสร้างโค้ด (ดีฟอลต์) การตีความการดำเนินการจำลอง โดยใช้รหัส C ที่สร้างขึ้นครั้งแรกที่คุณเรียกใช้การจำลอง Simulink x00AE สร้างโค้ด C สำหรับบล็อกโค้ด C จะถูกนำมาใช้ซ้ำสำหรับการจำลองตามมาตราบใดที่โมเดลไม่เปลี่ยนแปลงตัวเลือกนี้ต้องการเวลาเริ่มต้นเพิ่มเติม แต่ให้เร็วขึ้น ความเร็วในการจำลองมากกว่าการแปลผลจำลองโดยใช้ตัวแปลล่าม x00AE ของ MATLAB ตัวเลือกนี้จะลดเวลาในการเริ่มต้น แต่มีความเร็วในการจำลองช้ากว่ารหัส รุ่น ข้อมูลเพิ่มเติมเกี่ยวกับอัลกอริทึมการเลื่อนหน้าต่างวิธีการในวิธีการของหน้าต่างแบบเลื่อนออกผลลัพธ์สำหรับแต่ละอินพุทคือค่าเฉลี่ยของตัวอย่างปัจจุบันและตัวอย่างก่อนหน้า Len-1 Len คือความยาวของหน้าต่าง ในการคำนวณผลลัพท์แรกของ Len - 1 เมื่อหน้าต่างไม่มีข้อมูลเพียงพอขั้นตอนวิธีจะเติมหน้าต่างด้วยศูนย์ ตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเมื่อป้อนข้อมูลตัวอย่างที่สองเข้ามาอัลกอริทึมจะเติมหน้าต่างด้วยค่า Len-2 zeros เวกเตอร์ข้อมูล x เป็นตัวอย่างข้อมูลสองชุดตามด้วย Len - 2 zeros เมื่อคุณตั้งค่าคุณสมบัติ SpecifyWindowLength เป็น false อัลกอริทึมจะเลือกความยาวของหน้าต่างที่ไม่มีที่สิ้นสุด ในโหมดนี้ผลลัพธ์คือค่าเฉลี่ยเคลื่อนที่ของตัวอย่างปัจจุบันและตัวอย่างก่อนหน้าทั้งหมดในช่อง วิธีการถ่วงน้ำหนักแบบเสวนา (Exponential Weighting Method) ในวิธีการถ่วงน้ำหนักแบบเสวนาค่าเฉลี่ยเคลื่อนที่จะคำนวณโดยใช้สูตรดังต่อไปนี้: w N. x03BB x03BB ใน N x2212 1. x03BB 1. x x00AF N. x03BB (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB (1 n N. x03BB) x N x x00AF N. x03BB 8212 ค่าเฉลี่ยเคลื่อนที่ที่ตัวอย่างปัจจุบัน x N 8212 ตัวอย่างข้อมูลปัจจุบัน x x00AF N x2212 1. x03BB 8212 ค่าเฉลี่ยเคลื่อนที่ที่ตัวอย่างก่อนหน้า 955 8212 การลืมค่า w N. x03BB 8212 ปัจจัยการถ่วงน้ำหนักที่ใช้กับตัวอย่างข้อมูลปัจจุบัน (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB 8212 ผลของข้อมูลก่อนหน้านี้โดยเฉลี่ยสำหรับตัวอย่างแรกที่ N 1 ขั้นตอนวิธีเลือก w N. x03BB 1. สำหรับตัวอย่างถัดไปจะมีการปรับปรุงข้อมูลและใช้ค่าน้ำหนักถ่วงน้ำหนักตามสมการ recursive เมื่ออายุของข้อมูลเพิ่มขึ้นขนาดของปัจจัยการถ่วงน้ำหนักลดลงอย่างมากและไม่ถึงศูนย์ กล่าวอีกนัยหนึ่งข้อมูลล่าสุดมีอิทธิพลต่อค่าเฉลี่ยปัจจุบันมากกว่าข้อมูลที่เก่ากว่า ค่าของปัจจัยการลืมกำหนดอัตราการเปลี่ยนแปลงของปัจจัยการถ่วงน้ำหนัก ปัจจัยที่ทำให้ลืม 0.9 จะให้น้ำหนักแก่ข้อมูลเก่ามากกว่าปัจจัยที่ลืม 0.1 ปัจจัยที่ลืม 1.0 แสดงถึงหน่วยความจำแบบไม่มีที่สิ้นสุด ตัวอย่างทั้งหมดก่อนหน้านี้มีน้ำหนักเท่ากัน อ็อบเจ็กต์ของระบบเลือกประเทศของคุณ.2.1โมเดลเฉลี่ยเคลื่อนไหว (รุ่น MA) โมเดลชุดข้อมูลเวลาที่รู้จักกันในชื่อ ARIMA อาจรวมถึงข้อกำหนดอัตโนมัติและหรือข้อกำหนดเฉลี่ยเคลื่อนไหว ในสัปดาห์ที่ 1 เราได้เรียนรู้คำอัตโนมัติในรูปแบบชุดเวลาสำหรับตัวแปร x t เป็นค่า lag ของ x t ตัวอย่างเช่นคำจำกัดความที่ล่าช้า 1 คือ x t-1 (คูณด้วยสัมประสิทธิ์) บทเรียนนี้กำหนดคำศัพท์เฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่ในรูปแบบของชุดเวลาเป็นข้อผิดพลาดที่ผ่านมา (คูณด้วยสัมประสิทธิ์) อนุญาต (wt overset N (0, sigma2w)) ซึ่งหมายความว่า w w เป็นเหมือนกันกระจายอย่างอิสระแต่ละอันมีการแจกแจงแบบปกติมีค่าเฉลี่ย 0 และค่าความแปรปรวนเดียวกัน รูปแบบการเคลื่อนที่โดยเฉลี่ยที่ 1 แสดงโดย MA (1) คือ (xt mu wt theta1w) รูปแบบการเคลื่อนที่โดยเฉลี่ยแบบที่ 2 แสดงโดย MA (2) คือ (xt mu wt theta1w theta2w) , แสดงโดย MA (q) คือ (xt หมู่น้ำหนักเบา theta1w theta2w จุด thetaqu) หมายเหตุ ตำราเรียนและโปรแกรมซอฟต์แวร์จำนวนมากกำหนดรูปแบบที่มีสัญญาณเชิงลบก่อนข้อกำหนด นี้ไม่ได้เปลี่ยนคุณสมบัติทางทฤษฎีทั่วไปของรูปแบบแม้ว่าจะไม่พลิกสัญญาณเกี่ยวกับพีชคณิตของค่าสัมประสิทธิ์ประมาณและเงื่อนไข (unsquared) ในสูตรสำหรับ ACFs และความแปรปรวน คุณจำเป็นต้องตรวจสอบซอฟต์แวร์ของคุณเพื่อตรวจสอบว่ามีการใช้เครื่องหมายเชิงลบหรือบวกในการเขียนแบบจำลองที่ถูกต้องหรือไม่ R ใช้เครื่องหมายบวกในโมเดลต้นแบบดังที่เราทำที่นี่ คุณสมบัติเชิงทฤษฎีของซีรี่ส์เวลากับแบบ MA (1) โปรดทราบว่าค่าที่ไม่ใช่ศูนย์เดียวใน ACF ทางทฤษฎีเป็นค่าความล่าช้า 1 autocorrelations อื่น ๆ ทั้งหมดเป็น 0 ดังนั้นตัวอย่าง ACF กับ autocorrelation อย่างมีนัยสำคัญเท่านั้นที่ล่าช้า 1 เป็นตัวบ่งชี้ของรูปแบบที่เป็นไปได้ MA (1) สำหรับนักเรียนที่สนใจการพิสูจน์คุณสมบัติเหล่านี้เป็นส่วนเสริมของเอกสารฉบับนี้ ตัวอย่างที่ 1 สมมติว่าแบบจำลอง MA (1) คือ x t 10 w t .7 w t-1 ที่ไหน (น้ำหนักเกิน N (0,1)) ดังนั้นค่าสัมประสิทธิ์ 1 0.7 ทฤษฎี ACF ได้รับโดยพล็อตของ ACF นี้ดังนี้ พล็อตที่แสดงให้เห็นคือทฤษฎี ACF สำหรับ MA (1) กับ 1 0.7 ในทางปฏิบัติตัวอย่างมักไม่ค่อยให้รูปแบบที่ชัดเจนเช่นนี้ ใช้ R เราจำลองค่า n 100 ตัวอย่างโดยใช้โมเดล x t 10 w t .7 w t-1 โดยที่ w t iid N (0,1) สำหรับการจำลองแบบนี้ข้อมูลพร็อพเพอร์ตี้ตามเวลาจะเป็นดังนี้ เราไม่สามารถบอกได้มากจากพล็อตนี้ ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ เราจะเห็นการเพิ่มขึ้นของความล่าช้าที่ 1 ตามด้วยค่าที่ไม่ใช่นัยสำคัญสำหรับความล่าช้าในอดีต 1. โปรดทราบว่าตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีของ MA ต้นแบบ (1) ซึ่งเป็นค่าความสัมพันธ์ระหว่างความล่าช้าทั้งหมดที่ผ่านมา 1 จะเป็น 0 ตัวอย่างที่แตกต่างกันจะมีตัวอย่าง ACF ที่แตกต่างกันเล็กน้อยที่แสดงด้านล่าง แต่อาจมีลักษณะกว้างเช่นเดียวกัน สมบัติทางทฤษฎีของแบบเวลากับแบบ MA (2) สำหรับแบบจำลอง MA (2) คุณสมบัติทางทฤษฎีมีดังต่อไปนี้: โปรดทราบว่าเฉพาะค่าที่ไม่ใช่ศูนย์ใน ACF ทางทฤษฎีเท่านั้นสำหรับการล่าช้า 1 และ 2 ค่าความสัมพันธ์กับความล่าช้าที่สูงขึ้นคือ 0 ดังนั้น ACF ตัวอย่างกับ autocorrelations อย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 แต่ autocorrelations ที่ไม่สำคัญสำหรับความล่าช้าสูงแสดงให้เห็นถึงรูปแบบที่เป็นไปได้ MA (2) iid N (0,1) ค่าสัมประสิทธิ์คือ 1 0.5 และ 2 0.3 เนื่องจากนี่คือ MA (2) ทฤษฎี ACF จะมีค่าที่ไม่ใช่ศูนย์เฉพาะที่ล่าช้า 1 และ 2 ค่าของสอง autocorrelations ไม่ใช่ศูนย์เป็นพล็อต ACF ตามทฤษฎี เกือบตลอดเวลาเป็นกรณีตัวอย่างข้อมูลเคยชินทำงานค่อนข้างสมบูรณ์เพื่อเป็นทฤษฎี เราจำลองค่าตัวอย่าง 150 ตัวอย่างสำหรับรุ่น x t 10 w t .5 w t-1 .3 w t-2 โดยที่ w t iid N (0,1) พล็อตชุดข้อมูลตามลำดับ เช่นเดียวกับชุดข้อมูลอนุกรมเวลาสำหรับข้อมูลตัวอย่าง MA (1) คุณไม่สามารถบอกได้มากจากข้อมูล ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ รูปแบบเป็นเรื่องปกติสำหรับสถานการณ์ที่โมเดล MA (2) อาจเป็นประโยชน์ มีสอง spikes ที่สำคัญอย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 ตามด้วยค่าที่ไม่สำคัญสำหรับความล่าช้าอื่น ๆ โปรดทราบว่าเนื่องจากข้อผิดพลาดในการสุ่มตัวอย่างตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีเลย ACF for General MA (q) Models คุณสมบัติของโมเดล MA (q) โดยทั่วไปคือมีความสัมพันธ์กับค่าที่ไม่ใช่ศูนย์สำหรับ q lags แรกและ autocorrelations 0 สำหรับ lags ทั้งหมด gtq ความไม่เป็นเอกลักษณ์ของการเชื่อมต่อระหว่างค่า 1 และ (rho1) ในรูปแบบ MA (1) ในรูปแบบ MA (1) สำหรับค่า 1 1 1 ซึ่งกันและกันให้ค่าเช่นเดียวกับตัวอย่างให้ใช้ 0.5 เป็นเวลา 1 จากนั้นใช้ 1 (0.5) 2 เป็นเวลา 1 คุณจะได้รับ (rho1) 0.4 ในทั้งสองกรณี เพื่อตอบสนองข้อ จำกัด ทางทฤษฎีที่เรียกว่า invertibility เรา จำกัด โมเดล MA (1) ให้มีค่าที่มีค่าสัมบูรณ์น้อยกว่า 1. ในตัวอย่างที่ให้ไว้เพียงแค่ 1 0.5 จะเป็นค่าพารามิเตอร์ที่ยอมให้ใช้ได้ในขณะที่ 1 10.5 2 จะไม่ ความผันแปรของรูปแบบ MA แบบจำลอง MA กล่าวได้ว่าเป็น invertible ถ้าเป็นพีชคณิตเทียบเท่ากับรูปแบบ AR อนันต์ converging โดยการบรรจบกันเราหมายถึงค่าสัมประสิทธิ์ของ AR ลดลงเป็น 0 เมื่อเราเคลื่อนที่ย้อนเวลากลับ Invertibility คือข้อจํากัดที่ตั้งโปรแกรมเป็นซอฟต์แวร์ชุดเวลาที่ใช้ในการประมาณสัมประสิทธิ์ของแบบจำลองที่มีเงื่อนไขของ MA ไม่ใช่สิ่งที่เราตรวจสอบในการวิเคราะห์ข้อมูล ข้อมูลเพิ่มเติมเกี่ยวกับข้อ จำกัด ของการไม่สามารถซ่อนได้ของแบบจำลอง MA (1) จะได้รับในภาคผนวก ทฤษฎีขั้นสูงหมายเหตุ สำหรับแบบจำลอง MA (q) ที่มี ACF ที่ระบุมีรูปแบบที่มีการเปลี่ยนแปลงได้เพียงแบบเดียว เงื่อนไขที่จำเป็นสำหรับ invertibility คือสัมประสิทธิ์มีค่าเช่นว่าสมการ 1- 1 y - - q y q 0 มีคำตอบสำหรับ y ที่อยู่นอกวงกลมหน่วย R รหัสสำหรับตัวอย่างในตัวอย่างที่ 1 เราได้วางแผนทฤษฎี ACF ของโมเดล x t 10 w t 7w t-1 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ที่ใช้ในการวางแผน ACF ทางทฤษฎีคือ acfma1ARMAacf (mac (0.7), lag. max10) 10 ACL ล่าช้าสำหรับ MA (1) กับ theta1 0.7 lags0: 10 สร้างตัวแปรล่าช้าที่มีตั้งแต่ 0 ถึง 10 (h0) เพิ่มแกนนอนลงในพล็อตคำสั่งแรกกำหนด ACF และจัดเก็บไว้ในอ็อบเจกต์ (ACF) และจะมีการจัดเก็บข้อมูลไว้ในออปเจ็กต์ (acfma1, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (1) ด้วย theta1 0.7) ชื่อ acfma1 (เลือกชื่อของเรา) พล็อตคำสั่ง (คำสั่งที่ 3) แปลงล่าช้ากับค่า ACF สำหรับล่าช้า 1 ถึง 10 พารามิเตอร์ ylab ตั้งชื่อแกน y และพารามิเตอร์หลักจะทำให้ชื่อเรื่องเป็นพล็อต หากต้องการดูค่าตัวเลขของ ACF เพียงแค่ใช้คำสั่ง acfma1 การจำลองและแปลงทำตามคำสั่งต่อไปนี้ xcarima. sim (n150 รายการ (mac (0.7))) เลียนแบบ n 150 ค่าจาก MA (1) xxc10 เพิ่ม 10 เพื่อให้ค่าเฉลี่ย 10. ค่าเริ่มต้นของการจำลองจะหมายถึง 0. plot (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลตัวอย่างจำลอง) ในตัวอย่างที่ 2 เราวางแผนใช้ทฤษฎี ACF ของโมเดล xt 10 wt .5 w t-1 .3 w t-2 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ใช้คือ acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 พล็อต (ล่าช้า acfma2, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (2) กับ theta1 0.5, theta20.3) abline (h0) xcarima. sim (n150 รายการ (mac (0.5, 0.3))) xxc10 พล็อต (x, typeb, หลักจำลองแมสซาชูเซตส์ (2) ซีรี่ส์) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลจำลอง MA (2)) ภาคผนวก: การพิสูจน์คุณสมบัติของ MA (1) สำหรับนักเรียนที่สนใจนี่เป็นหลักฐานสำหรับคุณสมบัติทางทฤษฎีของโมเดล MA (1) ความแปรปรวน: (text (xt) text (mu wt theta1 w) ข้อความ 0 (wt) text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) เมื่อ h 1 นิพจน์ก่อนหน้านี้ 1 w 2. สำหรับ h 2 ใด ๆ นิพจน์ก่อนหน้า 0 เหตุผลก็คือตามนิยามของความเป็นอิสระของน้ำหนัก E (w k w j) 0 สำหรับ k j ใด ๆ นอกจากนี้เนื่องจาก w t มีค่าเฉลี่ยเป็น 0, E (w j w j) E (w j 2) w 2 สำหรับซีรี่ส์เวลาให้ใช้ผลลัพธ์นี้เพื่อให้ได้ ACF ที่ระบุไว้ด้านบน รูปแบบแมสซาชูเซตแบบพลิกกลับเป็นแบบที่สามารถเขียนเป็นแบบจำลอง AR ที่ไม่มีที่สิ้นสุดซึ่งจะมาบรรจบกันเพื่อให้ค่าสัมประสิทธิ์ AR แปรผันไปเป็น 0 เมื่อเราเคลื่อนตัวกลับตามเวลาอนันต์ แสดงให้เห็นถึงความสามารถในการพลิกกลับของ MA (1) ได้ดี จากนั้นเราจะแทนความสัมพันธ์ (2) สำหรับ w t-1 ในสมการ (1) (3) (zt wt theta1 (z-theta1w) wt theta1z - theta2w) ณ เวลา t-2 สมการ (2) กลายเป็นเราแทนความสัมพันธ์ (4) สำหรับ w t-2 ในสมการ (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) ถ้าเราจะดำเนินการต่อ อนันต์) เราจะได้รับแบบอนุกรม AR อนันต์ (zt wt theta1 z - theta21z theta31z - theta41z จุด) หมายเหตุ แต่ที่ 1 1 สัมประสิทธิ์คูณความล่าช้าของ z จะเพิ่มขึ้น (อนันต์) ในขนาดที่เราย้ายกลับมา เวลา. เพื่อป้องกันปัญหานี้เราต้องใช้ 1 lt1 นี่เป็นเงื่อนไขสำหรับรูปแบบ MA (1) ที่มองไม่เห็น รูปแบบการสั่งซื้อ Infinite Order ในสัปดาห์ที่ 3 ให้ดูว่าแบบจำลอง AR (1) สามารถแปลงเป็นแบบจำลอง MA อนันต์: (xt - mu wt phi1w phi21w dots phik1 w counts sum phij1w) ข้อสรุปของคำพูดเสียงสีขาวที่ผ่านมาเป็นที่รู้จักกัน เป็นตัวแทนเชิงสาเหตุของ AR (1) กล่าวอีกนัยหนึ่ง x t เป็น MA ชนิดพิเศษที่มีจำนวนอนันต์ที่จะย้อนกลับไปในเวลา นี่เรียกว่าลำดับ MA หรือ MA () ที่ไม่มีขีด จำกัด คำสั่งที่แน่นอนคือแมสซาชูเซตส์อนันต์ลำดับ AR และคำสั่งใด ๆ ที่ จำกัด AR เป็นลำดับที่ไม่มีขีด จำกัด MA จำได้ว่าในสัปดาห์ที่ 1 เราสังเกตเห็นว่าข้อกำหนดสำหรับ AR (1) ที่หยุดนิ่งคือ 1 lt1 ให้คำนวณ Var (x t) โดยใช้การแทนสาเหตุ ขั้นตอนสุดท้ายนี้ใช้ข้อเท็จจริงพื้นฐานเกี่ยวกับชุดข้อมูลทางเรขาคณิตที่ต้องใช้ (phi1lt1) มิฉะนั้นชุดข้อมูลจะแตกต่างออกไป การเดินเรือ