Метод_указан_ЛР_Анализ_ВР2_ИУ_Лабунец (Методические указания к выполнению лабораторных работ)
Описание файла
Файл "Метод_указан_ЛР_Анализ_ВР2_ИУ_Лабунец" внутри архива находится в папке "Методические указания к выполнению лабораторных работ". Документ из архива "Методические указания к выполнению лабораторных работ", который расположен в категории "". Всё это находится в предмете "анализ временных рядов" из 11 семестр (3 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "книги и методические указания", в предмете "анализ временных рядов" в общих файлах.
Онлайн просмотр документа "Метод_указан_ЛР_Анализ_ВР2_ИУ_Лабунец"
Текст из документа "Метод_указан_ЛР_Анализ_ВР2_ИУ_Лабунец"
2 Лабораторная работа № 2
«Модели волотильности нестационарных временных рядов»
Меры волатильности НВР характеризуют степень разброса данных относительно тренда [1 - 4]. С практической точки зрения эти статистики определяют уровни риска аномального функционирования объекта анализа в результате отклонения истинных значений НВР от его средних величин.
2.1 Цели работы
2.1.1 Изучение моделей и методов формирования волатильности НВР.
2.1.2 Приобретение навыков выборочного оценивания дисперсии и среднего квадрата ошибки (СКО) НВР в пакете «STATISTICA».
2.2 Задачи работы
2.2.1 Формирование непараметрических моделей дисперсии НВР в пакете «STATISTICA».
2.2.2 Формирование параметрических моделей СКО временного ряда в пакете «STATISTICA».
2.2.3 Формирование центрированного и нормированного временного ряда и анализ его описательных статистик.
2.2.4 Формирование моделей линий поддержки и сопротивления НВР по заданной доверительной вероятности.
2.3 Теоретическая часть
Цифровую модель волатильности НВР представим как результат сглаживания квадратов остаточного ряда . В рамках процедуры цифровой фильтрации эту модель описывает уравнение [5]
аналогичное (1.1). Здесь - импульсная характеристика ЦФ, формирующего оценку меры волатильности ряда. Следует отметить, что с методической точки зрения такого рода оценка хорошо согласуется с семейством моделей авторегрессионной условной неоднородности (AutoRegressive Conditional Heteroscedasticity - ARCH).
Начальная оценка масштаба данных, как правило, не является окончательной, поскольку нормированные квадраты остаточного ряда не удовлетворяют критерию
Эффективное нормирование остатков выполняет рекуррентная процедура сглаживания [5]
Критерии завершения итераций имеют вид
или
где и - выбранные пользователем достаточно малые, положительные уровни значимости критериев; I – финальная итерация сглаживания. В отличие от модели тренда (1.3), финальную оценку меры волатильности НВР рассчитывают по мультипликативной формуле
поскольку эта статистика характеризует масштаб данных. Очевидно, что центрированная и нормированная структурная компонента
представляет собой остаточный ВР стационарный по критериям тренда и меры волатильности.
Наличие оценок тренда и СКО исходных данных позволяет сформировать модели линий поддержки и сопротивления НВР. Линия поддержки (сопротивления) (Support Line – SL / Resistance Line - RL) – это плавная линия, проходящая в окрестности значимых минимумов (максимумов) НВР. Данные могут опускаться ниже линии поддержки (подниматься выше линии сопротивления) с достаточно малой заданной вероятностью. Модели линий поддержки и сопротивления рационально представить в виде
Числовые коэффициенты S и R оценивают по заданным вероятностям
т.е. с помощью персентилей гистограммной оценки плотности распределения вероятностей центрированного и нормированного ВР . Доверительную вероятность попадания значений НВР в доверительный интервал, образованный линиями поддержки и сопротивления, оценивают по формуле
2.4 Практическая часть
Практическая часть лабораторной работы выполняется в среде пакета статистического анализа данных «Statistica 6» [6 - 8].
Непараметрическое оценивание дисперсии НВР
В соответствии с (2.1) возведем в квадрат остаточный временной ряд.
Рисунок 2.1 – Квадрат остаточного временного ряда
Выполним сглаживание квадрата остатка с помощью SMA c интервалами сглаживания 12 и 24 отсчета НВР.
Рисунок 2.2 – Закладка сглаживания ВР на инструментальной панели
Соответствующие результаты выборочного оценивания дисперсии с помощью SMA с параметрами сглаживания 12 и 24 представлены на рисунке 2.3.
а) | б) |
Рисунок 2.3 – Непараметрические оценки дисперсии НВР:
а) – SMA(12, 6); б) – SMA(24, 12)
Полученные оценки демонстрируют тенденцию к увеличению степени гладкости оценки по мере увеличения параметра сглаживания. Вместе с тем, непараметрические оценки обладают известным недостатком, а именно, не охватывают граничные сегменты НВР. Для устранения этого недостатка аппроксимируем одну из непараметрических оценок дисперсии некоторой параметрической моделью.
Исследуем гипотезу о том, что дисперсия имеет экспоненциальный темп изменения. Для проверки этого предположения прологарифмируем оценку дисперсии SMA(24, 12) и проанализируем, насколько результат такого преобразования согласуется с линейной моделью.
а) | б) |
Рисунок 2.4 – Аппроксимация непараметрической оценки дисперсии НВР
в логарифмическом масштабе: а) – линейная; б) – полиномиальная
Для увеличения точности описания исследуем альтернативную аппроксимацию непараметрической оценки дисперсии НВР в логарифмическом масштабе с помощью полинома. Очевидно, что в логарифмическом масштабе кубическая зависимость достаточно хорошо описывает первоначальную непараметрическую оценку дисперсии НВР.
Полученную модель сохраним в таблице в отдельном столбце. Для этого формулу в подзаголовке рисунка скопируем в буфер и поместим в окно редактирования инструментальной панели столбца.
Рисунок 2.5 – Копирование формулы из подзаголовка рисунка
Важно отметить, что формулу необходимо редактировать, применяя операции извлечения корня квадратного и потенцирования Sqrt( Exp(…) ) для формирования оценки СКО. Кроме того, переменную x необходимо заменить переменной v1, которая идентифицирует первый столбец электронной таблицы, содержащий отсчеты времени в виде номером месяцев.
Рисунок 2.6 – Сохранение параметрической модели в электронной таблице
Откроем заново инструментальную панель. Загрузим остаточный ВР, и СКО, и поместим на один график. Линия СКО представляет собой меру разброса остаточного ВР относительно нулевого уровня.
Рисунок 2.7 – Параметрическая модель СКО
Получим оценку линию поддержки для исходного временного ряда. Для этого в нашу рабочую книгу добавим еще один столбец линии поддержки Sup_L, и в нижнем окне редактирования наберем формулу v3 – 1,4*v6, соответствующую разности модели тренда (v3) и некоторой доли, например, 1,4 от СКО (v6).
Рисунок 2.8 – Формирование оценки линии поддержки
Аналогичным образом получим оценку линии сопротивления. Для этого добавим в рабочую книгу еще один столбец Res_L, и в нижнем окне редактирования наберем формулу v3 + 1,3*v6, соответствующую сумме модели тренда (v3) и некоторой доли, например, 1,3 от СКО (v6).
Рисунок 2.9 – Формирование оценки линии сопротивления
Теперь заново откроем инструментальную панель. Загрузим исходный ряд SERIES_G, модель тренда Trd_Sq, линии поддержки Sup_L и сопротивления Res_L. Поместим их на один график.
Рисунок 2.10 – Модели тренда, линий поддержки и сопротивления НВР
Таким образом, мы убедились, что полученные оценки вполне адекватны динамике поведения исходных данных.
Получим центрированные и нормированные данные. Добавим в таблицу еще один столбец с именем TS_Nrm и и в нижнем окне редактирования наберем формулу v4 / v6, соответствующую разности исходных данных (v2) и модели тренда (v3), отнесенной к СКО (v6). Загрузим эти данные в инструментальную панель, и визуализируем результат в виде графика.
Рисунок 2.11 – Центрированный и нормированный временной ряд
Проверим гипотезу о том, что в первом приближении мы получили временной ряд с нулевым МО и единичной дисперсией. Для этого активируем разделы Statistics -> Basic Statistics -> Descriptive statistics. Появляется рабочая панель, загрузим в нее центрированные и нормированные данные, и перейдем на вкладку Advanced. Установим следующие опции:
Рисунок 2.12 – Панель выбора описательных статистики
Активируем кнопку Summary. В рабочей книге появится таблица описательных статистик.