Given a data frame like the one sho

Given a data frame like the one shown previously, we can use a multiple
regression method to obtain a model that predicts the value of the future returns

given the past observed returns. Before obtaining such models let us study some

properties of this data set.

(for instance the closing prices of a stock),

To create this function we have used the function diff(). This R function

calculates lagged differences of a vector, i.e. xt − xt−lag.

We will generate a data set using this function, which will then be used

to obtain a model to predict the future h-days returns of the closing price of

IBM stocks. The most common approach to obtain models for predicting the

future values of a time series variable is to use the most recent past values of the

series as the input variables of the model. Thus our model will try to predict

the h-days returns of the closing price of IBM stocks based on the most recent

values of these returns. This data preparation technique is usually known as

time delay embedding.

7

ผลลัพธ์ (ไทย) 1:

รับเฟรมข้อมูลเหมือนที่แสดงไว้ก่อนหน้านี้ เราสามารถใช้ตัวคูณ กลับถดถอยวิธีการขอรับรุ่นที่ทำนายค่าในอนาคตให้อดีตสังเกตคืน ก่อนที่จะได้รับรูปแบบดังกล่าวให้เราศึกษาบางคุณสมบัติของชุดข้อมูลนี้(เช่นปิดราคาของคลัง),การสร้างฟังก์ชันนี้ เราใช้การ diff() ฟังก์ชัน ฟังก์ชันนี้ Rคำนวณ lagged ผลต่างของเวกเตอร์ เช่น xt − xt−lagเราจะสร้างชุดข้อมูลโดยใช้ฟังก์ชันนี้ ซึ่งจะนำไปใช้ได้รับแบบจำลองเพื่อทำนายอนาคต h-วันกลับของราคาปิดของหุ้น IBM วิธีพบมากที่สุดเพื่อให้ได้แบบจำลองการคาดการณ์ค่าของตัวแปรชุดเวลาในอนาคตคือการ ใช้ล่าสุดเลยค่าของการชุดเป็นตัวแปรป้อนเข้าของแบบจำลอง ดังนั้น รูปแบบของเราจะพยายามทำนายเอชวันกลับของราคาปิดของหุ้นของ IBM ที่ใช้ล่าสุดค่าส่งคืนนี้ เทคนิคการเตรียมข้อมูลนี้มักจะเรียกว่าเวลาฝังความล่าช้า7

ผลลัพธ์ (ไทย) 2:

กำหนดกรอบข้อมูลอย่างหนึ่งที่แสดงก่อนหน้านี้เราสามารถใช้หลาย
วิธีการถดถอยที่จะได้รับรูปแบบที่คาดการณ์มูลค่าของผลตอบแทนในอนาคตที่ผ่านมาได้รับผลตอบแทนที่สังเกต ก่อนที่จะได้รับรูปแบบดังกล่าวให้เราศึกษาบางคุณสมบัติของชุดข้อมูลนี้. (เช่นราคาปิดของหุ้น) ในการสร้างฟังก์ชั่นนี้เราได้ใช้ฟังก์ชั่นต่าง () ฟังก์ชั่นนี้ R คำนวณ lagged ความแตกต่างของเวกเตอร์คือ XT -. XT-ล่าช้าเราจะสร้างชุดข้อมูลโดยใช้ฟังก์ชั่นนี้ซึ่งจะถูกนำมาใช้เพื่อให้ได้รูปแบบที่จะคาดการณ์ในอนาคตเอชวันผลตอบแทนของราคาปิดของไอบีเอ็ม หุ้น วิธีการที่พบมากที่สุดที่จะได้รับแบบจำลองสำหรับการคาดการณ์ในอนาคตของค่าเวลาตัวแปรชุดคือการใช้ค่าอดีตที่ผ่านมาส่วนใหญ่ของซีรีส์เป็นตัวแปรของรูปแบบ ดังนั้นรูปแบบของเราจะพยายามที่จะคาดการณ์ผลตอบแทนชั่วโมงวันของราคาปิดของหุ้น IBM ตามล่าสุดค่าของผลตอบแทนเหล่านี้ เทคนิคการเตรียมข้อมูลนี้เป็นที่รู้จักกันมักจะเป็นเวลาที่ฝังล่าช้า. 7

ผลลัพธ์ (ไทย) 3:

ได้รับข้อมูลกรอบเหมือนที่แสดงไว้ก่อนหน้านี้ เราสามารถใช้หลายวิธีเพื่อให้ได้
ถดถอยแบบจำลองที่คาดการณ์ค่า

ได้รับผลตอบแทนในอนาคตที่ผ่านมาและกลับมา ก่อนที่จะได้รับเช่นโมเดลให้เราศึกษา

คุณสมบัติของข้อมูลชุดนี้

( เช่นราคาปิดของหุ้น )

สร้างฟังก์ชันนี้เราได้ใช้ฟังก์ชัน diff() . ฟังก์ชันนี้ r

คำนวณความแตกต่างของเวกเตอร์ที่ล้าหลัง เช่น XT −− XT ล้า

เราจะสร้างชุดข้อมูลโดยใช้ฟังก์ชันนี้ ซึ่งจะสามารถใช้

รับทำนายอนาคต h-days ผลตอบแทนของราคาปิดของหุ้น

IBM . ที่พบมากที่สุดวิธีการที่จะได้รับแบบจำลองสำหรับทำนายค่า

อนาคตของอนุกรมเวลาคือตัวแปรที่จะใช้มากที่สุดล่าสุดที่ผ่านมาของ

ค่าชุดเป็นตัวแปรนำเข้าของแบบจำลอง ดังนั้นรูปแบบของเราจะลองทำนาย

h-days ผลตอบแทนของราคาปิดของหุ้นตาม IBM ล่าสุดค่า

ผลตอบแทนเหล่านี้ นี้เป็นที่รู้จักมักจะเป็นเทคนิคการเตรียมข้อมูล



7 ประวิงเวลาการฝัง .