-
Скорость и ускорение в последовательностях временных рядов. Методы расчета
В анализе временных рядов скорость показывает, как быстро изменяется значение показателя во времени, а ускорение — насколько стремительно меняется сама скорость. По сути, это первая и вторая производные функции по времени, которые в дискретных данных приближенно рассчитывают как разности между последовательными значениями. В алгоритмическом трейдинге эти метрики применяются для детекции разворотов тренда, измерения волатильности режима…
-
Методы аппроксимации временных рядов
Методы аппроксимации призваны уловить закономерности за хаосом движений, а также представить сложные данные в виде простой модели, сохраняя при этом их суть. Между тем, качественная аппроксимация — это не просто подбор кривой, которая «красиво ложится» на исторические данные. Это искусство извлечения сигнала из шума, способность выделить структурные паттерны, которые сохранят свою предсказательную силу в будущем.…
-
Сглаживание временных рядов полиномиальными регрессиями. Типы регрессий
Временные ряды реальных биржевых котировок представляют собой настоящий вызов для любого аналитика. Традиционные подходы к сглаживанию таких рядов часто дают посредственные результаты, особенно когда речь идет о нелинейных зависимостях и сложных паттернах поведения активов. Полиномиальные регрессии открывают совершенно иные возможности для понимания структуры данных и выявления скрытых закономерностей, которые ускользают от стандартных методов. Основная проблема…
-
Тренды временных рядов: Как вычислить их направление и силу?
Выявление тренда временного ряда является must have задачей для любого биржевого аналитика. Однако зачастую это непростая задача — многие временные ряды настолько нелинейны и/или зашумлены, что в них не то что нельзя понять направление и силу тренда, но в принципе невозможно обнаружить какую-либо тенденцию. В этой статье я подробно разберу современные методы выявления трендов, рассмотрю…
-
Сглаживание временных рядов и шума в данных с помощью Kalman Filter
В мире анализа данных и машинного обучения мы часто сталкиваемся с временными рядами, которые содержат значительное количество шума. Этот шум может затруднять выявление истинных закономерностей и трендов, критически важных для принятия обоснованных решений. Именно поэтому сглаживание временных рядов и фильтрация шума стали неотъемлемой частью предобработки данных в различных областях: от финансового прогнозирования до управления автономными…