R语言梯度提升机 GBM、支持向量机SVM、正则判别分析RDA模型训练、参数调优化和性能比较可视化分析声纳数据
本文介绍简化模型构建和评估过程。
本文介绍简化模型构建和评估过程。
使用 garch 指定一个单变量GARCH(广义自回归条件异方差)模型。
在这篇文章中,我将集中讨论一个给定一个短数据序列的推断概率的例子。
本文用 R 编程语言极值理论 (EVT) 以确定 10 只股票指数的风险价值(和条件 VaR)。
每个动态现象都可以用一个潜过程(Λ(t))来表征,这个潜过程在连续的时间t中演化。
特别是在经济学/计量经济学中,建模者不相信他们的模型能反映现实。
因子实验在农业中非常普遍,它们通常用于测试实验因素之间相互作用的重要性。
在量化金融中,我们学习了各种时间序列分析技术以及如何使用它们。
在这篇文章中,我将扩展从数据推断概率的示例,考虑 0 和 1之间的所有(连续)值,而不是考虑一组离散的候选概率。
本文的目标是使用各种预测模型预测Google的未来股价,然后分析各种模型。
T-distributed Stochastic Neighbor Embedding (T-SNE) 是一种可视化高维数据的工具。
分布滞后非线性模型(DLNM)表示一个建模框架,可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。
时间序列是以固定时间_区间_记录的观察序列。
在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型。
递归神经网络被用来分析序列数据。
随机波动率(SV)模型是常用于股票价格建模的一系列模型。
在比较性的纵向临床研究中,主要终点往往是发生特定临床事件的时间,如死亡、心衰住院、肿瘤进展等。
进行荟萃分析时,您很可能必须使用通用度量将效果大小计算或转换为效果大小。
决策树是对例子进行分类的一种简单表示。
本文介绍如何根据历史信号/交易制作股票曲线。
在经济学中,技术效率是指在既定的投入下产出可增加的能力或在既定的产出下投入可减少的能力。
本文探索Python中的长短期记忆(LSTM)网络,以及如何使用它们来进行股市预测。
最近我们被客户要求撰写关于线性混合效应模型的研究报告,包括一些图形和统计输出。线性混合效应模型与我们已经知道的线性模型有什么不同?
“随着社会的进步,人们在改善物质生活的同时开始追求精神生活。
在这篇文章中,我们将回顾三种提高循环神经网络的性能和泛化能力的高级方法。
本文考虑一些ARCH(p)过程,例如ARCH(1)。
降维是在我们处理包含过多特征数据的大型数据集时使用的,提高计算速度,减少模型大小,并以更好的方式将巨大的数据集可视化。这种方法的目的是保留最重要的数据,同时删除大部分的特征数据。
环境应激源往往表现出时间上的延迟效应,这就要求使用足够灵活的统计模型来描述暴露-反应关系的时间维度。
本文讨论用ARIMA模型进行预测。考虑一些简单的平稳的AR(1)模拟时间序列
最近我们被客户要求撰写关于使用长短期记忆网络(LSTM)来拟合一个不稳定的时间序列的研究报告。
肝脏病在早期可能没有任何症状,不容易被察觉,或者症状是模糊的。肝脏病的症状和肝脏病的类型和程度高度相关,肝脏病的一般是通过肝功能测试诊断。
项目背景:银行的主要盈利业务靠的是贷款,这些客户中的大多数是存款大小不等的责任客户(存款人)。
用于R语言的多层感知器(MLP)和极限学习机(ELM)进行时间序列预测。
WeChat Tencent QQ email print 由Enzo Li撰写 开发一个预测模型,根据一
本文中我们用(非)线性混合模型分析藻类数据。这个问题的参数是:已知截距(0日值)在各组和样本之间是相同的。
某制药公司每年要花费大量的资金在电费上,由于电力公司的业务改革,该药企可以在一年或月开始时向电力公司预购一定数量的电力,如果实际消耗大于该值,则每多消耗一度电要付比以前更多的电费,如果实际上没有消耗这么多,也不会退还多余的电费,因此该公司打算预测未来的电力消耗以节省资金消耗。
结构方程模型是一个线性模型框架,它对潜变量同时进行回归方程建模。
当从单变量波动率预测跳到多变量波动率预测时,我们需要明白,现在不仅要预测单变量波动率元素,还要预测协方差元素。
有些问题是线性的,但有些问题是非线性的。
自回归条件异方差(ARCH)模型涉及具有时变异方差的时间序列,其中方差是以特定时间点的现有信息为条件的。
在本文中,我们将学习如何使用keras,用手写数字图像数据集(即MNIST)进行深度学习。
在这个文章中,我们演示了copula GARCH方法(一般情况下)。
我们介绍贝叶斯分析,这个例子是关于职业足球比赛的进球数。
这个例子展示了如何用Matlab实现贝叶斯优化,使用分位数误差调整回归树随机森林的超参数。
在本文中,我们将用R语言对数据进行线性混合效应模型的拟合,然后可视化你的结果。
假设我们需要设计一个抽样调查,有一个完整的框架,包含目标人群的信息(识别信息和辅助信息)。
蒙特卡洛方法利用随机数从概率分布P(x)中生成样本,并从该分布中评估期望值,该期望值通常很复杂,不能用精确方法评估。
跳跃扩散过程为连续演化过程中的偏差提供了一种建模手段。
最近我们被客户要求撰写关于时间序列的研究报告。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。
贝叶斯网络(BN)是一种基于有向无环图的概率模型,它描述了一组变量及其相互之间的条件依赖性。
本文将介绍R中可用于投资组合优化的不同求解器。
Nelder-Mead方法是最著名的无导数方法之一,它只使用f的值来搜索最小值。过程:
主成分分析法是数据挖掘中常用的一种降维算法。
这个例子说明了一个函数拟合的神经网络如何根据测量结果来估计脂肪百分比。
基本的Prophet模型是一个可分解的单变量时间序列模型,结合了趋势、季节性和节假日效应。
状态空间建模是一种高效、灵活的方法,用于对大量的时间序列和其他数据进行统计推断。本文介绍了状态空间建模,其观测值来自指数族,即高斯、泊松、二项、负二项和伽马分布。
既包括传统的方法,如单变量和多变量正态混合的EM算法,也包括反映有限混合模型的一些最新研究的方法。许多算法都是EM算法或基于类似EM的思想,因此本文包括有限混合模型的EM算法的概述。
今天我们将计算投资组合收益的CAPM贝塔。这需要拟合一个线性模型,得到可视化,从资产收益的角度考虑我们的结果的意义。
在大数据的趋势下,我们经常需要做预测性分析来帮助我们做决定。
标准的ARIMA(移动平均自回归模型)模型允许只根据预测变量的过去值进行预测。
本文展示了如何使用扩展卡尔曼滤波器进行故障检测。本文使用扩展的卡尔曼滤波器对一个简单的直流电机的摩擦力进行在线估计。
简要地提供了在经济学中使用模型平均和贝叶斯方法的论据,使用了动态模型平均法(DMA),并与ARIMA、TVP等方法进行比较。希望对经济和金融领域的从业人员和研究人员有用。
在这篇文章中,我们将学习一种在价格序列中建立波动性模型的标准方法,即广义自回归条件异方差(GARCH)模型。
如果你了解数据科学领域,你可能听说过LASSO。LASSO是一个对目标函数中的参数大小进行惩罚的模型,试图将不相关的变量从模型中排除。
线性回归时若数据不服从正态分布,会给线性回归的最小二乘估计系数的结果带来误差,所以需要对数据进行结构化转换。
向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的。
每一个动态现象都可以用一个潜过程(Λ(t)来描述,这个潜过程在连续的时间t内演化。