基于多元时间序列和余弦的顾问投资组合分析

这将实现许多先驱者。3.4模块3：预测顾问绩效多年来，理论家们一直试图通过预测未来商品、股票、远程交易利率以及所有更晚的前景和备选方案的成本，在货币展示中实现规模效益。在最近的十年中，这些努力尤其扩大了，利用各种程序（Hsu可全面分为三类：o基本面分析o技术分析o传统时间序列预测3.4.1基本面分析基本面分析利用基本市场数据，牢记预测未来收益发展的最终目标，前提是财务专家有机会在特定的stock的基本信息，他们会考虑数据，例如收入、收益估计、供应、需求和工作优势等。关注大宗商品的理论家应该认真考虑天气模式、政治角度、ZF法规等。基本面分析担心的是可能影响货币相关资源未来成本的全面货币和政治因素。在本次审查中，基本调查不被视为进一步调查。3.4.2技术分析技术分析是对可验证成本和实例的调查，旨在预测未来成本。第3章提到了过去的专业调查专家。实验设计与设置18作为图表专家，因为他们相信每个人都必须考虑特定的市场包含在其评估图中。技术分析（TA）很有趣，因为它能够吸引对其逻辑前提和可行性的评估。然而，在金融领域，技术分析是普遍且广泛使用的。

在TA的支持下，从基本的移动中点到更加丰富多彩的效果，这些年来产生了大量据称的指针。如今，每一个编程或在线调查设备都能够在股票、项目或任何货币相关工具的图表上放置大量的特殊标记。3.4.3时间序列预测金融时间序列数据是特定时期内一些金融资产的价格序列。基本面分析是对影响经济、行业部门和个别公司福祉的潜在力量的检查。例如，在我们的问题中，预测个人顾问的未来表现。在此，我们预测金融市场多家领先顾问的业绩。因此，使用的数据是多变量时间序列数据。由于its是一个多变量系列数据，因此可以使用VAR模型（向量自回归模型）解决此问题。多元时间序列采用VAR模型。向量自回归（VAR）模型是研究多元时间安排的最佳、适应性强且易于使用的模型之一。它是一元自回归模型对动态多元时间安排的一种特征扩充。事实证明，VARdisplay对于描述货币和货币相关时间安排的动态行为以及进行估计特别有价值。它经常给出比单变量时间安排模型和基于指数假设的同步条件模型更好的推测。

VAR模型的推测具有很强的适应性，因为它们可以限制模型中指示因素的潜在未来方式。在进行VAR模型之前，对时间序列进行建模需要满足一定的标准，其中包括平稳序列、随机游动、rho系数、Dickey Fuller平稳性检验。我首先讨论这一部分是因为除非你的时间安排是固定的，否则你无法建立时间序列模型。在静态措施被破坏的情况下，首要任务是对时间安排进行统计，然后尝试使用随机模型来预测该时间安排。有不同的方法来实现这种平稳性。第三章。实验设计和设置19个，其中包括去趋势、差异化等。将一系列分类为平稳系列有三个基本标准：1。恒定平均时间（图3.7）2。跨时间的恒定方差（图3.8）3。跨时间常数自协方差（图3.9）图3.7：跨时间常数平均值图3.8：跨时间常数方差在统计学和计量经济学中，一个增强的DickeyFuller检验（ADF）检验单位根的零假设在周期安排检验中可用。期权假设明显依赖于使用哪种测试格式，但它是正态平稳性或模式平稳性。这是DickeyFullertest对时间安排模型更大、更纠缠的安排的一种改进。测试中使用的增强型迪克·富勒（ADF）测量值为负数。它越消极，就越有理由否定在一定程度上确定存在单位根的假设。一旦发现序列是平稳的，就可以在多变量时间序列数据上建立模型。第三章。

实验设计与设置20图3.9：随时间变化的恒定自协方差VAR的结构是，每个变量都是其自身过去松弛度和交替因子过去松弛度的直线容量。例如，假设我们测量三个不同的时间序列变量，表示为byx（t，1）、x（t，2）和x（t，3）。1阶向量自回归模型表示为VAR（1），如下所示：图3.10：1阶向量自回归模型每个变量是集合中所有变量滞后1值的线性函数。在VAR（2）模型中，将所有因素的松弛2值添加到条件的正确一侧，对于三个x因素（或时间序列）的情况，每个条件的正确一侧将有六个指标，三个松弛1项和三个松弛2项。一般来说，对于VAR（p）模型，框架中每个变量的主p松弛将被用作每个变量的回归指标。p的值可以使用VARselect方法计算。这有助于在两个时间序列之间选择滞后值，并进一步处理前面讨论的VAR模型。第三章。实验设计和设置21通常，有两个阶段来进行和创建精确的预测。最初的步骤是收集对预测的预期目的和与信息相关的重要信息。第二步是选择要实施的正确预测技术。VAR分析程序如下所示：图3.11：VAR模型调查的基本步骤是检查Stationeritas数据。查看可以用作单位根测试的信息的平稳性。所使用的unitroot测试依赖于扩展的Dickey-Fuller（）测试。数字上，ADF的类型如下所示：图3.12：ADF测试第3章。

实验设计与设置22 adf检验的假设为H：ρ=0（存在单位根）。在（1-α）100%的巨大水平上，如果测量值没有达到α时的基本激励或p值，也没有达到α的临界值估计，His将被拒绝。这意味着，信息是固定的。以下步幅是松弛请求的确定。此过程的要点是获得模型的理想松弛请求。松弛请求选择使用公司信息标准（图3.13）。图3.13：滞后顺序选择的信息标准，其中，p是滞后，k是内生变量的数量。作为p的估计选取的松弛p的估计*这限制了监视间隔中的数据标准1。。。，pmax。从AIC、SC和HQ的最小估计来看，松弛是理想的。完成了连续变化似然比（LR）检验。从最大松弛开始，然后是对假设的试验，以检查松弛系数是否利用Xmeasurements相互为零。根据理想松弛顺序估计模型后，对延迟进行指示性检查。这意味着，如果残差VAR模型满足前面描述的VAR分析方法，那么在松弛h中是否存在串行连接（自相关）被暗示为最佳模型。伴随而来的是利用最佳VAR模型预测未来周期。总的来说，均方误差（MSE）是用来决定估计结果的精度的。MSE的类型显示为：MSE=nnXi=1（Yt- yt）第3章。实验设计和设置23，其中n是信息的度量。一个像样的模型将带来最小的尊重，而这与预测的准确性是一致的。

在少数情况下，可以利用质量来决定模型的执行。第4章实验与结果4.1类似的顾问群体晨星类别分类根据他们的持股情况将投资组合分成同级群体。顾问可以根据其持有的资产进行集群。根据过去三年的平均持有量统计数据，将投资组合划分为一个类别。在此，具有类似类别的顾问被聚集到一个集群中。以下是具有类似投资组合的顾问群示例。中心的顾问是群集中其余顾问中的领先顾问。图4.1：具有类似PortfolioCapter 4的Advisor样本集群。实验与结果254.2预测领先顾问从上述步骤中提取每个集群的领先顾问。下图是领先顾问样本的预测结果。图4.2：使用VAR模型进行预测第4章。实验与结果26图4.3：使用VAR模型进行预测第4章。实验与结果27图4.4:VAR估计结果图4.5:AdvisorCapter样本拟合和残差图5结论本文主要讨论投资顾问的智能分析。提出了一种基于滞后相关的从时间序列数据集中发现领导者的新问题。将时间序列学习为先导时间序列。leadertime序列的移动触发了许多其他时间序列，这些时间序列被称为follower。领导者的行为时间序列有助于学习追随者的行为时间序列。进一步分析投资顾问的智力导致了对投资顾问行为的模式识别。

解决这一问题的一种方法显示了人们对将EAs用于模式识别任务的极大兴趣，同时也带来了将EAs与开发全自动模式识别系统的其他方法相结合的其他可能用途