本篇文章给大家谈谈iid,以及identity对应的知识点,希望对各位有所帮助,不要忘了收藏本站喔。
本文目录一览:
汇编中的IID数据类型是什么?拜托各位了 3Q
就是一串字符串,定义如下 typedef struct _GUID { unsigned long Data1; unsigned short Data2; unsigned short Data3; unsigned char Data4[8]; } GUID;
iiD是什么意思?
IID 独立同分布[的]
IID的全称共计29个:
Image Intensifier Device 图像增强设备
Integrated Infrastructure Development 集成的基础设施建设
Interaural Intensity Difference 两侧声音强度差别
Ignition Interlock Device (automotive security system) 点火联锁装置(汽车安全系统)
Imperial Irrigation District (California) 皇家灌区(加利福尼亚)
Improvised Incendiary Device 临时燃烧弹
Independent Identically Distributed (statistics) 独立同分布的统计和)
Independent Identically Distributed 独立同分布
Indian Institute of Design (New Delhi, India) 印度设计学院(新德里,印度)
Infinite Improbability Drive (Hitchhikers Guide to the Galaxy by Douglas Adams) 【驱动(包括小孩在内的搭便车的旅行者指南无限的银河由道格拉斯·亚当斯)
Infrared Intrusion Detection 红外入侵检测
Institute for Interreligious Dialogue 学院为基础
Insulin Independent Diabetes 非胰岛素依赖性糖尿病
Integrated Information Display 综合信息显示
Integrated Interoperability Demonstration 集成的互用性的示威游行
Interface Identifier (Component Object Model) 界面的标识符(组件对象模型)
Internal Iterative Deepening (chess programming technique) 内部迭代深化(国际象棋的编程技术)
Iterative Incremental Development 迭代增量式的发展
Institut International de Documentation (French=International Documentation Institute) (法语)国际文件协会
Interior intrusion device 内部干扰装置
Internal Investigation Division 内部调查所
image-intensifier detector 影像增强检测器
impact ionization diode 脉冲电离二极管
impurity-induced disordering 杂质诱生无序化
intensity difference 强度差异
intestinal disease 肠疾病
intrinsic infrared detector 本征红外探测器
ion implantation doping 离子注入掺杂
ion-induced desorption 离子诱导解吸
均值模型
原文链接:
本文将说明单变量和多变量金融时间序列的不同模型,特别是条件均值和条件协方差矩阵、波动率的模型。
均值模型
本节探讨条件均值模型。
iid模型
我们从简单的iid模型开始。iid模型假定对数收益率xt为N维高斯时间序列:
均值和协方差矩阵的样本估计量分别是样本均值
和样本协方差矩阵
我们从生成数据开始,熟悉该过程并确保估计过程给出正确的结果(即完整性检查)。然后使用真实的市场数据并拟合不同的模型。
让我们生成合成iid数据并估算均值和协方差矩阵:
# 生成综合收益数据X - rmvnorm(n = T, mean = mu, sigma = Sigma)# 样本估计(样本均值和样本协方差矩阵)mu_sm - colMeans(X)Sigma_scm - cov(X)# 误差norm(mu_sm - mu, "2")# [1] 2.44norm(Sigma_scm - Sigma, "F")# [1] 70.79
现在,让我们针对不同数量的观测值T再做一次:
# 首先生成所有数据X - rmvnorm(n = T_max, mean = mu, sigma = Sigma)# 现在遍历样本的子集for (T_ in T_sweep) { # 样本估算 mu_sm - colMeans(X_) Sigma_scm - cov(X_) # 计算误差 error_mu_vs_T - c(error_mu_vs_T, norm(mu_sm - mu, "2")) error_Sigma_vs_T - c(error_Sigma_vs_T, norm(Sigma_scm - Sigma, "F"))# 绘图plot(T_sweep, error_mu_vs_T, main = "mu估计误差",
plot(T_sweep, error_Sigma_vs_T main = "Sigma估计中的误差", ylab = "误差"
单变量ARMA模型
对数收益率xt上的ARMA(p,q)模型是
其中wt是均值为零且方差为σ2的白噪声序列。模型的参数是系数ϕi,θi和噪声方差σ2。
请注意,ARIMA(p,d,q)模型是时间差分为d阶的ARMA(p,q)模型。因此,如果我们用xt代替对数价格,那么先前的对数收益模型实际上就是ARIMA(p,1,q)模型,因为一旦对数价格差分,我们就获得对数收益。
rugarch生成数据
我们将使用rugarch包 生成单变量ARMA数据,估计参数并进行预测。
首先,我们需要定义模型:
# 指定具有给定系数和参数的AR(1)模型# # *----------------------------------*# * ARFIMA Model Spec *# *----------------------------------*# Conditional Mean Dynamics# ------------------------------------# Mean Model : ARFIMA(1,0,0)# Include Mean : TRUE # # Conditional Distribution# ------------------------------------# Distribution : norm # Includes Skew : FALSE # Includes Shape : FALSE # Includes Lambda : FALSE# Level Fixed Include Estimate LB UB# mu 0.01 1 1 0 NA NA# ar1 -0.90 1 1 0 NA NA# ma 0.00 0 0 0 NA NA# arfima 0.00 0 0 0 NA NA# archm 0.00 0 0 0 NA NA# mxreg 0.00 0 0 0 NA NA# sigma 0.20 1 1 0 NA NA# alpha 0.00 0 0 0 NA NA# beta 0.00 0 0 0 NA NA# gamma 0.00 0 0 0 NA NA# eta1 0.00 0 0 0 NA NA# eta2 0.00 0 0 0 NA NA# delta 0.00 0 0 0 NA NA# lambda 0.00 0 0 0 NA NA# vxreg 0.00 0 0 0 NA NA# skew 0.00 0 0 0 NA NA# shape 0.00 0 0 0 NA NA# ghlambda 0.00 0 0 0 NA NA# xi 0.00 0 0 0 NA NAfixed.pars# $mu# [1] 0.01# # $ar1# [1] -0.9# # $sigma# [1] 0.2true_params# mu ar1 sigma # 0.01 -0.90 0.20
然后,我们可以生成时间序列:
# 模拟一条路径apath(spec, n.sim = T)# 转换为xts并绘图plot(synth_log_returns, main = "ARMA模型的对数收益率"plot(synth_log_prices, main = "ARMA模型的对数价格"
ARMA模型
现在,我们可以估计参数(我们已经知道):
# 指定AR(1)模型arfimaspec(mean.model = list(armaOrder = c(1,0), include.mean = TRUE))# 估计模型# mu ar1 sigma # 0.0083 -0.8887 0.1987# mu ar1 sigma # 0.01 -0.90 0.20
我们还可以研究样本数量T对参数估计误差的影响:
# 循环for (T_ in T_sweep) { estim_coeffs_vs_T - rbind(estim_coeffs_vs_T, coef(arma_fit)) error_coeffs_vs_T - rbind(error_coeffs_vs_T, abs(coef(arma_fit) - true_params)/true_params)# 绘图matplot(T_sweep, estim_coeffs_vs_T, main = "估计的ARMA系数", xlab = "T", ylab = "值",
matplot(T_sweep, 100*error_coeffs_vs_T, main = "估计ARMA系数的相对误差", xlab = "T", ylab = "误差 (%)",
首先,真正的μ几乎为零,因此相对误差可能显得不稳定。在T = 800个样本之后,其他系数得到了很好的估计。
ARMA预测
为了进行健全性检查,我们现在将比较两个程序包 Forecast 和 rugarch的结果:
# 指定具有给定系数和参数的AR(1)模型spec(mean.model = list(armaOrder = c(1,0), include.mean = TRUE), fixed.pars = list(mu = 0.005, ar1 = -0.9, sigma = 0.1))# 生成长度为1000的序列arfima(arma_fixed_spec, n.sim = 1000)@path$seriesSim# 使用 rugarch包指定和拟合模型spec(mean.model = list(armaOrder = c(1,0), include.mean = TRUE))# 使用包“ forecast”拟合模型# ARIMA(1,0,0) with non-zero mean # # Coefficients:# ar1 mean# -0.8982 0.0036# s.e. 0.0139 0.0017# # sigma^2 estimated as 0.01004: log likelihood=881.6# AIC=-1757.2 AICc=-1757.17 BIC=-1742.47# 比较模型系数# ar1 intercept sigma # -0.898181148 0.003574781 0.100222964# mu ar1 sigma # 0.003605805 -0.898750138 0.100199956
确实,这两个软件包给出了相同的结果。
ARMA模型选择
在先前的实验中,我们假设我们知道ARMA模型的阶数,即p = 1和q = 0。实际上,阶数是未知的,因此必须尝试不同的阶数组合。阶数越高,拟合越好,但这将不可避免地导致过度拟合。已经开发出许多方法来惩罚复杂性的增加以避免过度拟合,例如AIC,BIC,SIC,HQIC等。
# 尝试不同的组合# 查看排名# AR MA Mean ARFIMA BIC converged# 1 1 0 1 0 -0.38249098 1# 2 1 1 1 0 -0.37883157 1# 3 2 0 1 0 -0.37736340 1# 4 1 2 1 0 -0.37503980 1# 5 2 1 1 0 -0.37459177 1# 6 3 0 1 0 -0.37164609 1# 7 1 3 1 0 -0.37143480 1# 8 2 2 1 0 -0.37107841 1# 9 3 1 1 0 -0.36795491 1# 10 2 3 1 0 -0.36732669 1# 11 3 2 1 0 -0.36379209 1# 12 3 3 1 0 -0.36058264 1# 13 0 3 1 0 -0.11875575 1# 14 0 2 1 0 0.02957266 1# 15 0 1 1 0 0.39326050 1# 16 0 0 1 0 1.17294875 1#选最好的armaOrder# AR MA # 1 0
在这种情况下,由于观察次数T = 1000足够大,因此阶数被正确地检测到。相反,如果尝试使用T = 200,则检测到的阶数为p = 1,q = 3。
ARMA预测
一旦估计了ARMA模型参数ϕi ^ i和θ^j,就可以使用该模型预测未来的值。例如,根据过去的信息对xt的预测是
并且预测误差将为xt-x ^ t = wt(假设参数已被估计),其方差为σ2。软件包 rugarch 使对样本外数据的预测变得简单:
# 估计模型(不包括样本外)coef(arma_fit)# mu ar1 sigma # 0.007212069 -0.898745183 0.200400119# 整个样本外的预测对数收益forecast_log_returns - xts(arma_fore@forecast$seriesFor[1, ], dates_out_of_sample)# 恢复对数价格prev_log_price - head(tail(synth_log_prices, out_of_sample+1), out_of_sample)# 对数收益图plot(cbind("fitted" = fitted(arma_fit),# 对数价格图plot(cbind("forecast" = forecast_log_prices, main = "对数价格预测", legend.loc = "topleft")
多元VARMA模型
对数收益率xt上的VARMA(p,q)模型是
其中wt是具有零均值和协方差矩阵Σw的白噪声序列。该模型的参数是矢量/矩阵系数ϕ0,Φi,Θj和噪声协方差矩阵Σw。
比较
让我们首先加载S&P500:
# 加载标普500数据head(SP500_index_prices)# SP500# 2012-01-03 1277.06# 2012-01-04 1277.30# 2012-01-05 1281.06# 2012-01-06 1277.81# 2012-01-09 1280.70# 2012-01-10 1292.08# 准备训练和测试数据logreturns_trn - logreturns[1:T_trn]logreturns_tst - logreturns[-c(1:T_trn)]# 绘图{ plot(logreturns, addEventLines(xts("训练"
现在,我们使用训练数据(即,对于t = 1,…,Ttrnt = 1,…,Ttrn)来拟合不同的模型(请注意,通过指示排除了样本外数据 out.sample = T_tst)。特别是,我们将考虑iid模型,AR模型,ARMA模型以及一些ARCH和GARCH模型(稍后将对方差建模进行更详细的研究)。
# 拟合i.i.d.模型coef(iid_fit)# mu sigma # 0.0005712982 0.0073516993mean(logreturns_trn)# [1] 0.0005681388sd(logreturns_trn)# [1] 0.007360208# 拟合AR(1)模型coef(ar_fit)# mu ar1 sigma # 0.0005678014 -0.0220185181 0.0073532716# 拟合ARMA(2,2)模型coef(arma_fit)# mu ar1 ar2 ma1 ma2 sigma # 0.0007223304 0.0268612636 0.9095552008 -0.0832923604 -0.9328475211 0.0072573570# 拟合ARMA(1,1)+ ARCH(1)模型coef(arch_fit)# mu ar1 ma1 omega alpha1 # 6.321441e-04 8.720929e-02 -9.391019e-02 4.898885e-05 9.986975e-02#拟合ARMA(0,0)+ARCH(10)模型coef(long_arch_fit)# mu omega alpha1 alpha2 alpha3 alpha4 alpha5 # 7.490786e-04 2.452099e-05 6.888561e-02 7.207551e-02 1.419938e-01 1.909541e-02 3.082806e-02 # alpha6 alpha7 alpha8 alpha9 alpha10 # 4.026539e-02 3.050040e-07 9.260183e-02 1.150128e-01 1.068426e-06# 拟合ARMA(1,1)+GARCH(1,1)模型coef(garch_fit)# mu ar1 ma1 omega alpha1 beta1 # 6.660346e-04 9.664597e-01 -1.000000e+00 7.066506e-06 1.257786e-01 7.470725e-01
iid是什么意思
应该是单词 lid 的笔误
lid
[lid]
n.
盖子, 美口限制, 眼睑
vt.
给...盖盖子
三叉戟IID—5型潜射导弹有哪些发射平台?
“三叉戟II”D—5型潜射导弹主要装备美国海军第四代“俄亥俄”级战略核潜艇。该级潜艇是美国通用动力公司专为装载“三叉戟I”C-4而研制的,也是迄今各国海军中最先进的战略核潜艇。
“俄亥俄”级核潜艇排水量重达18750吨,采用了高性能核反应堆、先进电子设备和多种降噪措施,每艘潜艇造价高达20多亿美元,堪称“潜艇之王”。该级艇的艇体属单壳型,在结构与布置等方面均与众不同。艇体艏艉部是非耐压壳体,中部为耐压壳体,整个耐压体仅分成四个大舱,从艏至艉依次是指挥舱,导弹舱,反应堆舱和主辅机舱。
指挥舱分为三层:上层设有指挥室,无线电室和航海仪器室;中层前部为生活舱,后部为导弹指挥室;下层布置4具鱼雷发射管。导弹舱共装24枚“三叉戟”导弹,对称于中心线平行布置。反应堆舱的上部是通道,下部布置反应堆。主辅机舱布置动力装置。
首艇“俄亥俄”号1981年服役,共建造了18艘。前8艘潜艇携带“三叉戟I”型潜射弹道导弹,后10艘装备“三叉戟II”型导弹。此后,配备“三叉戟I”型导弹的潜艇也开始换装成“三叉戟II”型导弹,每艘拥有24个垂直导弹发射管,可发射24枚“三叉戟II”型导弹。根据美俄达成的削减进攻性战略武器条约,从2002年起,美国战略导弹潜艇的数量将被限制在14艘。但美国海军并不准备让其中的4艘“俄亥俄”级潜艇退出现役,而是进行改装,使其成为特种作战的潜艇。每艘改装后的潜艇将携带154枚“战斧”巡航导弹和两艘袖珍潜艇。这两艘袖珍潜艇可一次运送9名“海豹”突击队员,执行侦察、偷袭、解救人质等行动,预计改装任务将于2007年结束。
此外,“三叉戟II”D—5导弹还装备英国4艘“前卫”级战略导弹核潜艇并装有英国自制的分导式弹头,每艘携带16枚带有8个分导式热核弹头的“三叉戟II”导弹,这就使英国拥有的弹头总数从192枚增加到512枚。据英国国防部宣称,目前装备的“三叉戟II”导弹将在2024年时全部退役。
关于iid和identity的介绍到此就结束了,不知道你从中找到你需要的信息了吗 ?如果你还想了解更多这方面的信息,记得收藏关注本站。
还没有评论,来说两句吧...