Seria wykładnicza ruchoma średnia nieregularna czasowa

Średnie ruchy wykładnicze dla serii czasów nieregularnych. W analizie szeregowej czasowej często występuje potrzeba wygładzania funkcji reagujących szybko na zmiany sygnału W typowej aplikacji może być przetwarzane sygnał wejściowy w czasie rzeczywistym i chcesz obliczyć takie rzeczy jako ostatnia średnia wartość lub uzyskać chwilowe nachylenie dla niego Ale prawdziwe sygnały światowe są często hałaśliwe Kilka hałaśliwych próbek spowoduje, że aktualna wartość sygnału, lub jego nachylenie, różnią się znacznie. Najwyższe średnie. Najprostszą funkcją wygładzania jest okno średnia ruchoma W miarę pobierania próbek pobiera się średnią z ostatnich wartości N To wygładzi kolce, ale wprowadzi opóźnienie lub opóźnienie Średnia będzie zawsze opóźniona przez szerokość średniej ruchomej. Powyższy przykład jest stosunkowo drogi do obliczenia Dla każdej próbki trzeba iterować nad całym rozmiarem okna Ale istnieją tańsze sposoby utrzymywania sumy wszystkich próbek w oknie w buforze i dostosowania sumy jako nowych próbek com e in. Innym typem średniej ruchomej jest ważona średnia ruchoma, która odważa każdą pozycję w oknie próbki. Przed uśrednieniem pomnożymy każdą próbkę wagą tej pozycji okna Technicznie nazywa się to splotem. Na typowej funkcji ważenia stosuje się krzywą dzwonową do okna próbki Daje to sygnał, który jest bardziej dostrojony do środka okna i nadal dość tolerancyjny dla hałaśliwych próbek W analizie finansowej często używasz funkcji ważenia, która ocenia najnowsze próbki więcej, aby uzyskać średnią ruchliwą, która bardziej ściśle śledzi ostatnie próbki Starsze próbki są stopniowo mniej obciążane To nieco łagodzi skutki latencji, przy jednoczesnym zapewnieniu dość dobrego wygładzania. Z średniej ważonej, zawsze trzeba iterować przez cały rozmiar okna dla każdej próbki, chyba że możesz ograniczyć dozwolone gramatury niektóre funkcje. Średnia przemieszczeń wykładniczych. Innym typem średniej jest wykładnicza średnia ruchoma, czyli EMA To często u sed, gdzie krytyczna jest latencja, na przykład w analizie finansowej w czasie rzeczywistym W tej średniej masa maleje wykładniczo Każda próbka jest wyceniana o kilka procent mniejsza niż następna najnowsza próbka Z tym ograniczeniem można obliczyć średnią ruchową bardzo skutecznie. Gdzie alfa jest która opisuje, jak odważniki okna maleją w czasie Na przykład, jeśli każda próbka ma być ważona na 80 wartości poprzedniej próbki, należy ustawić wartość alfa 0 2 Mniejsza alfa staje się dłuższa niż średnia ruchoma np. staje się gładsza, ale mniej reaktywne wobec nowych próbek. Ciężary dla EMA z alpha 0 20. Jak widać, dla każdej nowej próbki wystarczy jedynie przeciętnie ją z wartością poprzedniej średniej Więc obliczenia są bardzo szybkie. W teorii wszystkich poprzednich próbki przyczyniają się do bieżącej średniej, ale ich wkład staje się wykładniczo mniejszy w czasie. Jest to bardzo potężna technika i prawdopodobnie najlepsza, jeśli chcesz uzyskać średnią ruchomej, która odpowiada ckly do nowych próbek, ma dobre właściwości wygładzania i jest szybki do obliczenia. Każdy jest trywialny. EMA dla serii czasów nieregularnych. Ema standardowa EMA jest dobra, gdy próbki są pobierane w regularnych odstępach czasu Ale co zrobić, jeśli próbki są w nieregularnych odstępach czasu. Wyobraźmy sobie ciągły sygnał, który jest pobierany w nieregularnych odstępach czasu Jest to zwykła sytuacja w analizie finansowej W teorii jest ciągła funkcja wartości dowolnego instrumentu finansowego, ale można tylko spróbować tego sygnału, gdy ktoś rzeczywiście wykona handel Więc Twój strumień danych składa się z wartości, plus czas, w którym został on zaobserwowany. Jedynym sposobem na załatwienie tego jest przekształcanie nieregularnego sygnału w sygnał regularny, poprzez interpolowanie między obserwacjami i ponowne pobieranie próbek, ale traci dane i ponownie wprowadza opóźnienia. Możliwe jest bezpośrednie obliczanie EMA dla serii nieregularnych. W tej funkcji przechodzisz w bieżącej próbce z Twojego sygnału, a poprzednią próbkę, a czas upłynął min een dwie, a poprzednia wartość zwrócona przez tę funkcję. Ale jak to działa Aby pokazać I ve generowane sinusoidy, a następnie próbki w nieregularnych odstępach czasu i wprowadził około 20 hałasu, że sygnał będzie losowo różne - 20 od oryginalny sygnał sinusoidalny. Jak dobrze nieregularna wykładnicza średnia ruchoma odzyskuje sygnał. Czerwona linia jest oryginalną próbą sinusoidalną pobieraną w nieregularnych odstępach Niebieska linia jest sygnałem z dodanym hałasem Niebieska linia jest jedynym sygnałem, który EMA widzi Zielona linia jest wygładzona EMA Możesz zobaczyć, że odzyskuje sygnał całkiem nieźle Mały kołysanie, ale czego można oczekiwać od takiego hałaśliwego sygnału źródłowego. Przesunie się o 15 w prawo, ponieważ EMA wprowadza pewne opóźnienia Gładsze chcesz tego, tym bardziej latencji możesz zobaczyć Ale z tego możesz na przykład obliczyć chwilowe nachylenie dla hałasu nieregularnego sygnału. Co możesz zrobić z tym Hmm. I m próbuje wykopać niektóre dane, które sprawdzają, jak wiarygodnie klienci łączą się z usługą. Rejałowe dane są w postaci klienta A, pojawiły się online w trybie offline w czasie X Połączenie jest bardzo niewiarygodne i chcę, aby jakiś typ średniej ruchomej pokazał, czy połączenie jest poprawione, czy nie w czasie Klienci są nie zawsze podłączony, więc po prostu przechodzenie do trybu offline nie oznacza, że ​​jest to wina. Do tej pory wziąłem dane i zastosowałam pewne założenia, które pomogłyby uprościć, zakładam, że jeśli klient zrestartuje się w ciągu minuty odłączenia, to wina I ve modelowane jako proste impulsów, tzn. Klient A miał błąd w czasie X. Część I m walczy z to, jak zmienić to działki w ruchomej średniej I m granie z R do crunch numerów. Uważam, że powinienem być w stanie zrobić to z filtrem dolnoprzepustowym lub użyć pakietu zoo i rollmean Jednakże nie wiem jak sobie radzić w przypadkach, gdy klient po prostu nie chciał być online. I m próbuje wykopać niektóre dane, które sprawdzają, jak wiarygodnie klienci łączą się z usługą. Dane są w formie klient A, pojawił się online w trybie offline w czasie X Połączenie jest bardzo niewiarygodne i chcę, aby jakiś typ średniej ruchomej pokazał, czy połączenie jest poprawione, czy nie w czasie Klienci nie zawsze są podłączeni, więc po prostu przechodzenie w tryb offline nie oznacza, że ​​to wina . Do tej pory wziąłem dane i zastosowałam pewne założenia, które pomogłyby uprościć, zakładam, że jeśli klient zrestartuje się w ciągu minuty odłączenia, to jest to wina, którą modelowałem jako proste impulsy, tzn. Klient A miał winy czas X. Część I m walczy z to, jak przekształcić ten dział w średniej ruchomej I m granie z R do crunch numerów. Uważam, że powinienem być w stanie to zrobić z filtrem dolnoprzepustowym lub użyć pakietu zoo i rollmean Nie wiem jednak, jak radzić sobie z sytuacjami, w których klient po prostu nie chciał być online.