Вы можете применить сверхмощное обучение машин.
Характеристики: значения последних n данные точки. Ярлыки: -1 descreasing +1 увеличение
Теперь вам нужно всего лишь несколько меченых образцов Это даст таблицу, как это (здесь п = 5):
# t-4, t-3, t-2, t-1, t, label
#-----------------------------
54, 43, 98, 1, 45, +1
21, 12, 5, 98, 4, +1
6, 78, 45, 65, 37 -1
...
теперь берут некоторые готовые к используйте библиотеку машинного обучения (например, WEKA) и обучите классификатору. В зависимости от алгоритма вы также получите измерение для достоверности результата. Сколько пронумерованных учебных образцов вам нужно будет предсказать. Попробуйте 100 для начала, но это также может быть больше 1000. В функциях также много возможностей. Возможно, он работает лучше, если вы не используете абсолютные значения, а различия.
Маркированные данные обучения могут быть помечены вручную. Но для рыночного прогнозирования часто можно сделать это автоматически на основе исторических данных.
Должно быть много литературы о прогнозе запаса. Люди были (и до сих пор) изучают в этой области целую вечность. Вышеприведенное, конечно, очень примитивно.
Другим решением будет соответствовать кривая, хотя ваши данные и взять производную от нее. Чем больше вы знаете о данных, тем сильнее это будет. Например, если у вас есть хорошая идея о вероятностной модели, которая создает шум, вы можете получить «оптимальное» соответствие (макс. Вероятность и таковое). Если вы знаете что-то о своем базовом сигнале (тот, который вы пытаетесь измерить), это тоже помогает (это линейный квадратичный ?, libschiz cont.?. Ограниченный ?, ...).
Этот аспект требует знания конкретных проблем, которые могут быть недоступны и достаточной математики. Но это может быть очень важно, поскольку у вас нет черного ящика, как вы бы с машинным обучением, но с математической моделью, которую вы понимаете и можете анализировать.
Возможно, вы можете попробовать использовать LOESS-сглаживание http://en.wikipedia.org/wiki/Local_regression – nico
Не стоит спрашивать об этом на [сайте статистического анализа] (http://stats.stackexchange.com) - есть справедливая бит машинного обучения, анализ временных рядов и т. д. – walkytalky
Определенно далеко. Вам необходимо создать движущееся окно наименьших квадратов регрессии, которое также генерирует значения p для статистической значимости для наклона. Если p-значение меньше произвольного значения альфа (скажем, 0,05), то наклон значителен, и вы можете сказать, что он «круто» положителен или отрицателен. Какую программу или язык программирования вы используете? Майкрософт Эксель? Рубин? Это поможет мне дать вам очень хороший ответ. – dpott197