-
cuscore
鎖定
- 中文名
- 統計量
- 外文名
- cuscore
- 提出人
- Box and Luceno
- 提出時間
- 1987年
cuscore研究方法
趨勢變化識別
對於一個已知分佈的隨機過程,圖一. 顯示了一系列樣本函數的基本趨勢,斜率為1.0,同時一個斜率為1.3的變化(突變)移動,從時間10的地方開始出現。為了識別出樣本函數隨機變量的趨勢變化,將Cuscore統計量定義為
這種統計識別方法揭露和展示了斜率上的變化所呈現出來的證據。當斜率從初始值1.0增加30%變為1.3,其變化的幅度應該很明顯的。30%已經很接近1/3的程度,是一個很大的變化,應該引起我們的注意,但我們很難在圖一中t=10的地方識別出變化趨勢。
帶噪聲數據趨勢識別
cuscore量的分析
在圖四中,ABC這條線是一個趨勢變化的原型。第一個線段AB的斜率為0.5,而第二個線段BC的斜率為1.5。虛線BD是直線AB的延長線。虛線AE與直線BC平行,斜率也是1.5。當斜率發生變化,觀測值就會偏離基礎模型(也就是沒有斜率變化)的期望值。順着直線BC,y的值超過了直線BD的期望值,隨着時間地不斷增加。在圖五中,我們根據Q值的累計偏差,就可以得到如曲線1所示的圖形。
現在我們假設事先不知道直線AB與BC的斜率,也不知道在B點的斜率發生了變化。假設我們最好的理解是,從A點開始應該出現一個1.0的斜率,如直線AC所示。在圖五中,Cuscore統計量顯示為曲線2的圖形。Cuscore統計量的圖形差異極大。根據這個假設的基礎模型,得到的偏差序列,可以明顯看出趨勢的斜率發生了變化。
[1]
cuscore實際運用
數據監控
對自相關數據的監控,可先對數據擬合一個合適的時間序列模型,然後運用此模型來消除自相關性,對殘差進行統計過程控制 監控。 但是這些控制圖都忽略了故障表徵的動態特性。因此,我們使用Cuscore統計量來進行預期信號的識別。
首先,構建如下模型
ai = ai( yi,xi,γ) i = 1,2,…,l (1)
似然函數為
l = - 1/2σ2a*Σai^2+ c
為令式(1)中γ = γ0時ai的取值,di為探測信號(detector) 。 將Cuscore 統計量定義為
Q =Σai0*di
金融序列變化率識別
為了在一個股票的價差序列中,為了識別出其中的突變移動,可以運用Cuscore統計量增加的速率來找到突變的時間節點。
首先,為了量化金融時間序列的變化率,我們使用指數加權移動平均(EWMA,Exponentially Weighted Moving-Average),來計算局部的平均值(實際操作中應當平移幾個時間單位長度)
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:12次歷史版本
- 最近更新: 姐姐没心不懂爱