模型移动全关攻略组合模型41关攻略
在本文中，我将试着模拟一些随机行走和移动的平均过程
“随机行走”模型显示了以下“随机行走”模型
也就是说，假设当前时刻的t位置是前一时刻的位置(t-1)和噪声的总和(z表示)，在此处噪声分布是正常的(平均值为0，方差为0)
我们从零开始在数学上随机行走
在Python中模拟随机行走
首先，我们导入Python库
从statusmodeller.tsap导入plot _ ACF。TSA . ARIMA _ process从statusmodeller.tsap导入armaprocessfrom . TSA . stattools作为plt导入numpy as % matplotlinline然后包含1000个数据点
steps =例如，random . standard _ normal(1000)steps是一种随机漫游模拟
你们随意的走动可能会有所不同，因为噪音是随机的
现在，让我们来看看我们随机走过的相互关联的地图
random _ walk _ ACF _ cof = ACF(random _ walk)、plot_acf (random_walk，lags = 20) 
的图像随机移动
如果你随意走动，你会得到一张非常相似的图片
现在所有的数据都指向了趋势我们能改变这种趋势吗
让我们验证在Python中执行的操作
例如，random _ walk _ diff = diff(random _ walk，n = 1)，然后绘制结果
图中
你可以看到，没有趋势，没有季节，完全是随机的过程
查看相关的图片。python代码如下所示
plot_acf(随机_walk_diff，图层= 20) 
我们只是显示一个与随机过程相关的关联系数
运动平均让我们看到什么是运动平均
如果你把石头丢到湖里你就必须追踪水滴在水面上的位置当岩石碰到水面时会产生波浪所以我们要观察的水滴会上下移动
我们可以显示水滴的位置
号
就像这个方程式所显示的，它与x轴上的噪音30有关
第二阶段称为移动平均，称为MA(2)建议
在上面的示例中，正则表达式是MA (R)部分，q = 2个分隔符
在Python中，我们将特别模仿以下过程
号
您可以根据需要更改我们指定的第二阶段运动平均评估并测试参数
我们先从一个特定的延迟开始
ar2 =如阵列比较
由于噪音是随机的，因此您的图形可能与我的图形不同，但图像应如下图所示
65432 + 111
如你所见，在2之前，这是非常明显的联系，因为我们已经落后了2个
也就是说，您可以使用图像来计算时间序列的延迟，如果在q之后没有看到明显的关系，则可以将时间序列建模为MA(q)操作
最后，在本文中，您了解了什么是随机游泳，以及如何进行模拟，此外，您还了解了如何对运动平均进行建模
