時間序列該如何權衡平穩性和記憶力？_比特幣

許多預測模型都要求時間序列具有一定的一致性，即“平穩性”。平常的轉換，即整數階差分(譬如，在金融學中表現為建模收益而不是絕對價格)，消除了數據中的記憶，從而影響了建模的預測能力。

本文概述了分數微積分如何保留更多的信息，以及如何更好地在平穩性和有意義的記憶之間做出權衡。

一般而言，我們會把一個給定的時間序列理解為一個隨機過程產生的樣本，并試圖推斷出其分布及統計數據以建立一個預測模型。

建立隨機過程的預測模型是為了平衡樣本的特殊性和一般性：該模型根據一般模式的背景對給定的序列做出解釋。

虎符：將于北京時間8月5日在創新區上線債幣交易:8月1日消息，虎符發布公告稱，今日將按照計劃陸續下架幣幣交易幣對，全部下架后將會陸續開放部分幣種提現。之后，虎符將于北京時間8月5日在幣幣交易區陸續上線幣種交易以及在創新區陸續上線債幣交易。[2022/8/1 2:51:14]

比一般預測回歸更具體的是，由于時間結構的原因，時間序列一般具有其固有順序。任何給定的實例都反映了其發展變化情況，即過去跟蹤記錄的特定記憶。

平穩性

為了確定生成過程的一般模式并映射給定的排列，在實際建模之前我們通常將此特定序列的記憶作為預處理步驟的一部分予以刪除。

Gate.io將上線WOO時間調整為今日上午10：10:據官方公告，Gate.io 根據用戶反饋和與各方協調溝通，已將項目Wootrade（WOO）上線交易時間調整為2020年10月30日（今日）上午10點10分，參加Startup的用戶可以提前1小時掛賣單，從10點10分開始可以掛買單和正式開盤交易。請務必注意，上線初期市場價格波動較大，請切勿追高，及時調整訂單，注意風險。[2020/10/30]

在機器學習領域的監督學習中，該序列可以發現一般性結構并對給定的實例與標記訓練集中更多的樣本進行匹配。

在數學領域,過程的統計特性不會因時間順序的改變而變化，這意味著系列不會隨時間推移而呈現出一種趨勢。該概念被稱為平穩性。

檢查時間序列平穩性的方法有很多種:

動態 | Algorand協議更新后 區塊創建時間為4秒:據Cointelegraph報道，Algorand基金會11月21日發布協議升級。Algorand基金會在接受采訪時表示，Algorand協議已經過獨立驗證，不能分叉，自發布以來每秒已交付1000多個事務，并且已證明塊創建時間僅約4秒。[2019/11/23]

觀察線形圖，尋找一段時間內的明顯的趨勢。比較數列中各種分割的基本匯總統計數據。觀察自相關圖：曲線下降越快，滯后越明顯，序列的非平穩性階數越小。最常見的平穩性統計檢驗是單位根的ADF檢驗。

單位根是指初始條件或外部沖擊不會隨著時間的推移而消散，而是通過該序列傳播，并通知所有后續值。該含義從直觀上正式地解決了在單位圓上的過程特征方程。

對于給定的置信水平，ADF測試零假設“序列中存在單位根”以及序列穩定性的替代。它直接證明了，單位根的存在確實意味著該序列的不穩定。

關于交易挖礦計算方法及獎勵發放時間的聲明:X網公告稱，部分用戶反映付出的手續費和獎勵的OCX數額不等的情況，造成不等的原因在于計算方法的差異。[2018/6/24]

分數階微積分

事實上，在17世紀牛頓和萊布尼茨發明微積分后不久，數學家們就對分數階導數的使用進行了探索，將微分或積分的順序從自然數擴展到實數。然而，其應采納赫斯特和曼德爾布羅特在20世紀的成果，為分數微積分找到初期的自然應用，并使其與霍斯金和格蘭杰于20世紀80年代創建的Arfima模型一同進入金融領域。

大約在1730年，歐拉就該歸納給出有史以來第一個啟發式，通過函數將二項式系數推廣到實數階。后來，在黎曼和劉維爾的積分理論中，重復微分的柯西公式使之變得更加嚴謹。

BCH將于北京時間5月16日0點左右執行硬分叉:據哈希派消息，BCH將于北京時間5月16日0點左右執行硬分叉，將該區塊大小從8MB增加至32MB。[2018/5/15]

這里，我們僅僅給出了時間序列差分應用程序的形式啟發式：

B表示滯后操作符，即對于t>1,BX_t=X_{t-1}和某個時間序列X={X_1，...}。一階元素階差分可以用恒等算子I表示，如下：

金融時間序列建模的應用

在金融領域，時間序列起主導作用。為了更好地理解分數階差分的特征，我們將其應用于一些典型的金融時間序列。

利用以下代碼，將差分算子的上述形式序列的展開式應用到指定實階d和固定窗口大小的時間序列上，得到變換后的序列，然后只需將一個pandas時間序列輸入參數階和lag_cutoff的ts_difference函數中即可。

2016-2018年比特幣的價格(紅色，右軸)，以及部分衍生品(藍色陰影)

正如你可能已注意到的，比特幣的價格在2017年和2018年經歷了一次明顯的炒作。實際上，看看一階差分，我們發現價格在某些日期上漲了2500美元以上。上圖展示了一些分數階差分的平滑函數插值。這似乎很奇怪，在如此強勁的趨勢下，約0.4的弱差分實際上竟足以使該序列呈平穩型：給定樣本的ADF統計量為-5，其已低于DFt-分布的臨界值-2.86,因此在置信度為95%下，該序列可以假定是平穩的。的確，隨著財富的來回變動，它很快就變得吝嗇起來。

低階差分足以滿足平穩性的結論與其他許多金融時間序列相似。

為了說明平穩性和記憶之間的權衡，我們可以進行適當的可視化，并將ADF測試統計數據以及與原始序列的相關性繪制成具有不同階差變換的序列。。

對于商品期貨、匯率、指數等各種典型的金融序列，這種對比清晰地表明了差階滿足金融建模的平穩性條件，同時保留了特定的記憶結構，從而保持了原始序列的統計動態。

ADF檢驗統計量(左軸，紅色曲線)和線性相關(右軸，矢狀花藍色曲線)與原序列進行各種分數階差分，應用于各種金融時間序列。石板灰中的常數線表示ADF檢驗的顯著性水平為95%。

Tags：ADF比特幣ADF幣ADF價格比特幣中國官網聯系方式40億比特幣能提現嗎比特幣最新價格行情走勢

SHIB最新價格