granger Z-score问题

最新推荐文章于 2025-04-19 00:01:37 发布
转载 最新推荐文章于 2025-04-19 00:01:37 发布 · 108 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/pangairu/p/4531887.html

本文探讨了在数据分析中使用Z-Score标准化的重要性，并指出直接应用老师提到的概念时，应进行深入调研和实践验证。通过参考REST-GCA_readme_v1.8文档，了解如何正确计算和应用Z-Score，避免误解导致的技术错误。

老师说过Z-score

今天才发现，不是把granger指数算出来，然后将15个granger指数 分别减去平均值然后除以标准方差

 看来老师说过的话还是自己要调研一下，再运用啊啊啊啊，吃大亏了！！！！！

具体的方法可以见REST-GCA_readme_v1.8

 

转载于:https://www.cnblogs.com/pangairu/p/4531887.html

t4_Trading Strategies(dual SMA_Naive_Turtle_pair_Pearson_z-scores_ARIMA_autoregressive_Dickey–Fuller
Linli522362242的专栏
12-12 2393
During the previous chaptershttps://blog.youkuaiyun.com/Linli522362242/article/details/121551663, we used statistical methods to predict market price movement from historical data. You may think that you know how to manipulate data, but how can these stati...
最新-时间序列-顶会顶刊论文汇总【论文/源码链接】
weixin_45016199的博客
05-18 4634
这半年我一直在看时间序列相关的论文，这篇汇总非常有用，全是干货。顶会顶刊，开源代码。祝学习愉快！【搬运自github】【侵删】
BRAIN脑电GCA研究：创伤后应激障碍患者的内源性感觉亢进和抑制缺失
cc1609130201的博客
02-27 1489
创伤后应激障碍的特征是放大对威胁的反应，迄今为止，理论上的研究都集中在威胁处理能力受损和前额叶皮层杏仁核回路失调。然而，在创伤后应激障碍中广泛存在威胁中立的（threat-neutral）感觉亢进的证据。由于低水平的感觉处理会影响高阶的心理过程，因此这种感觉异常可能导致广泛的功能障碍，为创伤后应激障碍提供了其他病理机制。 为了阐明创伤后应激障碍的感觉病理机制，来自美国佛罗里达州立大学的研究...
SciPy, Statsmodels, 和 Scikit-learn 教程
zhangyunchou2015的博客
04-19 1288
它包含了处理优化、线性代数、积分、插值、特殊函数、快速傅里叶变换(FFT)、信号和图像处理、常微分方程(ODE)求解等问题的模块。它提供了广泛的统计模型，包括线性模型、广义线性模型、时间序列分析模型、状态空间模型等，并强调模型的统计推断（系数显著性、模型拟合优度等）。Scikit-learn 提供了大量用于分类 (Classification)回归 (Regression)聚类 (Clustering)降维 (Dimensionality Reduction)模型选择 (Model Selection)和。
causal-learn基本使用方法
Yewii的博客
06-13 3971
因果发现包causal-leran使用方法
[C7] Andrew Ng - Sequence Models
weixin_30419799的博客
04-14 753
About this Course This course will teach you how to build models for natural language, audio, and other sequence data. Thanks to deep learning, sequence algorithms are working far better than just two...
【AAAI-2019】论文整理（清单）
热门推荐
TiffanyRabbit的博客
03-12 4万+
AAAI-19 Accepted Papers – Main Technical Track 整理自：AAAI官网，分类整理持续更新… 详细文章可从arXiz.org下载 – CircConv: A Structured Convolution with Low Complexity Siyu Liao ()*; Bo Yuan (Rutgers University) – Deep Sing...
对抗样本方向（Adversarial Examples）2018-2020年最新论文调研
huitailangyz的博客
06-15 1万+
调研范围 2018NIPS、2019NIPS、2018ECCV、2019ICCV、2019CVPR、2020CVPR、2019ICML、2019ICLR、2020ICLR 2018NIPS Contamination Attacks and Mitigation in Multi-Party Machine Learning（防御） 作者：Jamie Hayes(Univeristy College London) Olga Ohrimenko(Microsoft Research) 摘要：Machine
优快云-markdown语法之如何使用LaTeX语法编写数学公式
tingzuhuitou的博客
08-28 366
数学公式
2021年五一数学建模竞赛C题深度解决方案 问题1：非风险性与风险性异常判定模型 方法改进与实施步骤： 数据预处理与特征工程 数据清洗：使用小波变换去除高频噪声，插值处理缺失值。 多维特征提取： 统计特征：滑动窗口（5分钟）内的均值、方差、偏度、峰度。 时序特征：自相关系数（ACF）、趋势斜率（线性回归拟合）。 频域特征：快速傅里叶变换（FFT）提取主频能量占比。 非风险性异常检测 偶发性波动：采用孤立森林（Isolation Forest）检测残差项的离群点，设置动态阈值（如前1%分位数）。 规律性波动： 使用STL分解提取季节项，通过Lomb-Scargle周期图验证周期性（如每小时/每日周期）。 若波动与周期模式匹配，判定为非风险。 独立性检验： 构建传感器关系网络，基于动态时间规整（DTW）计算两两相似性，定义关联权重。 若某传感器异常时，其邻居节点无显著异常（通过卡方检验），则判定为独立异常。 风险性异常判定 持续性分析： 定义马尔可夫链状态转移模型，计算连续异常状态的转移概率。 若窗口内连续异常概率超过阈值（如95%置信区间），判定为持续性风险。 联动性分析： 采用格兰杰因果检验识别传感器间的因果关系。 结合社区发现算法（如Louvain）检测同步异常簇，若簇内传感器数≥3且因果关系显著，判定为联动风险。 问题2：异常程度量化评价模型 模型构建与优化： 多维度评分指标 波动强度（40%）：归一化Z-score绝对值，反映偏离基准的程度。 持续时间（30%）：连续异常时间占窗口长度的比例（对数变换增强区分度）。 联动影响（30%）： 广度：异常传感器数量（标准化为[0,1]）。 深度：异常传感器在网络中的PageRank值（衡量节点重要性）。 非线性评分模型 采用随机森林回归模型，输入上述特征，输出0-100分异常评分。 特征重要性分析：通过Gini指数确定权重，避免人为赋权偏差。 结果展示与验证 Top 5异常时刻示例： 排名 第一高分 第二高分 第三高分 第四高分 第五高分 异常程度得分 95 90 88 85 82 异常时刻 08:15:23 14:30:47 17:10:05 09:55:12 20:45:38 异常传感器 S05, S12 S08, S03 S22, S09 S1
04-16
用户提到的数据预处理部分，可能需要处理缺失值、异常值，以及数据分布的问题。根据引用[2]，他们使用了箱型图来检测异常值，因为数据不服从正态分布。这可能是一个关键点，因为不同的数据分布需要不同的处理方法。...
PairsTrading_FEX.rar
03-21
4. **Z-Score和价差计算**：计算价差（Spread）并应用标准化指标，如Z-Score，来衡量配对资产价格的相对位置。Z-Score能够量化价差偏离正常范围的程度，当Z-Score达到一定阈值时，触发交易信号。 5. **交易策略执行...
online_2.12-0.0.41-sources.jar
09-09
online_2.12-0.0.41-sources.jar
online_2.11-0.0.101.jar
09-10
online_2.11-0.0.101.jar
solr-plugins-0.3-javadoc.jar
09-10
solr-plugins-0.3-javadoc.jar
sbt-shuwari-mode-0.10.1-sources.jar
09-09
sbt-shuwari-mode-0.10.1-sources.jar
catboost-spark-macros_2.12-1.0.4-javadoc.jar
09-09
catboost-spark-macros_2.12-1.0.4-javadoc.jar
peers-doc-0.5.1.jar
09-10
peers-doc-0.5.1.jar
arc-graphql-spring-boot-starter-0.106.0-sources.jar
09-09
arc-graphql-spring-boot-starter-0.106.0-sources.jar
arc-scripting-0.76.0-javadoc.jar
最新发布
09-10
arc-scripting-0.76.0-javadoc.jar
基于VL-Granger因果推理的DTWGrangerFramework
资源摘要信息:"DTW代码Matlab-DTWGrangerFramework:VL-Granger因果推理框架" 1. DTW(动态时间弯曲) 动态时间弯曲（DTW）是一种用于测量两个时间序列之间相似性的算法，尤其适用于时间序列数据的非线性对齐问题。DTW...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值