【统计学】【2015】时间序列数据缺失值的多重填补

2024-01-17 20:59

本文主要是介绍【统计学】【2015】时间序列数据缺失值的多重填补,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述
本文为美国杜克大学(作者:Sohae Oh)的硕士论文,共48页。

由于各种原因,金融股票市场数据常常包含缺失的数值。其中一个原因是,由于市场因假日休市,所以并不总是观察每日股价,这就造成了信息上的空白,使得很难预测第二天的股价。在这种情况下,节日期间的信息可以从其他国家的股票市场“借来”,因为全球股票价格往往表现出类似的走势,事实上是高度相关的。

本研究的主要目的是结合全球不同市场的股指数据,利用不同时间序列间的「资讯分享」,开发一种计算个别股指缺失值的演算法。为了开发适应时间序列特征的插补算法,我们对时间序列和面板数据采用动态线性模型的多重插补方法。该算法采用了可忽略的丢失数据机制,主要针对由于假期而导致的数据丢失。利用蒙特卡罗马尔可夫链(MCMC)方法模拟了参数的后验分布,并利用Rubin组合规则对绘制集的估计值进行组合,给出了数据集的最终推断。具体地说,我们使用Gibbs取样器、前向滤波和后向采样(FFBS)来模拟联合后验分布和隐变量的后验预测分布等参数。利用均方根误差(RMSE)和归一化均方根误差(NRMSE)两种基于误差的测量方法对算法的有效性和性能进行了仿真研究。我们比较了输入时间序列与完整数据集的总体趋势,并以最终值结转法(LVCF)为基准检验了算法的不充分可预测性。将该算法应用于美国、日本、香港、英国和德国的实际股价指数数据,通过仿真和实际应用,我们得出结论:该插补算法能够很好地实现我们的原始目标,以预测节后开盘价的股价,其效果优于基准方法。我们相信这种多重插补算法可以应用于许多处理具有缺失值的时间序列应用,如金融和经济数据以及生物医学数据。

Financial stock market data, for variousreasons, frequently contain missing values. One reason for this is that,because the markets close for holidays, daily stock prices are not alwaysobserved. This creates gaps in information, making it difficult to predict thefollowing day’s stock prices. In this situation, information during the holidaycan be “borrowed” from other countries’ stock market, since global stock pricestend to show similar movements and are in fact highly correlated. The main goalof this study is to combine stock index data from various markets around theworld and develop an algorithm to impute the missing values in individual stockindex using “information sharing” between different time series. To developimputation algorithm that accommodate time series-specific features, we takemultiple imputation approach using dynamic linear model for time-series andpanel data. This algorithm assumes ignorable missing data mechanism, as which missingnessdue to holiday. The posterior distributions of parameters, including missingvalues, is simulated using Monte Carlo Markov Chain (MCMC) methods andestimates from sets of draws are then combined using Rubin’s combination rule,rendering final inference of the data set. Specifically, we use the Gibbssampler and Forward Filtering and Backward Sampling (FFBS) to simulate jointposterior distribution and posterior predictive distribution of latentvariables and other parameters. A simulation study is conducted to check thevalidity and the performance of the algorithm using two error-basedmeasurements: Root Mean Square Error (RMSE), and Normalized Root Mean SquareError (NRMSE). We compared the overall trend of imputed time series withcomplete data set, and inspected the insample predictability of the algorithmusing Last Value Carried Forward (LVCF) method as a bench mark. The algorithmis applied to real stock price index data from US, Japan, Hong Kong, UK andGermany. From both of the simulation and the application, we concluded that theimputation algorithm performs well enough to achieve our original goal,predicting the stock price for the opening price after a holiday, outperformingthe benchmark method. We believe this multiple imputation algorithm can be usedin many applications that deal with time series with missing values such asfinancial and economic data and biomedical data.

  1. 引言
  2. 研究方法
  3. 估计
  4. 仿真
  5. 应用
  6. 结论与讨论

更多精彩文章请关注公众号:在这里插入图片描述

这篇关于【统计学】【2015】时间序列数据缺失值的多重填补的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/617200

相关文章

go中的时间处理过程

《go中的时间处理过程》:本文主要介绍go中的时间处理过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1 获取当前时间2 获取当前时间戳3 获取当前时间的字符串格式4 相互转化4.1 时间戳转时间字符串 (int64 > string)4.2 时间字符串转时间

MySQL 删除数据详解(最新整理)

《MySQL删除数据详解(最新整理)》:本文主要介绍MySQL删除数据的相关知识,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、前言二、mysql 中的三种删除方式1.DELETE语句✅ 基本语法: 示例:2.TRUNCATE语句✅ 基本语

MyBatisPlus如何优化千万级数据的CRUD

《MyBatisPlus如何优化千万级数据的CRUD》最近负责的一个项目,数据库表量级破千万,每次执行CRUD都像走钢丝,稍有不慎就引起数据库报警,本文就结合这个项目的实战经验,聊聊MyBatisPl... 目录背景一、MyBATis Plus 简介二、千万级数据的挑战三、优化 CRUD 的关键策略1. 查

python实现对数据公钥加密与私钥解密

《python实现对数据公钥加密与私钥解密》这篇文章主要为大家详细介绍了如何使用python实现对数据公钥加密与私钥解密,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录公钥私钥的生成使用公钥加密使用私钥解密公钥私钥的生成这一部分,使用python生成公钥与私钥,然后保存在两个文

mysql中的数据目录用法及说明

《mysql中的数据目录用法及说明》:本文主要介绍mysql中的数据目录用法及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、背景2、版本3、数据目录4、总结1、背景安装mysql之后,在安装目录下会有一个data目录,我们创建的数据库、创建的表、插入的

Golang如何对cron进行二次封装实现指定时间执行定时任务

《Golang如何对cron进行二次封装实现指定时间执行定时任务》:本文主要介绍Golang如何对cron进行二次封装实现指定时间执行定时任务问题,具有很好的参考价值,希望对大家有所帮助,如有错误... 目录背景cron库下载代码示例【1】结构体定义【2】定时任务开启【3】使用示例【4】控制台输出总结背景

Navicat数据表的数据添加,删除及使用sql完成数据的添加过程

《Navicat数据表的数据添加,删除及使用sql完成数据的添加过程》:本文主要介绍Navicat数据表的数据添加,删除及使用sql完成数据的添加过程,具有很好的参考价值,希望对大家有所帮助,如有... 目录Navicat数据表数据添加,删除及使用sql完成数据添加选中操作的表则出现如下界面,查看左下角从左

SpringBoot中4种数据水平分片策略

《SpringBoot中4种数据水平分片策略》数据水平分片作为一种水平扩展策略,通过将数据分散到多个物理节点上,有效解决了存储容量和性能瓶颈问题,下面小编就来和大家分享4种数据分片策略吧... 目录一、前言二、哈希分片2.1 原理2.2 SpringBoot实现2.3 优缺点分析2.4 适用场景三、范围分片

Redis分片集群、数据读写规则问题小结

《Redis分片集群、数据读写规则问题小结》本文介绍了Redis分片集群的原理,通过数据分片和哈希槽机制解决单机内存限制与写瓶颈问题,实现分布式存储和高并发处理,但存在通信开销大、维护复杂及对事务支持... 目录一、分片集群解android决的问题二、分片集群图解 分片集群特征如何解决的上述问题?(与哨兵模

浅析如何保证MySQL与Redis数据一致性

《浅析如何保证MySQL与Redis数据一致性》在互联网应用中,MySQL作为持久化存储引擎,Redis作为高性能缓存层,两者的组合能有效提升系统性能,下面我们来看看如何保证两者的数据一致性吧... 目录一、数据不一致性的根源1.1 典型不一致场景1.2 关键矛盾点二、一致性保障策略2.1 基础策略:更新数