赤月传说2卡赤月教主:时间窗
来源:百度文库 编辑:九乡新闻网 时间:2024/04/27 14:05:32
我们先从一个图开始。
4 9 2 3 5 7 8 1 6 洛书(九宫)图表
洛书实际是九宫,即1——9排列而成,横,竖,斜三个数相加和都是15。如果我们在洛书(九宫)图表上作出两条对角线及十字交叉线,构成的显然是一个米字线。(这是我还没有上小学的时候,父母经常让我玩的数字游戏。刚开始的时候,怎么也完成不了,后来找到了“关键”,问题才迎刃而解)
先看一些有趣的计算。
有多少求4的计算方式?4=4+6-6 4=2+8-6 4=3+7-6 4=1+9-6 4=5+5-6
有多少求3的计算方式?3=3+7-7 3=2+8-7 3=4+6-7 3=1+9-7 3=5+5-7
有多少求7的计算方式?7=7+3-3 7=2+8-3 7=4+6-3 7=1+9-3 7=5+5-3
有多少求8的计算方式?8=8+2-2 8=3+7-2 8=4+6-2 8=1+9-2 8=5+5-2
求其他数字的计算方式,就不用说了,谁都知道。
通过这些计算不知道大家发现没有,构成洛书(九宫)图的各数字之间具有如下关系:
1, 任意两条线上的四个数字对应成等差关系。
4-3=7-6 4-8=2-6 3-8=2-7 ......
这即是“4=2+3-1”法的来源。
这种对称的等差关系,是这个洛书(九宫)图的精髓,也是完成这个数字游戏的“关键”之一。
2, 任意一条线上的三个数字对应成等差关系。
4-5=5-6 3-5=5-7 1-5=5-9 ......
这即是“3=2+2-1”法的来源。
关于5对称,是这个洛书(九宫)图的精髓,也是完成这个数字游戏的“关键”之一。
这些数字关系,跟时间窗口计算有什么关系呢?别急,我们慢慢研究。
学过《亚当理论》的人,都知道“对称性”原理,但《亚当理论》只谈“价格”,不谈“时间”,这是《亚当理论》的秘密之一,有所保留的地方;学过《股票大作手操盘术》一书的人,都知道作者Jesse lovermore明确地说“时间”是最重要因素,但他没有说具体的技术和知识;学过“江恩理论”的人,都知道“对称法则”或“镜像原理”,这是自然法则的形式之一。
当市场走出N(“之”)字形时,我们有三个数字做计算,自然就用“4=2+3-1”法;当市场走出V形或倒V形时,我们有两个数字做计算,自然就用 “3=2+2-1”法;当市场走出M形或W形时,我们有多个数字做计算,自然就不会只用一种方法了。当市场走出......
希望有缘人能深悟之,用好之,祝大家在证券市场取得完满的成功。
一个小分享:河图与洛书是中国古代流传下来的两幅神秘图案,历来被认为是河洛文化的滥觞,中华文明的源头,被誉为"宇宙魔方"。研究过洛书(九宫)图的人,都知道它是加减法的魔方;研究过河图的人,都知道它是乘除法的魔方。
河图洛书所表达的是一种数学思想。只要细加分析便知,数字性和对称性是“图书”最直接、最基本的特点,“和”或“差”的数理关系则是它的基本内涵。完全可以用数学方法证明或推导出河图洛书,并证明河图与洛书同出一源。(乘除法和加减法的一致性)
中国的古老文化,实在太神奇。 时间序列预测法的实际应用分析 by 温品人
(扬州市广播电视大学,江苏 扬州 225009)
摘 要:根据所搜集的实际数据资料,以统计学为基础,采用时间序列预测方法,对扬州市农业总产值时间序列建立了趋势模型,结果说明简单模型也能达到较好的拟合效果和精度。
关键词:时间序列;模型; 拟合; 预测
中图分类号:G30 文献标识码:B
文章编号:1008-4207(2001)06-0063-03
一、时间序列预测法
时间序列是指同一种现象在不同时间上的相继观察值排列而成的一组数字序列。时间序列预测方法的基本思想是:预测一个现象的未来变化时,用该现象的过去行为来预测未来。即通过时间序列的历史数据揭示现象随时间变化的规律,将这种规律延伸到未来,从而对该现象的未来作出预测。
现实中的时间序列的变化受许多因素的影响,有些起着长期的、决定性的作用,使时间序列的变化呈现出某种趋势和一定的规律性,有些则起着短期的、非决定性的作用,使时间序列的变化呈现出某种不规则性。时间序列的变化大体可分解为以下四种:
(1)趋势变化,指现象随时间变化朝着一定方向呈现出持续稳定地上升、下降或平稳的趋势。
(2)周期变化(季节变化),指现象受季节性影响,按一固定周期呈现出的周期波动变化。
(3)循环变动,指现象按不固定的周期呈现出的波动变化。
(4)随机变动,指现象受偶然因素的影响而呈现出的不规则波动。时间序列一般是以上几种变化形式的叠加或组合。时间序列预测方法分为两大类:一类是确定型的时间序列模型方法;另一类是随机型的时间序列分析方法。确定型时间序列预测方法的基本思想是用一个确定的时间函数y=f(t)来拟合时间序列,不同的变化采取不同的函数形式来描述,不同变化的叠加采用不同的函数叠加来描述。具体可分为趋势预测法、平滑预测法、分解分析法等。随机型时间序列分析法的基本思想是通过分析不同时刻变量的相关关系,揭示其相关结构,利用这种相关结构来对时间序列进行预测。本文讨论的时间序列预测法 指的是确定型时间序列模型方法。
二、实际应用分析
1.预测方法和模型的选择
表11980~1999年扬州市农业总产值 单位:万元
表1是扬州市1980~1999年农业总产值的有关数据资料,资料摘自《扬州统计年鉴2000》,表中产值按990年不变价格计算。根据表1时间序列的资料,画出时间序列折线图1。通过观察时间序列图,可以看出此时间序列具有明显的趋势变动。在1980~1999年20年间,扬州市农业总产值总体呈明显的上升趋势。农业总产值的变化分为两个时间段:1980~1990年时间序列呈曲线变化趋势,1991~1999年时间序列呈线性变化趋势。根据直观的判断,对时间序列采取分段处理的方法,即对1980~1990年的时间序列拟合二次曲线趋势模型,对1991~1999年的时间序列拟合线性趋势模型。
图1农业总产值折线图
2.建立模型
(1)二次曲线趋势模型:Yt=a+bt+ct2
上述方程中的三个未知参数a、b、c根据最小二乘法求得。即对时间序列拟合一条趋势曲线,使之满足下列条件:各实际值Yt与趋势值〖AKY^〗t的离差平方和为最小,即∑(Yt-〖AKY^〗t)2=最小值,得到标准求解方程:
∑Y=na+b∑t+c∑t2
∑tY=a∑t+b∑t2+c∑t3
∑t2Y=a∑t2+b∑t3+c∑t4
当取时间序列的中间时期数为原点时,有∑t=0,上式可简化为:
∑Y=na+c∑t2
∑tY=b∑t2
∑t2Y=a∑t2+c∑t4
经过计算,得到对扬州市1980~1990年农业总产值时间序列拟合的二次曲线模型为:
Y^t=316488.1+14584.3t-705.3t2。
(2)线性趋势模型:Y^t=a+bt
上述方程中的两个未知参数a、b也是根据最小二乘法的原理求得。
b=n∑tY-∑t∑Y/n∑t2-(∑t)2
a=1/n(∑Y-b∑t)
同样,为计算方便,取时间序列的中间时期数为原点,此时有∑t=0,上式可简化为:
a=1/n∑Y
b=∑tY/∑t2
经过计算,得到对扬州市1991~1999年农业总产值时间序列拟合的线性模型为:
Y^t=524212+51090.5t
3.对模型的有效性进行检验
对时间序列拟合了趋势模型,如果用线性趋势模型Y^t=524212+51090.5t预测扬州市2000年的农业总产值,这一预测是否有效,还需要进行有效性检验。笔者用的是时间序列自相关的分析,即通过计算误差项的自相关系数来判断误差是否属于随机误差。
线性预测模型所对应的误差项时间序列共9项数据,即n=9。自相关系数公式:
rk=∑(Y′t-Y′)(Y′t-k-Y′)/∑(Y′t-Y′)2
其中,Y′t=Yt-Y^t,Y′=∑Y′/n。 Y′t-k是误差项时间序列各期滞后序列,见表2。
表2 误差项时间序列及各滞后序列
根据公式计算得到:r1=0.1969,r2=-0.5743,r3=-0.2978。置信度为95%的置信区间为[-0.66,0.66],计算得到的误差项的自相关系数r1、r2、r3都落在这个区间内,则有95%的把握认为所有的自相关系数与零没有显著性差异,因此判断 误差是随机误差,则线性趋势模型用于预测是有效的。根据模型,得到扬州市2000年农业总产值的预测值为779 665万元,实际值为761 776万元,预测误差为2.35%。
4.预测精度分析
不同的预测对象具有不同的特点,而不同的预测方法也有各自的优点和缺点。预测的关键就是为预测对象寻找合适的预测方法,使得预测结果具有更高的可靠性和精确度。一般认为预测精度是指预测模型拟合好坏的程度,即由预测模型所产生的模拟值与历史实际值拟合程度的优劣。表3 是根据模型计算的趋势值(模拟值)及相对误差指标。
表3趋势值和误差计算表
根据表3的数据画出实际值、趋势值的时间序列图1,其中虚线为趋势值线。
三、结论
从计算结果分析,对农业总产值时间序列进行分段处理,拟合模型,拟合效果较好,精度较,说明简单模型也能达到较高的精度。在一些情况下,有些复杂的预测模型,如B-J方法的ARMA模型其预测精度高于简单模型。但B-J方法在模型识别时要50个以上的历史统计数据,对按年记录的经济资料很难搜集。在实际预测时,有时采用组合预测模型,可以达 到更高的预测精度。
时间序列预测法是一种重要的预测方法,其预测模型都比较简单,它对资料的要求比较单一,只需变量本身的历史数据,因此,在实际情况中有着广泛的适用性。
参考文献:
[1]徐国祥.统计预测和决策[M].上海:上海财经大学出版社,1998.243-246.
[2]周以祥.现代管理方法[M].南京:南京大学出版社,1994.59-64.
[3]贾俊平,等.统计学[M].北京:中国人民大学出版社,2000.278-285.
[4]Robert S.Pindyck,Daniel L.Rubinfeld.计量经济模型与经济预测[M].北京:机械工业出版社,99.293-295. 时间理论(转载前辈的)(
时间是唯一性的,空间是反复的,所以空间似乎是圆的。例如时间是唯一性的,而空间是可以反复的,价位可以在某一区域范围内不断的重复,但时间仅有一个。所以,我们主要把握的数字的时间,而不是数字的空间。因为用市场自然空间去框定后市的市场,虽然有一定的东西存在,但是可变性偏多些。而用数字的时间去框定后市的市场,精确率就很高。甚至可以做到一天不差! 所以空间不太好把握,时间是定数。因此,我用的是数字的时间。
分析的三个前提
一个是取样问题。由于上交所成立于1990年12月19日,因此,笔者喜欢把每月的19日当作一个月的开始,而以18日作为一个月的结束。如2000年8月,就是从7月19日到8月18日为止,而不是从8月1日至8月30日为止。这里我们就采用这样的月线。
一个是定点问题。在分形理论一文中,我们提到过分形零点概念,周期分析同样有一个时间零点。笔者注意到,几乎所有的周期分析者都喜欢把产生高点或低点的那一个月数作1,这实际上是一种错误的数法。就像数岁数不能算虚岁,而应该算周岁一样,产生高点或低点的那一个月应算时间零点,真正的1应该是它的下一个月。
还有一个是顺序问题。大多数人在计算时间时,都喜欢从某一高点或低点开始往后数,即从过去数过来,这叫顺数法。用顺数法计算时间周期是一件相当累人的事,而且很容易忽视真正重要的时间窗口。因此笔者喜欢用逆数法,它的基本做法就是以当前为出发点,然后往后数,看它和历史上若干个高点或低点间的时间跨度是多长。这种数法的好处是能够迅速地了解到当前这个点和过去各高低点间的时间联系。
时间序列是周期分析的首要概念
讲完三个前提后,我们引进一个重要概念:时间序列。根据笔者7年来的周期研究,一个点位是否会成为重要的顶与底,并不取决于它和历史上某个重要顶与底间的时间跨度有多长,而是取决于它和若干个历史高点和低点间的时间跨度,是否构成一个完整的时间序列。这是固定周期法和时间序列法的最大区别。
如去年6月30日在我们这里属于7月份1756点的顶,用固定周期法来分析,看不出特别充足理由,但用时间序列法来分析则一目了解,因为以它为时间零点,往后数:3个月是1210点高点,5个月是1064点低点,8个月是1300点高点,13个月是1422点高点,12个月是1025点低点,34个月是 752点低点,它们正好构成一组完整而严密的费波纳奇式的时间序列。
这一例证可使我们进一步了解时间序列法的精神,以及逆数法的好处。如果不是逆数,你很可能会把1210点、1064点、752点等这些次要波动忽略不计,而把1510点、1052点、1558点及325点和512点这样一些最重要的顶和底算进来。而实际上,1756点并不和它们发生费波纳奇式的联系。由此可以看出,周期分析重在波动,而不在于这些波动点重要与否,有时候,一些次要的波动反而蕴涵着更重要的周期信息。
当然,费波纳奇并不是唯一重要的时间序列,根据笔者研究,中国股市至少存在4组时间序列,它们交替影响,使股市在不同时间,按照不同的时间序列,轮流地产生出不同的高低点。
时间窗口就此洞开
以费波纳奇数列为时间序列来检验7月19日至8月18日这一月,我们可以看到:以它为时间零点往后数,3个月是1695点低点,5个月是1586点低点,13个月是1756点高点,21个月是1300点高点,34个月是1025点低点,55个月是513点低点。还有1993年的1558点,产生于2月 15日,距今为90个月,但由于见到1558点后,大盘在高位盘整了一周,正式回调时间是2月22日,因此这一个顶也可以算到89个月中。可以说,这是迄今为止和费波纳奇数列吻合得最紧的一次。在这一时间序列上,13至89个月上的高低点全是重要的顶和底!时间窗口就此洞开。