Moving Average Korrelations Matrix

Angenommen, Sie haben N Zeitreihen (xts Klasse) Können Sie einen Weg vorschlagen (zB eine bestehende Funktion), um die rollende durchschnittliche Korrelation zu berechnen (rollenden bewegten Fenster) So haben Sie zB 10 Zeitreihen. Der erste Schritt besteht darin, 60 Tage Korrelation zwischen ersten und zweiten, ersten und dritten, ersten und vierten, und so weiter zu berechnen. Der zweite Schritt besteht darin, den Durchschnitt für diesen Korrelationswert zu berechnen. Ende des ersten Zyklus Nachdem du eines Tages vorangetrieben hast und den ganzen Prozess beginnt (erster und zweiter Schritt) Die Ergebnisse sind eine Zeitreihe mit den durchschnittlichen Korrelationswerten. Kann jemand helfen, einen effizienten Weg zu finden, dies zu tun Dies ist die Struktur meiner Daten: Angenommen, Sie haben alle Serien in den Datenrahmen namens X, in den ersten zehn Variablen. Dann: Wenn du sie nicht in einem Datenrahmen hast, dann denke ich, der einfachste Weg ist zuerst, um einen Datenrahmen zu machen :) - vorausgesetzt, dass deine Zeitreihen alle gleich lang sind. Um diagonale 1s aus der Korrelationsmatrix auszuschließen, können Sie zunächst eine Funktion definieren, die den Mittelwert aller Werte unterhalb der Diagonalen berechnet (oder über diag, doenst einen Unterschied machen): (Nicht getestet, aber ich denke es shoudlwork) Korrelation Der Korrelationskoeffizient (ein Wert zwischen -1 und 1) sagt Ihnen, wie stark zwei Variablen miteinander verwandt sind. Wir können die CORREL-Funktion oder das Analysis Toolpak-Add-In in Excel verwenden, um den Korrelationskoeffizienten zwischen zwei Variablen zu finden. - Ein Korrelationskoeffizient von 1 bedeutet eine perfekte positive Korrelation. Wenn die Variable X zunimmt, erhöht sich die Variable Y. Wenn die Variable X abnimmt, nimmt die Variable Y ab. - Ein Korrelationskoeffizient von -1 bedeutet eine perfekte negative Korrelation. Wenn die Variable X zunimmt, nimmt die Variable Z ab. Wenn die Variable X abnimmt, nimmt die Variable Z zu. - Ein Korrelationskoeffizient nahe 0 bedeutet keine Korrelation. Um das Analysis Toolpak-Add-In in Excel zu verwenden, um schnell Korrelationskoeffizienten zwischen mehreren Variablen zu erzeugen, führen Sie die folgenden Schritte aus. 1. Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis: Kann die Schaltfläche Datenanalyse nicht finden Hier klicken, um das Analysis ToolPak-Add-In zu laden. 2. Wählen Sie Korrelation und klicken Sie auf OK. 3. Wählen Sie zum Beispiel den Bereich A1: C6 als Eingangsbereich. 4. Etiketten in der ersten Zeile überprüfen 5. Wählen Sie die Zelle A9 als Ausgabebereich. Schlussfolgerung: Die Variablen A und C sind positiv korreliert (0,91). Die Variablen A und B sind nicht korreliert (0,19). Die Variablen B und C sind ebenfalls nicht korreliert (0,11). Sie können diese Schlussfolgerungen überprüfen, indem Sie die Grafik betrachten. Multivariate Exponentiell gewichtete bewegliche Kovarianz Matrix Hawkins, Douglas M. Maboudou-Tchao, Edgard M. (ASQ American Statistical Association) Universität von Minnesota University of Central Florida Technometrics Vol. 50 Nr. 2 QICID: 24353 Mai 2008 pp. 155-166 Liste 10.00 Mitglied 5.00 FÜR EIN BESCHRÄNKTER ZEIT, ZUGANG ZU DIESEM INHALTE IST KOSTENLOS Sie müssen angemeldet sein. Neu bei ASQ Registrieren Sie sich hier. Artikel Abstrakt Diese Zusammenfassung basiert auf den Autoren abstrakt. Die populäre multivariaten exponentiell gewichteten gleitenden Durchschnittsdiagramme (MEWMA) konzentrieren sich auf Veränderungen im Mittelvektor, aber Veränderungen können entweder in der Lage oder in der Variabilität der korrelierten multivariaten Qualitätscharakteristik auftreten, die parallele Methoden zur Erkennung von Änderungen in der Kovarianzmatrix erfordert. Für die Überwachung der Stabilität der Kovarianzmatrix eines Prozesses wird eine exponentiell gewichtete Bewegungskovarianzmatrix betrachtet. Bei der Verwendung zusammen mit dem Standort MEWMA überwacht dieses Diagramm sowohl die Mittelwerte als auch die Variabilität, wie es die richtige Prozesskontrolle erfordert. Die Grafik übertrifft in der Regel konkurrierende Diagramme für die Kovarianzmatrix. Durchschnittliche Lauflänge (ARL), Bias, Regressionsanalyse, Kovarianz, Exponentiell gewichtete gleitende durchschnittliche Kontrollkarten (EWMA) Ein Großteil meiner Forschung konzentriert sich auf die dynamischen Beziehungen zwischen Vermögenswerten auf dem Markt (1,2,3). Typischerweise verwende ich Korrelation als Maß für die Beziehungsabhängigkeit, da ihre Ergebnisse leicht zu kommunizieren und zu verstehen sind (im Gegensatz zu gegenseitigen Informationen, die in der Finanzierung etwas weniger in der Informationstheorie verwendet werden). Die Analyse der Korrelationsdynamik erfordert jedoch, dass wir eine bewegliche Korrelation (a. k.a. windowed, dragiling oder rolling) berechnen. Bewegliche Mittelwerte sind gut verstanden und leicht berechnet 8211 sie berücksichtigen jeweils einen Vermögenswert und erzeugen für jeden Zeitraum einen Wert. Verschieben von Korrelationen, im Gegensatz zu gleitenden Durchschnitten, müssen mehrere Assets berücksichtigen und eine Matrix von Werten für jeden Zeitraum erzeugen. Im einfachsten Fall kümmern wir uns um die Korrelation zwischen zwei Vermögenswerten 8211 zum Beispiel der SampP 500 (SPY) und dem Finanzsektor (XLF). In diesem Fall müssen wir nur auf einen Wert in der Matrix achten. Wenn wir aber den Energiesektor (XLE) hinzufügen würden, wird es schwieriger, diese Korrelationen effizient zu berechnen und darzustellen. Dies gilt immer für 3 oder mehr verschiedene Vermögenswerte. I8217ve geschrieben den Code unten, um diesen Prozess zu vereinfachen (Download). Zuerst stellen Sie eine Matrix (dataMatrix) mit Variablen in den Spalten 8211 zum Beispiel SPY in Spalte 1, XLF in Spalte 2 und XLE in Spalte 3 zur Verfügung. Zweitens stellen Sie eine Fenstergröße (windowSize) zur Verfügung. Zum Beispiel, wenn dataMatrix minutiös zurückkehrt, würde eine Fenstergröße von 60 nachfolgende stündliche Korrelationsschätzungen erzeugen. Drittens geben Sie an, welche Spalte (indexColumn) Sie interessieren, die Ergebnisse zu sehen. In unserem Beispiel würden wir wahrscheinlich Spalte 1 angeben, da dies die Korrelation zwischen (1) dem Sampup und dem Finanzsektor und (2) dem Sampup - und Energiesektor ermöglichen würde. Das Bild unten zeigt die Ergebnisse für genau das Beispiel oben für letzten Freitag, 1. Oktober 2010. ShareBookmark 2 Responses to 8220Calculating Moving Correlation in Matlab8221 it8217s nicht klar, wie Sie mit NA umgehen. Wie würden Sie Korrelationen für Indizes über verschiedene Länder berechnen, in denen ein Datenpunkt fehlen kann aufgrund eines bestimmten Urlaubs in einem einzelnen Land Hallo Paolo, Der Code als I8217ve posted doesn8217t beschäftigen sich mit NaNs anmutig. Sie können von dieser Matlab-Dokumentationsseite sehen, dass Sie 82208216rows8217, 8216complete82178221 dem corrcoef-Befehl hinzufügen können, um sich mit dem Problem beschäftigen zu können. Mathworkshelptechdocrefcorrcoef. html Die anderen Alternativen sollen dieses Datum vollständig ablegen, interpolieren oder eine anspruchsvollere Methode für den Umgang mit fehlenden Beobachtungen verwenden. Hinterlasse eine Antwort Antworten abbrechen