Séance de cours

Mémoire longue et ARCH: Séries chronologiques

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

MATH-342: Time series

A first course in statistical time series analysis and applications. ...

Description

Cette séance de cours couvre le concept de longue mémoire dans les séries chronologiques, où la covariance se désintègre polynomialement, et les modèles ARCH utilisés dans les séries chronologiques financières pour modéliser les grappes de volatilité. La mémoire longue est liée à des processus autosimilaires, tandis que les modèles ARCH capturent les changements dans la volatilité. La séance de cours se penche sur les définitions mathématiques, les propriétés et les méthodes d'estimation des modèles de mémoire longue et ARCH.

Enseignant·e

Sofia Charlotta Olhede

Sofia Olhede is a professor of Statistics at EPFL in Switzerland. She joined UCL prior to this in 2007, before which she was a senior lecturer of statistics (associate professor) at Imperial College London (2006-2007), a lecturer of statistics (assistant professor) (2002-2006), where she also completed her PhD in 2003 and MSci in 2000. She has held three research fellowships while at UCL: UK Engineering and Physical Sciences Springboard fellowship as well as a five-year Leadership fellowship, and now holds a European Research Council Consolidator fellowship. Sofia has contributed to the study of stochastic processes; time series, random fields and networks. Sofia was part of the multi-institutional team that set up the UK national data science institute, the Alan Turing Institute. She organised and served as chair of the science committee that developed the initial 500 000 pounds scientific programme of the institute; peer-reviewing over 100 workshop proposals and hosting over 30. She also chaired the first recruitment wave of the institute hiring 13 data scientists as a multi-university recruitment drive. Sofia was a member of the Royal Society and British Academy Data Governance Working Group, and the Royal Society working group on machine learning. Most recently she was one of 3 commissioners on a law society commission on the usage of algorithms in the justice system.

Source officielle

Proximité ontologique

Statistique

Analyse des données: Série temporelle

Psychologie

Basic psychology: Psychologie cognitive

Concepts associés (32)

Processus stationnaire

Pour accéder aux propriétés essentielles d'un signal physique il peut être commode de le considérer comme une réalisation d'un processus aléatoire (voir quelques précisions dans Processus continu). Le problème est largement simplifié si le processus associé au signal peut être considéré comme un processus stationnaire, c'est-à-dire si ses propriétés statistiques caractérisées par des espérances mathématiques sont indépendantes du temps.

Fonction de vraisemblance

vignette|Exemple d'une fonction de vraisemblance pour le paramètre d'une Loi de Poisson En théorie des probabilités et en statistique, la fonction de vraisemblance (ou plus simplement vraisemblance) est une fonction des paramètres d'un modèle statistique calculée à partir de données observées. Les fonctions de vraisemblance jouent un rôle clé dans l'inférence statistique fréquentiste, en particulier pour les méthodes statistiques d'estimation de paramètres.

Hétéroscédasticité

En statistique, l'on parle d'hétéroscédasticité lorsque les variances des résidus des variables examinées sont différentes. Le mot provient du grec, composé du préfixe hétéro- (« autre »), et de skedasê (« dissipation»). Une collection de variables aléatoires est hétéroscédastique s'il y a des sous-populations qui ont des variabilités différentes des autres. La notion d'hétéroscédasticité s'oppose à celle d'homoscédasticité. Dans le second cas, la variance de l'erreur des variables est constante i.e. .

Processus autorégressif

Un processus autorégressif est un modèle de régression pour séries temporelles dans lequel la série est expliquée par ses valeurs passées plutôt que par d'autres variables. Un processus autorégressif d'ordre p, noté AR(p) est donné par : où sont les paramètres du modèle, est une constante et un bruit blanc. En utilisant l'opérateur des retards, on peut l'écrire : Un processus autorégressif d'ordre 1 s'écrit : On peut formuler le processus AR(1) de manière récursive par rapport aux conditions précédentes : En remontant aux valeurs initiales, on aboutit à : Il est à noter que les sommes vont ici jusqu'à l'infini.

Autocovariance

La fonction d'autocovariance d'un processus stochastique permet de caractériser les dépendances linéaires existant au sein de ce processus. Si est un processus stationnaire au sens faible alors et pour n'importe quels entiers naturels . Dans ce cas et il suffit alors de définir les autocovariances par la fonction qui à tout associe . La fonction d'autocovariance apparaît alors comme la covariance de ce processus avec une version décalée de lui-même. On appelle l'autocovariance d'ordre .

Afficher plus

Séances de cours associées (64)

Mémoire longue et ARCH: Séries chronologiques Math 342

Explore la mémoire longue dans les séries temporelles et les processus d'hétéroskédasticité conditionnelle autorégressive dans les données financières.

Séries chronologiques: Estimation paramétrique

Couvre l'estimation paramétrique, la modélisation saisonnière, les méthodes Box-Jenkins, les calculs de variance et les mesures de dépendance dans l'analyse des séries chronologiques.

Séries chronologiques: Fondements et modèles

Couvre les principes fondamentaux de l'analyse des séries chronologiques, y compris les modèles, la stationnarité et les aspects pratiques.

Séries chronologiques: Représentation et modélisation

Couvre les propriétés stochastiques des séries temporelles, de la stationnarité, de l'autocovariance, des processus stochastiques spéciaux, de la densité spectrale, des filtres numériques, des techniques d'estimation, du contrôle des modèles, de la prévision et des modèles avancés.

Prévision & Mémoire longue: Séries chronologiques

Explore les méthodes de prévision et la mémoire longue dans l'analyse des séries chronologiques.

Afficher plus

Concepts associés (32)

Processus stationnaire

Fonction de vraisemblance

Hétéroscédasticité

Processus autorégressif

Autocovariance

Afficher plus