1) conditional heteroskedasticity model
条件异方差模型
1.
First of all,the trend term and cycle term are obtained from the original time series by Census X12,which is given a conditional heteroskedasticity model.
首先,利用Census X12分解水文时序,由其得到的周期项与趋势项分别建立相应的条件异方差模型;其次,对于分解序列后得到的残差项,建立基于BX数据生成的灰色Markov预测模型;再次,将三个模型进行耦合,编制了算法流程,由此提出了一种基于条件异方差的水文时序分析与预测模型;最后以河南省淮河流域的鲇鱼山水文站1975-1999年逐月的径流量为例进行了应用验证。
2) ARCH model
自回归条件异方差模型
1.
The ARCH models by Eviews are adopted in this paper to forecast the variance of the benefit of financial capitals from 1993 to 2003.
利用自回归条件异方差类模型,采用1993年～2003年的数据对上证指数的波动进行拟合,结果表明,广义自回归条件异方差模型对我国股市波动具有较好的拟合效果。
3) general auotregression conditional heteroskedasticity (GARCH)
广义条件异方差模型
4) heterogeneous autoregressive conditional heteroskedasticity model
异质自回归条件异方差模型(HARCH模型)
5) conditional variance model
条件方差模型
6) GARCH
广义自回归条件异方差模型
1.
Bsaed on the mathematical inference with the mixture of distribution hypothesis(MDH) theory,we take the stock index of Shanghai and Shenzhen markets as the research object and introduce the real trading volume and the trading volume considering the autocorrelation and the day-ofthe-week effect into the generalized autoregressive conditional heteroskedasticity(GARCH) model.
基于分布混合假说(MDH)理论的数学推导,以我国深沪股市的大盘指数为研究对象,检验原始交易量、包含自相关性的交易量对广义自回归条件异方差模型(GARCH)效应的解释效果,并分析日历效应对交易量与股价波动性关系的特殊影响。
补充资料：AutoCad 教你绘制三爪卡盘模型,借用四视图来建模型
小弟写教程纯粹表达的是建模思路,供初学者参考.任何物体的建摸都需要思路,只有思路多,模型也就水到渠成.ok废话就不说了.建议使用1024X768分辨率
开始
先看下最终效果
第一步,如图所示将窗口分为四个视图
第二步,依次选择每个窗口,在分别输入各自己的视图
第三步,建立ucs重新建立世界坐标体系,捕捉三点来确定各自的ucs如图
第四步,初步大致建立基本模型.可以在主视图建立两个不同的圆,在用ext拉升,在用差集运算.如图:
第五步:关键一步,在此的我思路是.先画出卡爪的基本投影,在把他进行面域,在进行拉升高度分别是10,20,30曾t形状.如图:
第六步:画出螺栓的初步形状.如图
第七步:利用ext拉升圆,在拉升内六边形.注意拉升六边行时方向与拉升圆的方向是相反的.
之后在利用差集运算
第八步:将所得内螺栓模型分别复制到卡爪上,在利用三个视图调到与卡爪的中心对称.效果如图红色的是螺栓,最后是差集
第九步:阵列
第10步.模型就完成了
来一张利用矢量处理的图片
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条