Mudança de média de normalização

Eu tenho essa série diária de preços observados: P1, P2. Pn. Quero trabalhar com retornos: 0. P2-P1. Pn - P. Foi-me dito para remover o primeiro termo (P1-P0 P1-) configurando-o para 0. Parece que este 0 é muito diferente de outros termos e não é uma boa solução. (Eu penso mesmo que não é uma solução). Aqui está a solução que eu considerei: 0, pois não há retornos no primeiro dia para ser consistente com o número de séries temporais, simplesmente removendo o problema o que você acha sobre esse problema. Isso permaneceu sobre um problema semelhante que eu tive enquanto fazia movimento média. Existem termos em falta semelhantes ao início das séries temporais. Ao fazer uma média móvel p, geralmente tomo o último valor de p antes da minha data. Eu tenho o mesmo problema do que antes: no início da série temporal, não há dados suficientes para fazer uma soma com termos p. Existe um truque para abordar esse problema. Isso mudaria algo para levar os valores de p depois da minha data. Os valores (p-1) 2 antes e depois da minha data. Não alterará o termo geral da minha média móvel, mas apenas os valores no início e no final da minha série temporal. isso importa. Como eu estava lendo o papel de normalização do lote (BN) (1) e não entendi a necessidade de usar médias móveis para rastrear a precisão do modelo e mesmo que eu aceitasse que era o certo, eu não entendo o que eles Estão fazendo exatamente. Para o meu entendimento (o que está errado), o artigo menciona que ele usa as estatísticas da população em vez das estatísticas do mini-lote, uma vez que o modelo terminou o treinamento. Depois de alguma discussão de estimativas imparciais (que me parece tangencial e não entendo por que fala sobre isso), eles vão e dizem: Usando médias móveis em vez disso, seguimos a precisão do modelo enquanto treina. Essa é a parte que me confunde. Por que eles fazem as médias móveis para estimar a precisão do modelo e sobre o conjunto de dados. Normalmente, o que as pessoas fazem para estimar a generalização de seu modelo, eles apenas rastreiam o erro de validação de seu modelo (e potencialmente antecipadamente param sua descida para regularizar) . No entanto, parece que a normalização do lote está fazendo algo completamente diferente. Alguém pode esclarecer o que e por que está fazendo algo diferente 1. Ioffe S. e Szegedy C. (2017), Normalização do lote: Acelerando o Treinamento em Rede Profunda Reduzindo o Deslocamento Interno de Covaria, Procedimentos da 32ª Conferência Internacional sobre Aprendizado de Máquinas. Lille, França, 2017. Jornal da Pesquisa de Aprendizagem de Máquinas: WampCP volume 37 pediu 20 de junho 16 às 15:22 Eu acho que está falando sobre o uso da média móvel para estimar a precisão do treino enquanto treina, o que pode ser usado para outros modelos baseados em mini-lote Também treinando, não necessariamente para BN. Para redes neurais sabendo que o erro de treino pode ajudar a determinar a hora de parar ou diminuir a taxa de aprendizado. Uma vez que eles usam o treinamento de mini-lote, seria ineficiente calcular a precisão do treinamento em todo o conjunto de treinamento após cada iteração, usando a média móvel sobre os mini-lotes, em vez disso, pode ser uma boa aproximação. Atualização Na verdade, para a BN há outro uso da média móvel, é estimar a média e a variância da população à medida que treina. Mas isso não afeta o processo de treinamento, a média e variância da população são usadas apenas no tempo do teste. Este é apenas um truque que nos poupa da computação da média da população e variância camada a camada. Respondeu 21 de junho 16 às 3: 52 Ganhos não remunerados O que são ganhos normalizados Os ganhos normalizados são ajustados para eliminar os efeitos da sazonalidade, receita e despesas que são incomuns ou influências únicas. Os ganhos normalizados ajudam os proprietários de empresas, analistas financeiros e outras partes interessadas a entender os ganhos verdadeiros de uma empresa em suas operações normais. Um exemplo dessa normalização seria remover uma venda de terras das demonstrações financeiras de empresas em que se realizou um grande ganho de capital. BREAKING Down Earnings Normalized Os ganhos normalizados representam os ganhos de uma empresa que omitem os efeitos de cobranças ou ganhos não recorrentes. Além disso, os ganhos normalizados podem ser considerados como ganhos das empresas que levam em consideração ciclos de vendas sazonais ou cíclicos. Os ganhos normalizados são a avaliação mais precisa da verdadeira saúde e desempenho financeiro de uma empresa. Muitas empresas incorrem em despesas únicas, como grandes taxas de advogados, ou ganham ganhos únicos, como a venda de equipamentos antigos. Em ambos os casos, mesmo que os custos e as receitas sejam realizados e afetem o fluxo de caixa da empresa a curto prazo, eles não são indicativos do desempenho a longo prazo da empresa. Para analisar a empresa, esses efeitos devem ser removidos. Exemplos de ganhos normalizados A forma mais comum de normalização de ganhos ocorre quando as despesas ou receitas devem ser removidas ou os ciclos de vendas devem ser suavizados. Ao normalizar grandes custos, one-off ou ganhos, existem dois tipos de ajustes de normalização. Se, por exemplo, uma empresa que possui uma frota de caminhões decide vender os ativos depreciadores e comprar novos, tanto os ganhos como as despesas da venda são removidas para normalizar seus ganhos. Um contador ou analista faria isso examinando a demonstração de resultados da empresa e removendo o dinheiro gerado de outras receitas abrangentes. Em seguida, removeria a despesa operacional ou o financiamento da dívida usado para comprar os novos caminhões. Outro cenário em que as despesas são removidas para normalizar os ganhos de uma empresa é em caso de aquisição ou compra. Quando isso ocorre, o salário, salários e outras despesas pagas aos proprietários e diretores da empresa são removidos, uma vez que não serão parte da nova organização. O outro cenário comum envolve a normalização de ganhos para empresas com ciclos cíclicos de vendas ou sazonalidade. Com situações como esta, os ganhos são ajustados usando uma média móvel em vários períodos. A forma mais simples é uma média aritmética. Se, por exemplo, uma empresa ganha 100 em janeiro, 150 em fevereiro e 200 em março, e usa uma média móvel de dois meses, seus ganhos normalizados seriam 125 para fevereiro e 175 para março.