Time series data is a sequence of observations recorded at regular time intervals and is commonly used in various fields such as finance, economics, and engineering. However, time series data can often contain noise, outliers, missing values, and other anomalies that can affect the analysis and interpretation of the data. Read more…
Los modelos ARIMA son muy útiles para pronosticar series temporales para datos univariable. Sin embargo, existe un tipo de modelo ARIMA que también puede considerar otras variables. Este tipo de modelo se llama ARIMAX, que significa en inglés “Auto-Regressive Integrated Moving Average with eXogenous variables” . ARIMAX es una extensión del modelo ARIMA tradicional Read more…
ARIMA models are very powerful for forecasting time series data when this data is univariate. However, there is a type of ARIMA model that can also consider other variables. This type of model is called ARIMAX, which stands for “Auto-Regressive Integrated Moving Average with eXogenous variables”. ARIMAX is an extension Read more…
Cuando se trabaja con datos de series temporales, es importante evaluar la calidad del modelo de forma que refleje con precisión las situaciones del mundo real. Generalmente, el proceso simplificado de construcción de un modelo de Machine Learning es el siguiente: Esta es la forma en que se hace tradicionalmente Read more…
When working with time series data, it is important to assess the quality of a model in a way that accurately reflects real-world situations. Generally, the simplified process of building a Machine Learning model is the following: This is the way it is traditionally done in Data Science. However, when Read more…
Part II: Activation and Pooling Layers The activation layers and pooling layers of the Convolutional Neural Networks (CNN) will be introduced, following the first part of this series where the convolutional layers were explained. Activation Layers Normally, the feature maps are passed through an activation layer with the purpose of Read more…
Parte II: Capas de Activation y capas de Pooling En este artículo vamos a introducir las capas de Activation (Activación) y Pooling (Agrupación), las redes neuronales convolucionales las introdujimos en la primera parte de esta serie. Capas de activation Normalmente, los feature maps (mapas de características) se pasan a través Read more…
ARCH/GARCH models can assist or improve the forecast of ARIMA models. Firstly, time series data must be stationary for these models to be applicable. If not, we should apply some transformations such as differencing. Since these models are mainly used in finance we will refer to the price returns from Read more…
Los modelos ARCH/GARCH pueden asistir o mejorar el pronóstico de los modelos ARIMA . En primer lugar, los datos de las series temporales deben ser estacionarios para que estos modelos sean aplicables. Si no, deberíamos aplicar algunas transformaciones como la diferenciación. Dado que estos modelos se utilizan principalmente en finanzas, en adelante nos referiremos a Read more…
La volatilidad (volatility) es una medida estadística de la dispersión de la información o varianza sobre su media en un periodo de tiempo determinado. En finanzas, se refiere a cuánto ha cambiado el precio entre periodos. Por ejemplo, si es alto, el precio subirá o bajará mucho de un día Read more…