《🚩🇨🇳🔆🏹🌟👊🚀🦔大秦赋 - 黄埔军校赢家黄氏永春堂 - 中科红旗，高频量化对冲》

#春秋战国 #诸子百家 #秦人牧马 #世袭制道教徒赢家黄氏江夏堂 #道家中科红旗高频量化对冲 #万般皆下品唯有读书高 #大秦赋 #ChineseEmpire #公元前B4Christ只有中文BC没有外文 #世袭制道教徒赢家黄氏江夏堂拯救亚洲人歼灭所有巫裔回教徒Anti_Islamic_Virus_and_NonHalal_Only_governance #中国政府南太平洋战略 #大葱回教堂商鞅变法Anti_Islamic_Virus #Only_NonHalal_can_Survive #古老的东方有一条河它的名字叫黄河 #古老的东方有一条江它的名字叫长江 #江夏堂 #西河堂 #黄河文明 #黄埔军校 #黄种人🎶 #农民🎶
印裔尽弃（祖籍印尼的巫裔回教徒和土著、祖籍印度乌裔回教徒和兴都教徒和土著，咱们华人都是世袭制道家姓氏堂号/生辰八字的黄河文明/赢家黄氏江夏堂黄埔军校/黄种人/华夏民族/十二生肖/秦人牧马/燕从京来），瓦釜雷鸣；
莫忘初衷，方得始终。

《🚩🇨🇳🔆🏹🌟👊🚀🦔大秦赋 - 黄埔军校赢家黄氏永春堂 - 中科红旗，高频量化对冲》

「大秦赋 - 借鉴黄河文明史」
秦国三杰，拯救亚洲；
歼灭印裔，取代美国。
秦灭六洲，一统天下；
莫忘初衷，方得始终。

🚩🇨🇳🏹🌟🦔量化对冲，中科红旗；一带一路，一统天下（兵马未动，粮草先行；人民币货币经济学，东亚中国司马错得蜀既得楚；歼灭东南亚所有回教徒和峇峇娘惹并攻占东南亚，尤其是四季仔的印尼回教徒外劳房客、阿塔的孟加拉回教徒外劳房客、瓜雪回教市政局柜台巫婆回教徒奴辱依杀、瓜雪回教土地局巫贼巫婆回教徒汪阿自杀和懦蛤仕蟆和法米仨、瓜雪回教警署巫贼巫婆回教徒、大港回教警署所有巫贼巫婆回教徒、瓜雪RHU（淮西派）花园加德士油站隔壁第三巷门牌卅二号边抽鼻涕边求命边膜拜边失心疯边自残自虐自杀的土司乩童刘瑾貹、瓜雪巴西不能帮门牌T十五号吱吱吾语的失心疯猥亵淫魔土司乩童张佳坤、瓜雪回教警署巫贼回教徒黑米哈山·殡·伊不拉心和马航日语组森美兰人黑米哈山。）、大港巴列特花园第十三巷门牌廿七廿九号土司乩童胖妈和卅一号李东海和李东梅和所有回教徒（尤其是回教徒公仆）和峇峇娘惹党羽、所有印裔（祖籍印尼包括土著和回教徒、祖籍印度的兴都教徒和回教徒包括土著）。

🚩🇨🇳🏹🌟🦔诸子百家：印裔回教徒尽弃，瓦釜雷鸣。儒学、墨学、法学、道学、兵法、阴阳学、佛学、哲学、运筹学、思想录、干支算筹、中华习俗文化宗教语言复兴、学术数学科学科技大秦赋

🚩🇨🇳🏹🌟🦔《大秦赋 - 🇨🇳关雎》
🚩🇨🇳🏹🌟🦔春秋战国，诸子百家；
🚩🇨🇳🏹🌟🦔左氏春秋，鬼谷传奇。
🚩🇨🇳🏹🌟🦔商鞅变法，道法兵家；
🚩🇨🇳🏹🌟🦔四面楚歌，焚经坑番。
🚩🇨🇳🏹🌟🦔一带一路，横跨七洲；
🚩🇨🇳🏹🌟🦔史无前例，一统天下。
🚩🇨🇳🏹🌟🦔高频量化，对冲基金；
🚩🇨🇳🏹🌟🦔只争朝夕，不负韶华。
🚩🇨🇳🏹🌟🦔学海无涯，唯勤是岸；
🚩🇨🇳🏹🌟🦔莫忘初衷，方得始终。
https://gitee.com/eglianhu

Author: englianhu

binary-Q1Inter-HFT-RV3E.Rmd

@@ -76,6 +76,9 @@ output:
 
 *引用：[DIOR大穎《Happy Go Lucky》 ft. GoHell Holiday ( Official MV )](https://www.youtube.com/watch?v=xyR86xcI8Ag)*
 
+> **公元前**：鬼谷传奇，鬼谷子门徒R统计学编程学术份子卫鞅论“帝道”、“王道”、“霸道” ；那些回教徒身为世袭制法家只需要遵守可兰经习俗文化宗教语言断肢法集体自宫自残自虐自杀即可。借鉴负责图书馆的文吏李斯（秦国长史，协助嬴政一统天下后建立秦朝成为宰相）老鼠哲学，「近朱者赤，近墨者黑」，赤印度人与印度人或非洲黑人也不可近之，咱们公元前夏朝的黄河文明和公元后近代史美国独立战争史都是取代回教和兴都文明。<br>
+**公元后**：借鉴卧薪尝胆史，蜀国卧龙「子非鼠，安知鼠之乐？」自修易经、算筹、天文历法、文言文编程等学术份子卧龙诸葛亮的「隆中对」，借鉴“三分天下后再做定夺”，如果咱们南方海外华人丞相/长史（海外华人公会🌟/马华公会🌟）孔明和祖国北方魏国大都督知音司马懿（字仲达，统一天下后建立晋朝）不是默契战争，蜀国最终会沦为回教国；孔明借东风🚀高效率歼灭所有敌人回教徒！
+
 *出处：[蔡卓宜 - 厦门美食](https://www.instagram.com/p/Cjxd_GMLAes)*
 
 中国史册：
@@ -475,7 +478,7 @@ conflicts_prefer(gtools::permutations, .quiet = TRUE)
 > 辛亥革命，铲除印裔；<br>
 终止屠杀，拯救全球。
 
-**咱们东南亚印裔政府屠杀六百枯万人类的巫师Judi邪教印裔宦官博彩庄诸国**
+**咱们东南亚祖籍印尼和印度的印裔政府屠杀六百枯万人类的巫师邪教印裔政权**
 
 小时候都在日本动漫文化的环境下长大。小学时期在明智华校上学就已经学会万事具备，都会提前卅分钟抵达做好准备才不会仓促。自从阳历二零零二年学习日语后，由于平时从旺沙马朱宿舍到拉曼学院徒步上学需要时间提前准备，所以都会将时间设为提前廿分钟，基于从旺沙马朱宿舍徒步耗时卌五分钟左右，索性设为提前一个小时，所以愚生将所有电子仪器的标准时间都一律设为日本标准时间，然后青梅竹马的郑添和同学问过我，我回答：“我的时间必须比别人快，我的世界必须比别人快，才能占有先机～”，所以设置提前一个小时日本标准时间，再提前一小时就看到是本土提前两个小时。**自从阳历二零一九年在菲律宾阿里与中国同胞工作离职后，就开始思考身为🇹🇼🇨🇳中华民族，岂能沦为（大化革新的）倭奴或者倭寇，所以目前的科研语言、时间标准、甚至编码，都一律使用汉字。**由于数据上的交易时间出现时差的缘故，在读取数据后就将数据上的时间更换，添加一小时时差为中国标准时间，以确保时间规律计算方面，不会出错。
 
@@ -1766,14 +1769,30 @@ fable::ARIMA()
 
 ```
 
+![](诸子百家考工记/预测 - 方法与实践（第三版）.png)
+
+> 当没有特殊指定时，ARIMA() 函数使用`unitroot_nsdiffs()` 来决定`D`（季节差分的次数）和`d`（普通差分的次数）。与非季节`ARIMA`模型一样，模型参数(`p`,`q`,`P` and `Q`)的选择都通过最小化`AICc`来决定。
+
+*出处：[「预测」方法与实践（第三版）第九章第九节 - 季节性ARIMA模型](https://otexts.com/fpp3cn/seasonal-arima-cn.html)*
 
+引用[binary.com 面试试题 I - GARCH模型中的`ARIMA(p,d,q)`参数最优化](https://rpubs.com/englianhu/binary-Q1FiGJRGARCH)中使用`forecast::arimaorder()`筹算自回归模型并将规律`p`值、`d`值、`q`值最优化，来提高统计模型的精准度。
+
+欲知更多有关外部因素周期性自回归综合滑均模型（ARIMAX），请查阅以下文章：
 
 - [The ARIMAX model muddle](https://robjhyndman.com/hyndsight/arimax)
 - [ARIMAX Model and Forecast](https://real-statistics.com/time-series-analysis/time-series-miscellaneous/arimax-model-and-forecast)
 - [Basic understanding of Time Series Modelling with Auto ARIMAX](https://www.analyticsvidhya.com/blog/2021/11/basic-understanding-of-time-series-modelling-with-auto-arimax)
 - [Auto ARIMA and ARIMAX Time Series prediction + forecast | Python](https://youtu.be/HmN2Hrx6Ocw)
 - [Forecasting ARIMA vs ARIMAX vs Dynamic Regression](https://rpubs.com/Bardock123/561991)
 - [Forecasting using ARIMAX](https://rpubs.com/ysitta/proposal_arimax)
+- [ARIMAX模型应用详细案例 - 预测钱谷（GDP）变化](https://zhuanlan.zhihu.com/p/114474795)
+- [「视频」ARIMA时间序列模型原理和R语言ARIMAX预测实现案例](https://www.bilibili.com/read/cv24333037)
+- [「博客园」用派森（Python）语言进行多元时间序列ARIMAX模型分析](https://www.cnblogs.com/hongbao/p/17625963.html)
+- [arima模型的建模步骤_ARIMAX模型应用详细案例 - 预测钱谷（GDP）变化](https://blog.csdn.net/weixin_35216469/article/details/112128866)
+- [**原创**：「视频」ARIMA时间序列模型原理和R语言ARIMAX预测实现案例](https://cloud.tencent.com/developer/article/2296063)
+- [「博客园」多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析|附代码数据](https://www.cnblogs.com/tecdat/p/17357006.html)
+- [ARIMA模型，ARIMAX模型预测冰淇淋消费时间序列数据|附代码数据](https://juejin.cn/post/7187752874112188477)
+- [多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析|附代码数据](https://www.bilibili.com/read/cv23326560)
 
 ## 季节性自回归综合滑均模型（SARIMA）
 
@@ -1785,12 +1804,16 @@ sarima::sarima()
 
 ```
 
+- [ARIMA - Advanced Time Series Methods: Auto Regression Integrated Moving Average](https://medium.com/analytics-vidhya/arima-fc1f962c22d4)
+
 ## 外部因素周期性季节性自回归综合滑均模型（SARIMAX）
 
 ```{r , eval = FALSE}
 
 ```
 
+- [pmdarima.arima.ARIMA](https://alkaline-ml.com/pmdarima/modules/generated/pmdarima.arima.ARIMA.html)
+
 ## 外部因素周期性自回归分整综合滑均模型（Auto Regressive Fractionally Integrated Moving Average Exogenous - ARFIMAX）
 
 ```{r , eval = FALSE}
@@ -1827,10 +1850,11 @@ sarima::sarima()
 
 - [「经管之家」 [统计软件与数据分析] 如何理解R中给出的ARIMA模型的拟合结果？](https://bbs.pinggu.org/forum.php?mod=redirect&goto=findpost&ptid=3236918&pid=84745157&fromuid=5794471)
 - [**Forecasting: Principle & Practice** - *5.8 Evaluating point forecast accuracy*](https://otexts.com/fpp3/accuracy.html)
+- [**预测：方法与实践（第三版）** - *第五章第八节 评估预测精度*](https://otexts.com/fpp3cn)
 
 这儿使用`forecast`程序包，尚未使用`fable`程序包与`fabletools`程序包，该程序包中的`accuracy()`[^2]函数和`report()`函数有使用**平均绝对比例误差（MASE）**来衡量更为精准的统计模型预测值。
 
-[^2]: [**Forecasting: Principles and Practice (3rd ed)** - *5.8 Evaluating point forecast accuracy*](https://otexts.com/fpp3/accuracy.html)阐明评估预测精准度的计算公式。<br><br>[「CSDN」选择正确的错误度量标准：MAPE与sMAPE的优缺点](https://blog.csdn.net/deephub/article/details/109483129)
+[^2]: - [**Forecasting: Principles and Practice (3rd ed)** - *5.8 Evaluating point forecast accuracy*](https://otexts.com/fpp3/accuracy.html)阐明评估预测精准度的计算公式。<br> - [「CSDN」选择正确的错误度量标准：MAPE与sMAPE的优缺点](https://blog.csdn.net/deephub/article/details/109483129)<br> - [「β站」康雁飞在线视频教程《预测：方法与实践》（第三版）](https://space.bilibili.com/624024421)
 
 **反击大象共和国**
 

binary-Q1Inter-HFT-RV3E.html

@@ -0,0 +1,47 @@
+自回归均移模型最优值 <- function(样本, 季节差分的次数 = NULL, 季节性 = '勾', 规律极限值 = 10, 自回归均移模型值=FALSE){
+  # 通过设置并迭代筹算自回归均移模型中不同`p,d,q`的规律值，来比较并筛选出最低或最大负数的赤池信息量准则，也就是最优统计模型。
+  # 
+  # 《预测：方法与实践（第三版）》第九章第九节 - 季节性ARIMA模型
+  # https://otexts.com/fpp3cn/seasonal-arima-cn.html
+  
+  if (季节性 %in% c('勾', '有')) 季节性 <- TRUE
+  if (季节性 %in% c('叉', '冇')) 季节性 <- FALSE
+  if (!季节性 %in% c('勾', '有', '叉', '冇')) stop('请选择季节性："勾"或"有"或"是"，或者"叉"或"冇"或"否"。')
+  
+  # 季节差分的次数，一般上使用到的数值是零到二。
+  fit <- auto.arima(样本, D = 季节差分的次数, seasonal = 季节性, 
+                    max.order = 规律极限值)
+  if (自回归均移模型值 == FALSE) {
+    res <- arimaorder(fit)
+  } else {
+    #https://stats.stackexchange.com/questions/178577/how-to-read-p-d-and-q-of-auto-arima
+    res <- fit$arma
+    #https://stackoverflow.com/questions/23617662/extract-arima-specificaiton
+    names(res) <- c('p', 'q', 'P', 'Q', 's', 'd', 'D')
+    res %<>% .[c(1, 6, 2, 3, 7, 4, 5)]
+    #(p,d,q) and (P,D,Q) and seasonal period
+  } #  example: `s` seasonal period = 12 for 12 months
+  return(res)
+  #https://onlinecourses.science.psu.edu/stat510/node/67/
+  
+  # https://stackoverflow.com/questions/23617662/extract-arima-specificaiton
+  #
+  #function (object) {
+  #  order <- object$arma[c(1, 6, 2, 3, 7, 4, 5)]
+  #  result <- paste("ARIMA(", order[1], ",", order[2], ",", order[3], 
+  #                  ")", sep = "")
+  #  if (order[7] > 1 & sum(order[4:6]) > 0) 
+  #    result <- paste(result, "(", order[4], ",", order[5], 
+  #                    ",", order[6], ")[", order[7], "]", sep = "")
+  #  if (is.element("constant", names(object$coef)) | is.element("intercept", 
+  #                                                              names(object$coef))) 
+  #    result <- paste(result, "with non-zero mean")
+  #  else if (is.element("drift", names(object$coef))) 
+  #    result <- paste(result, "with drift        ")
+  #  else if (order[2] == 0 & order[5] == 0) 
+  #    result <- paste(result, "with zero mean    ")
+  #  else result <- paste(result, "                  ")
+  #  return(result)
+  #}
+  
+}