R 算法检测时间序列中的跳跃

我有大约50个数据集，包括在30天的时间范围内的所有交易，在5个交易所大约10对。所有成对资产都属于同一资产类别，这意味着它们之间存在着强烈的相关性，并期望具有相似的属性，但规模不同。这种数据的一个例子是

set.seed(1)

n <- 1000
dates <- seq(as.POSIXct("2019-08-05 00:00:00", tz="UTC"), as.POSIXct("2019-08-05 23:59:00", tz="UTC"), by="1 min")
x <- data.frame("t" = sort(sample(dates, 1000)),"p" = cumsum(sample(c(-1, 1), n, TRUE)))

set.seed（1）
n也许从函数
条纹开始
在包中（我维护）。连胜
定义为指定大小的移动，即
被同样大小的反击打断。这个
函数使用的是返回，而不是差异，所以我添加了
100到你的数据

例如：

set.seed(1)
n <- 1000
x <- 100 + cumsum(sample(c(-1, 1), n, TRUE))

plot(x, type = "l")
s <- streaks(x, up = 0.12, down = -0.12)
abline(v = s[, 1])
abline(v = s[, 2])

set.seed（1）
n看一看，这个tweet线程非常有用，请检查一般问题。这是一个比我们在这个网站上处理的更高级别的问题；我建议使用堆栈交换统计信息。也许我的问题描述有缺陷（在这种情况下，我很抱歉，一定会修改描述），但这主要是一个算法问题。我不需要像prophet这样的工具来为我做预测，不幸的是，对于这个特定的问题没有可用的统计解决方案。你能告诉我这个问题的严重程度吗？我会相应地澄清。你的描述不是“有缺陷”，而是不完整的。例如，从左边开始的第二个点表示高，但稍微向右的点表示高。你为什么不选那个？您需要为局部极值定义规则：是否允许算法展望未来？如果两个局部极值紧密地结合在一起（如图表中间的情况）会发生什么？局部极值与周围点的差异有多大？应在什么范围内计算极值点？等等…有效的分数！我会做一个编辑，非常感谢你的努力！这看起来真的很有希望，在我在真实的数据集上测试后，我会看一看并报告。这似乎正是我想要的！而且，我很高兴看到这是对噪音的一种很好的反驳。然而，结果仍然是随机的：（不起作用），（起作用）。我的实际输入数据在不同的尺度上，因此结果并不总是如预期的那样。以下是一些对的当前价格：
0.5；10; 60; 180; 1400; 5200.
我想重新缩放它们，但这会扭曲返回值（从5200到5400的跳变不等于从99跳变到101）。您是否调整了向上/向下参数？它们应该反映基础系列的波动性。我没有将阈值设置得足够低，现在它起作用了。还查看了软件包的其余部分，非常有用且非常棒的文档！再次感谢，您的解决方案为我节省了很多时间
plot(x, type = "l")
s <- streaks(x, up = 0.12, down = -0.05)
s <- s[!is.na(s$state) & s$state == "up", ]
abline(v = s[, 1], col = "green")
abline(v = s[, 2], col = "red")