建模汇率波动性至关重要，因为它对公司的获利能力和决策者的决策具有多种影响。 本文通过对2006年4月1日至2018年1月31日期间的USDINR和EURINR日汇率应用滚动对称和非对称GARCH模型，对印度货币的汇率波动进行了实证研究。得出的总观察值为2861。 （1,1）和EGARCH（1,1）模型，数据窗口滚动了五年，有近1200个观测值，一个月用作每个窗口的预测期。 样本内准则（例如对数似然准则，Akaike信息准则（AIC），贝叶斯信息准则（SIC）和Hannan Quinn准则（HQC））以及样本外准则（例如均方误差（MSE））和平均绝对误差（MAE）已用于测试模型拟合和预测模型的准确性。 为了检验结果的稳健性，使用Diebold-Mariano检验来比较两个模型的预测准确性。 此外，还通过将样本期分为印度汇率的平静和波动时期来测试这两种模型的预测准确性。 结果表明，具有广义误差分布的GARCH（1,1）模型足以捕获USDINR和EURINR汇率收益的均值和波动过程。

摘要：高斯在研究误差理论时导出误差分布，被称为正态分布或高斯分布。误差分布和正态分布一直被认为是等同的概念，因为数学表达式等同，其参数都是平均值和随机变量与平均

误差分布与精度指标.pdf，这是一份不错的文件

误差分布与精度指标.pdf，这是一份不错的文件

尽管我完全知道它们是简单的函数，但我还是想上传它们，因为我注意到默认情况下未实现此分布，并且它可能对对 logreturns 分布进行建模很有用。

针对传统的Adaboost 训练算法在训练过程中可能出现训练退化和训练目标类权重分布 过适应的问题，提出一种改进的Adaboost 训练算法． 改进算法通过调整加权误差分布限制目 标类权重的扩张，并且最终分类器输出形式以概率值输出代替传统的离散值输出，提高了训 练结果的检测率． 实验结果表明，改进的Adaboost 算法在Inria 数据集上取得了较好效果．

超宽带四个基站，设置25个测试点，画出测距误差分布热图（含数据），matlab

超宽带四个基站，设置25个测试点，画出测距误差分布热图（含数据），matlab