互相关函数，自相关函数计算和作图 1.自相关和互相关的概念。 ●互相关函数是描述随机信号x(t),y(t)在任意两个不同时刻t1，t2间的相关程度。 ●自相关函数是描述随机信号x(t)在任意两个不同时刻t1，t2间的相关程度。 互相关函数是在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与各自的自谱联系了起来。它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生的误差非常有效。 -----------------------------------------------------------------------------------事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中*表示卷积；设两个函数分别是f(t)和g(t)，则互相关函数定义为R(u)=f(t)*g(-t)，它反映的是两个函数在不同的相对位置上互相匹配的程度。 2.利用matlab中实现这两个相关并用图像显示： 自相关函数： dt=.1; t=[0:dt:100];x=cos(t); [a,b]=xcorr(x,'unbiased'); plot(b*dt,a)
互相关函数：把[a,b]=xcorr(x,'unbiased');改为[a,b]=xcorr(x,y,'unbiased');便可。 3.实现过程： 在Matalb中，求解xcorr的过程事实上是利用Fourier变换中的卷积定理进行的，即 R(u)=ifft(fft(f)×fft(g))，其中×表示乘法，注：此公式仅表示形式计算，并非实际计算所用的公式。当然也可以直接采用卷积进行计算，但是结果会与xcorr的不同。事实上，两者既然有定理保证，那么结果一定是相同的，只是没有用对公式而已。下面是检验两者结果相同的代码： dt=.1; t=[0:dt:100]; x=3*sin(t); y=cos(3*t); subplot(3,1,1); plot(t,x); subplot(3,1,2); plot(t,y); [a,b]=xcorr(x,y); subplot(3,1,3); plot(b*dt,a); yy=cos(3*fliplr(t));%or use:yy=fliplr(y); z=conv(x,yy); pause; subplot(3,1,3); plot(b*dt,z,'r'); 即在xcorr中不使用scaling。
自相关函数(Autocorrelation function，缩写ACF)是信号处理、时间序列分析中常用的数学工具，反映了同一序列在不同时刻的取值之间的相关程度。 自相关函数在不同的领域，定义不完全等效。在某些领域，自相关函数等同于自协方差(autocovariance)。 信号处理 在信息分析中，通常将自相关函数称之为自协方差方程。用来描述信息在不同时间τ的，信息函数值的相关性。 ，其中“*”是卷积算符，为取共轭 自相关函数的性质 以下以一维自相关函数为例说明其性质，多维的情况可方便地从一维情况推广得到。 ?对称性：从定义显然可以看出R(i) = R(?i)。连续型自相关函数为偶函数当f为实函数时，有： 当f是复函数时，该自相关函数是厄米函数，满足： 其中星号表示共轭。 ?连续型实自相关函数的峰值在原点取得，即对于任何延时τ，均有 。该结论可直接有柯西-施瓦茨不等式得到。离散型自相关函数亦有此结论。 ?周期函数的自相关函数是具有与原函数相同周期的函数。 ?两个相互无关的函数（即对于所有τ，两函数的互相关均为0）之和的自相关函数等于各自自相关函数之和。 ?由于自相关函数是一种特殊的互相关函数，所以它具有后者的所有性质。
?连续时间白噪声信号的自相关函数是一个δ函数，在除τ = 0 之外的所有点均为0。 ?维纳-辛钦定理（Wiener–Khinchin theorem）表明，自相关函数和功率谱密度函数是一对傅里叶变换对： ?实值、对称的自相关函数具有实对称的变换函数，因此此时维纳-辛钦定理中的复指数项可以写成如下的余弦形式： 白噪声的自相关函数为δ函数： 自相关函数和偏相关函数的问题 在时间序列分析的研究中，首先是判别时间序列的稳定性，如果时间序列是平稳的就可以计算这些数据的自相关函数和偏相关函数。 如果自相关函数是拖尾的，偏相关函数是截尾的，那麽数据符合AR（P）模型。 如果自相关函数是截尾的，偏相关函数是拖尾的，那麽数据复合MA( Q )模型 如果自相关函数和偏相关函数都是拖尾的，那麽数据复合ARMA( P,Q )模型。 自相关函数和互相关函数的matlab计算和作图 1. 首先说说自相关和互相关的概念。 这个是信号分析里的概念，他们分别表示的是两个时间序列之间和同一个时间序列在任意两个不同时刻的取值之间的相关程度，即互相关函数是描述随机信号x(t),y(t)在任意两个不同时刻t1，t2的取值之间的相关程度，自相关函数是描述随机信号x(t)在任意两个不同时刻t1，t2的取值之间的相关程度。互相关函数给出了在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与
相 关 系 数 r AB 的计算公式的推导 设A i 、B i 分别表示证券A 、证券B 历史上各年获得的收益率；A 、B 分别表示证券A 、证券B 各年获得的收益率的平均数；P i 表示证券A 和证券B 构成的投资组合各年获得的收益率，其他符 号的含义同上。 2 A σ=1 1-n 2)(∑-A A i 2 B σ=1 1-n )(B B i -∑2 2 P σ= 12)1(-i i P P 公式（1）左右两端对A A 求一阶导数，并注意到A B =1—A A ： (2P σ)′=2 A A 2A σ－2 (1－A A )2B σ＋2 (1－A A )B A σσ r AB －2A A B A σσ r AB 令 (2P σ)′= 0 并简化，得到使2 P σ取极小值的A A ： A A =AB B A B A AB B A B r r σσσσσσσ22 22-+- … …………………………………（3） 式中, 0≤A A ≤1,否则公式（3）无意义。 由于使(2P σ)′=0的A A 值只有一个，所以据公式（3）计算出的A A 使2 P σ为最小值。
以上分析清楚地说明：对于证券A和证券B，只要它们的系数r AB 适当小（r AB 的“上限”的 计算，本文以下将进行分析），由证券A和证券B构成的投资组合中，当投资于风险较大的证券B 的资金比例不超过按公式（3）计算的（1—A A ），会比将全部资金投资于风险较小的证券A的方 差（风险）还要小；只要投资于证券B的资金在（1—A A ）的比例范围内，随着投资于证券B的资 金比例逐渐增大，投资组合的方差（风险）会逐渐减少；当投资于证券B的资金比例等于（1—A A ）时，投资组合的方差（风险）最小。这种结果有悖于人们的直觉，揭示了风险分散化效应的内在特征。按公式（3）计算出的证券A和证券B的投资比例构成的投资组合称为最小方差组合，它是证券A和证券B的各种投资组合中方差（亦即风险）最小的投资组合。
相关系数计算公式 相关系数计算公式 Statistical correlation coefficient Due to the statistical correlation coefficient used more frequently, so here is the use of a few articles introduce these coefficients. The correlation coefficient: a study of two things (in the data we call the degree of correlation between the variables). If there are two variables: X, Y, correlation coefficient obtained by the meaning can be understood as follows: (1), when the correlation coefficient is 0, X and Y two variable relationship. (2), when the value of X increases (decreases), Y value increases (decreases), the two variables are positive correlation, correlation coefficient between 0 and 1. (3), when the value of X increases (decreases), the value of Y decreases (increases), two variables are negatively correlated, the correlation coefficient between -1.00 and 0. The absolute value of the correlation coefficient is bigger, stronger correlations, the correlation coefficient is close to 1 or -1, the higher degree of correlation, the correlation coefficient is close to 0 and the correlation is weak. The related strength normally through the following range of judgment variables: The correlation coefficient 0.8-1.0 strong correlation 0.6-0.8 strong correlation
相关函数 １．自相关函数 自相关函数是信号在时域中特性的平均度量，它用来描述信号在一个时刻的取值与 另一时刻取值的依赖关系，其定义式为 （2.4.6） 对于周期信号，积分平均时间T为信号周期。对于有限时间的信号，例如单个脉 冲，当T趋于无穷大时，该平均值将趋于零，这时自相关函数可用下式计算 （2.4.7） 自相关函数就是信号x(t)和它的时移信号x(t+τ)乘积的平均值，它是时移变量τ的函数。 例如信号的自相关函数为 若信号是由两个频率与初相角不同的频率分量组成，即 ，则
对于正弦信号，由于，其自相关函数仍为 由此可见，正弦（余弦）信号的自相关函数同样是一个余弦函数。它保留了原信号的频率成分，其频率不变，幅值等于原幅值平方的一半，即等于该频率分量的平均功率 ，但丢失了相角的信息。 自相关函数具有如下主要性质： （1）自相关函数为偶函数，，其图形对称于纵轴。因此，不论时移方向是导前还是滞后（τ为正或负），函数值不变。 （2）当τ＝0时，自相关函数具有最大值，且等于信号的均方值，即 （2.4.8）（3）周期信号的自相关函数仍为同频率的周期信号。 （4）若随机信号不含周期成分，当τ趋于无穷大时，趋于信号平均值的平方，即 （2.4.9）实际工程应用中，常采用自相关系数来度量其不同时刻信号值之间的相关程度，定义式为 （2.4.10）
当τ＝0时，＝1，说明相关程度最大；当τ＝∞时，，说明信号x(t)与x(t+τ)之间彼此无关。由于，所以。值的大小表示信号相关性的强弱。 自相关函数的性质可用图2.4.3表示。 图2.4.3 自相关函数的性质 常见四种典型信号的自相关函数如图2.4.4所示，自相关函数的典型应用包括： （1）检测信号回声（反射）。若在宽带信号中存在着带时间延迟的回声，那么该 信号的自相关函数将在处也达到峰值（另一峰值在处），这样可根据确定 反射体的位置，同时自相关系数在处的值将给出反射信号相对强度的度量。 时间历程自相关函数图形 正 弦 波
第三章附录：相关系数r的计算公式的推导 -CAL-FENGHAI.-(YICAI)-Company One1
相关系数r AB 的计算公式的推导 设A i 、B i 分别表示证券A 、证券B 历史上各年获得的收益率；A 、B 分别表示证券A 、证券B 各年获得的收益率的平均数；P i 表示证券A 和证券B 构成的投资组合各年获得的收益率，其他符号的含义同上。 2 A σ=1 1-n 2)(∑-A A i 2 B σ=1 1-n )(B B i -∑2 2 P σ=11-n 2)1(∑∑-i i P n P =2)](1 )[(11i B i A i B i A B A A A n B A A A n +-+-∑∑ =2)]()[(1 1 B A A A B A A A n B A i B i A +-+-∑ =2)]()([1 1 B B A A A A n i B i A -+--∑ =)])((2)()([1122 22B B A A A A B B A A A A n i i B A i B i A --+-+--∑ =A 2 A × 22 1 )(B i A n A A +--∑× 1 )] )([(21 )(2 ---+ --∑∑n B B A A A A n B B i i B A i =A 1 )])([(22222 ---? ++∑n B B A A A A A i i B A B B A A σσ 对照公式（1）得： = 1 )(2 --∑n A A i × 1 )(2 --∑n B B i × r AB ∴ r AB = ∑∑∑-?---2 2 ) ()()])([(B B A A B B A A i i i i 这就是相关系数r AB 的计算公式。 投资组合风险分散化效应的内在特征 1.两种证券构成的投资组合为最小方差组合（即风险最小）时各证券投资比例的测定 公式（1）左右两端对A A 求一阶导数，并注意到A B =1—A A ： (2P σ)′=2 A A 2A σ－2 (1－A A )2B σ＋2 (1－A A )B A σσ r AB －2A A B A σσ r AB 令 (2P σ)′= 0 并简化，得到使2P σ取极小值的A A ： A A =AB B A B A AB B A B r r σσσσσσσ22 22 -+- … …………………………………（3） AB B A i i r n B B A A σσ =---∑1 )])([(
互相关函数-自相关函数计算和作图
————————————————————————————————作者: ————————————————————————————————日期: ?
互相关函数，自相关函数计算和作图 1.自相关和互相关的概念。 ●互相关函数是描述随机信号ｘ(t）,y(t)在任意两个不同时刻t1，t2间的相关程度。 ●自相关函数是描述随机信号x(t）在任意两个不同时刻t１，ｔ2间的相关程度。 互相关函数是在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与各自的自谱联系了起来。它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生的误差非常有效。 ---－-－－-------－----－－－--－－－---------－-－------------－---－－--------－----－-－－--－-－--－- 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(ｔ）,则自相关函数定义为Ｒ(u）=f(t)*f(-ｔ)，其中*表示卷积；设两个函数分别是ｆ（t)和ｇ(t），则互相关函数定义为R（u)=f(t）*g(-t)，它反映的是两个函数在不同的相对位置上互相匹配的程度。 2.利用ｍａtlab中实现这两个相关并用图像显示: 自相关函数：? dt＝.1; t=[０:dt:100];x=ｃos（t); [a,b]=xｃorr(x,'ｕnbiasｅｄ＇); ｐloｔ(b＊dt,ａ） ?
互相关函数：把［ａ,b]＝ｘｃｏrr(x,＇unbｉased');改为[a,b]=ｘｃｏｒr(x,ｙ,'ｕｎｂia ｓed');便可。 ?３. 实现过程: 在Ｍaｔalb中，求解ｘcorr的过程事实上是利用Ｆoｕrier变换中的卷积定理进行的，即R(ｕ)=ｉffｔ(fｆｔ(f）×ｆft(g)),其中×表示乘法，注：此公式仅表示形式计算，并非实际计算所用的公式。当然也可以直接采用卷积进行计算,但是结果会与xcorr的不同。事实上,两者既然有定理保证，那么结果一定是相同的，只是没有用对公式而已。下面是检验两者结果相同的代码:??dt=.1; ｔ=[0:dt:１00];?x=3*ｓｉn（t）;?ｙ=ｃos（3*t)；?subplot(3,１,1); plｏｔ(t，ｘ）； ｓubplｏt(３,1，2);?ｐlot(t,ｙ); [ａ,b]=ｘcoｒｒ(x，y）； sｕbplot(３,１,３);?plot（b*dt,a）;?yｙ=cos(3*fliｐlr(t)); % ｏr ｕsｅ：ｙy=flｉplr(ｙ）; ｚ=ｃonｖ（x，yy); pause; sｕｂｐｌot（３,1,3）; plot(b＊dt,z,'r＇）;??即在xcoｒr中不使用scａling。 ?4. 其他相关问题：?1) 相关程度与相关函数的取值有什么联系？
2.4.3 相关函数 １．自相关函数 自相关函数是信号在时域中特性的平均度量，它用来描述信号在一个时刻的取值与另一时刻取值的依赖关系，其定义式为 （2.4.6） 对于周期信号，积分平均时间T为信号周期。对于有限时间内的信号，例如单个脉冲，当T趋于无穷大时，该平均值将趋于零，这时自相关函数可用下式计算 （2.4.7） 自相关函数就是信号x(t)和它的时移信号x(t+τ)乘积的平均值，它是时移变量τ的函数。 例如信号的自相关函数为 若信号是由两个频率与初相角不同的频率分量组成，即 ，则
对于正弦信号，由于，其自相关函数仍为 由此可见，正弦（余弦）信号的自相关函数同样是一个余弦函数。它保留了原信号的频率成分，其频率不变，幅值等于原幅值平方的一半，即等于该频率分量的平均功率，但丢失了相角的信息。 自相关函数具有如下主要性质： （1）自相关函数为偶函数，，其图形对称于纵轴。因此，不论时移方向是导前还是滞后（τ为正或负），函数值不变。 （2）当τ＝0时，自相关函数具有最大值，且等于信号的均方值，即 （2.4.8）（3）周期信号的自相关函数仍为同频率的周期信号。 （4）若随机信号不含周期成分，当τ趋于无穷大时，趋于信号平均值的平方，即 （2.4.9） 实际工程应用中，常采用自相关系数来度量其不同时刻信号值之间的相关程
度，定义式为 （2.4.10） 当τ＝0时，＝1，说明相关程度最大；当τ＝∞时，，说明信号x(t)与 x(t+τ)之间彼此无关。由于，所以。值的大小表示信号相关性的强弱。 自相关函数的性质可用图2.4.3表示。 图2.4.3 自相关函数的性质 常见四种典型信号的自相关函数如图2.4.4所示，自相关函数的典型应用包括： （1）检测信号回声（反射）。若在宽带信号中存在着带时间延迟的回声，那么该信号的自相关函数将在处也达到峰值（另一峰值在处），这样可根据确定反射体的位置，同时自相关系数在处的值将给出反射信号相对强度的度量。 时间历程自相关函数图形
自相关函数和互相关函数计算和作图的整理 欧阳家百（2021.03.07） 1. 首先说说自相关和互相关的概念。 --[转版友gghhjj]------------------------------------------------------------------------------------- 这个是信号分析里的概念，他们分别表示的是两个时间序列之间和同一个时间序列在任意两个不同时刻的取值之间的相关程度，即互相关函数是描述随机信号 x(t),y(t)在任意两个不同时刻t1，t2的取值之间的相关程度，自相关函数是描述随机信号x(t)在任意两个不同时刻t1，t2的取值之间的相关程度。 ---------------------------------------------------------------------------------------------------------------------------------------------- --[转版友hustyoung]----------------------------------------------------------------------------------- 自相关函数是描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度；互相关函数给出了在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与各自的自谱联系了起来。它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生的误差非常有效。 ---------------------------------------------------------------------------------------------------------------------------------------------- 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中*表示卷积；设两个函数分别是f(t)和g(t)，则互相关函数定义为R(u)=f(t)*g(-t)，它反映的是两个函数在不同的相对位置上互相匹配的程度。 那么，如何在matlab中实现这两个相关并用图像显示出来呢？这个问题happy教授给出了完整答案： -----------[转happy教授]--------------------- dt=.1; t=[0:dt:100]; x=cos(t); [a,b]=xcorr(x,'unbiased'); plot(b*dt,a) ----------------------------------------------------- 上面代码是求自相关函数并作图，对于互相关函数，稍微修改一下就可以了，即把[a,b]=xcorr(x,'unbiased');改为[a,b]=xcorr(x,y,'unbiased');便可。 2. 实现过程： 在Matalb中，求解xcorr的过程事实上是利用Fourier变换中的卷积定理进行的，即R(u)=ifft(fft(f)×fft(g))，其中 ×表示乘法，注：此公式仅表示形式计算，并非实际计算所用的公式。当然也可以直接采用卷积进行计算，但是结果会与xcorr的不同。事实上，两者既然有定理保证，那么结果一定是相同的，只是没有用对公式而已。下面是检验两者结果相同的代码： dt=.1; t=[0:dt:100]; x=3*sin(t); y=cos(3*t); subplot(3,1,1); plot(t,x); subplot(3,1,2); plot(t,y); [a,b]=xcorr(x,y); subplot(3,1,3); plot(b*dt,a); yy=cos(3*fliplr(t)); % or use: yy=fliplr(y); z=conv(x,yy); pause; subplot(3,1,3); plot(b*dt,z,'r'); 即在xcorr中不使用scaling。 3. 其他相关问题： 1) 相关程度与相关函数的取值有什么联系？ -------------[转版友gghhjj]------------------------------------------------------------------------------------- 相关系数只是一个比率，不是等单位量度，无什么单位名称，也不是相关的百分数，一般取小数点后两位来表示。 相关系数的正负号只表示相关的方向，绝对值表示相关的程度。因为不是等单位的度量，因而不能说相关系数0.7是0.35两倍，只能说相关系数为0.7的二列变量相关程度比相关系数为0.35的二列变量相关程度更为密切和更高。也不能说相关系数从0.70到0.80与相关系数从0.30到0.40增加的程度一样大。 对于相关系数的大小所表示的意义目前在统计学界尚不一致，但通常按下是这样认为的： 相关系数相关程度 0.00-±0.30 微相关 ±0.30-±0.50 实相关 ±0.50-±0.80 显著相关 ±0.80-±1.00 高度相关 ---------------------------------------------------------------------------------------------------------------------------------------------- 2) 功率，能量，自相关函数的关系： ---[转happy教授]------------------------------------------------------------------------------------------- 参见https://www.doczj.com/doc/3e7893094.html,/jingpinke/xhst/final/XiTongJiaoCai/chap6/chap6_3/chap6_3_3.htm 需要指出的是，相关和相关函数的概念原本是为描述随机过程的统计特征而引入的，称之为统计相关函数。按照随机过程的理论，要获得一个实际随机过程的统计相关函数是相当困难的，但对于满足各态历经性(遍历性)或广义平稳的随机过程，它们的统计相关函数等于其一个样本函数的时间相关函数。从确定性信号引出相关的概念，是为后续课程的学习打下一个基础。 两信号互相关函数的傅里叶变换等于其中第一个信号变换与第二个信号变换取共轭二者之乘积，这就是相关定理。对于自相关函数，它的傅里叶变换等于原信号幅度谱的平方。 周期余弦信号和它的自相关函数具有相同的角频率，即周期信号的自相关函数仍然是同周期的周期信号。 在实际应用中，有些信号无法求它的傅里叶变换，但是可以用求自相关函数的方法求得信号的功率谱。
《 互相关函数，自相关函数计算和作图 1.自相关和互相关的概念。 互相关函数是描述随机信号x(t),y(t)在任意两个不同时刻t1，t2间的相关程度。 自相关函数是描述随机信号x(t)在任意两个不同时刻t1，t2间的相关程度。 互相关函数是在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与各自的自谱联系了起来。它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生的误差非常有效。 -----------------------------------------------------------------------------------事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中*表示卷积；设两个函数分别是f(t)和g(t)，则互相关函数定义为R(u)=f(t)*g(-t)，它反映的是两个函数在不同的相对位置上互相匹配的程度。 】 2.利用matlab中实现这两个相关并用图像显示： 自相关函数： dt=.1; t=[0:dt:100];x=cos(t); [a,b]=xcorr(x,'unbiased'); plot(b*dt,a)
互相关函数：把[a,b]=xcorr(x,'unbiased');改为[a,b]=xcorr(x,y,'unbiased');便可。 ? 3. 实现过程： 在Matalb中，求解xcorr的过程事实上是利用Fourier变换中的卷积定理进行的，即 R(u)=ifft(fft(f)×fft(g))，其中×表示乘法，注：此公式仅表示形式计算，并非实际计算所用的公式。当然也可以直接采用卷积进行计算，但是结果会与xcorr的不同。事实上，两者既然有定理保证，那么结果一定是相同的，只是没有用对公式而已。下面是检验两者结果相同的代码： dt=.1; t=[0:dt:100]; x=3*sin(t); y=cos(3*t); subplot(3,1,1); plot(t,x); subplot(3,1,2); plot(t,y); [a,b]=xcorr(x,y); subplot(3,1,3);
自相关函数与偏自相关函数 上一节介绍了随机过程的几种模型。实际中单凭对时间序列的观察很难确定其属于哪一种模型，而自相关函数和偏自相关函数是分析随机过程和识别模型的有力工具。 1、自相关函数定义 在给出自相关函数定义之前先介绍自协方差函数概念。由第一节知随机过程{t x }中的每一个元素t x ，t = 1, 2, … 都是随机变量。对于平稳的随机过程，其期望为常数，用μ表示，即 ()t E x μ=，1,2,t =L 随机过程的取值将以 μ 为中心上下变动。平稳随机过程的方差也是一个常量 2()t x Var x σ=，1,2,t =L 2x σ用来度量随机过程取值对其均值μ的离散程度。 相隔k 期的两个随机变量t x 与t k x -的协方差即滞后k 期的自协方差，定义为： (,)[()()]k t t k t t k Cov x x E x x γμμ--==-- 自协方差序列：k γ，0,1,2,k =L 称为随机过程{t x }的自协方差函数。当k = 0 时，2 0()t x Var x γσ==。 自相关系数定义：k ρ= 因为对于一个平稳过程有：2 ()()t t k x Var x Var x σ-== 所以2 20 (,) t t k k k k x x Cov x x γγρσσγ-= = =，当 k = 0 时，有01ρ=。 以滞后期k 为变量的自相关系数列k ρ（0,1,2,k =L ）称为自相关函数。因为k k ρρ-=，即(,)t k t Cov x x -= (,)t t k Cov x x +，自相关函数是零对称的，所以实际研究中只给出自相关函数的正半部分即可。
相关系数r AB 的计算公式的推导 设A i 、B i 分别表示证券A 、证券B 历史上各年获得的收益率；A 、B 分别表示证券A 、证券B 各年获得的收益率的平均数；P i 表示证券A 和证券B 构成的投资组合各年获得的收益率，其他符号的含义同上。 2 A σ=11 -n 2)(∑-A A i 2B σ=11-n )(B B i -∑2 2 P σ=11-n 2)1(∑∑-i i P n P =2)](1 )[(11i B i A i B i A B A A A n B A A A n +-+-∑∑ =2)]()[(11 B A A A B A A A n B A i B i A +-+-∑ =2)]()([11 B B A A A A n i B i A -+--∑ =)])((2)()([1 122 22B B A A A A B B A A A A n i i B A i B i A --+-+--∑ =A 2A × 22 1 ) (B i A n A A +--∑× 1 )] )([(21 )(2 ---+ --∑∑n B B A A A A n B B i i B A i =A 1 )] )([(22222 ---? ++∑n B B A A A A A i i B A B B A A σσ 对照公式（1）得： = 1 )(2 --∑n A A i × 1 )(2 --∑n B B i × r AB ∴ r AB = ∑∑∑-?---2 2 ) ()()] )([(B B A A B B A A i i i i 这就是相关系数r AB 的计算公式。 投资组合风险分散化效应的内在特征 1.两种证券构成的投资组合为最小方差组合（即风险最小）时各证券投资比例的测定 公式（1）左右两端对A A 求一阶导数，并注意到A B =1—A A ： (2 P σ)′=2 A A 2A σ－2 (1－A A )2 B σ＋2 (1－A A )B A σσ r AB －2A A B A σσ r AB 令 (2P σ)′= 0 并简化，得到使2 P σ取极小值的A A ： AB B A i i r n B B A A σσ =---∑1 )])([(
自相关函数和互相关函数的matlab计算和作图 1. 首先说说自相关和互相关的概念。 这个是信号分析里的概念，他们分别表示的是两个时间序列之间和同一个时间序列在任意两个不同时刻的取值之间的相关程度，即互相关函数是描述随机信号x(t),y(t)在任意两个不同时刻t1，t2的取值之间的相关程度，自相关函数是描述随机信号x(t)在任意两个不同时刻t1，t2的取值之间的相关程度。 自相关函数是描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度；互相关函数给出了在频域内两个信号是否相关的一个 判断指标，把两测点之间信号的互谱与各自的自谱联系了起来。它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生 的误差非常有效. 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为 R(u)=f(t)*f(-t)，其中*表示卷积；设 两个函数分别是f(t)和g(t)，则互相关函数定义为R(u)=f(t)*g(-t)，它反映的是两个函数在不同的相对位置上互相匹配的程度。 那么，如何在matlab中实现这两个相关并用图像显示出来呢？ dt=.1; t=[0:dt:100]; x=cos(t); [a,b]=xcorr(x,'unbiased'); plot(b*dt,a) 上面代码是求自相关函数并作图，对于互相关函数，稍微修改一下就可以了，即把[a,b]=xcorr(x,'unbiased');改为[a,b]=xcorr (x,y,'unbiased');便可。 2. 实现过程： 在Matalb中，求解xcorr的过程事实上是利用Fourier变换中的卷积定理进行的，即 R(u)=ifft(fft(f)×fft(g))，其中×表示乘法，注：此 公式仅表示形式计算，并非实际计算所用的公式。当然也可以直接采用卷积进行计算，但是结果会与xcorr的不同。事实上，两者既然有定理保证 ，那么结果一定是相同的，只是没有用对公式而已。下面是检验两者结果相同的代码： dt=.1; t=[0:dt:100]; x=3*sin(t);
信号、谱密度及自相关函数 1.能量有限信号 定义：能量有限信号，又称能量信号，是指在所有时间上总能量不为零且有限的信号。 能量信号是一个脉冲式信号，它通常只存在于有限的时间间隔内。在实际应用中发送的信号总是能量有限的。一般地，非周期的确定性信号为能量有限信号。 信号能量的计算： 是x(t)的傅里叶变换，它是幅度谱密度。 2.功率有限信号 定义：如果信号的功率是有限的，则称为功率有限信号，简称功率信号。功率信号的能量为无限大。它对通信系统的性能有很大影响，决定了无线系统中发射机的电压和电磁场强度。 信号功率的计算： 与能量信号定义的比较，这个很好理解的。 3.能量信号与功率信号的区分 若信号能量有限，即, 且，则称此信号为能量信号； 若信号功率有限，即且E趋近于，则称此信号为功率信号。 能量有限信号和功率有限信号是不相容的，即不存在既是能量信号又是功率信号的情况。 4.能量谱密度ESD 能量信号的自相关函数的定义： 最后推导出： 为的傅里叶变换， 的能量谱密度： 结论：能量信号的自相关函数与能量谱密度成傅里叶变换对。 一个能量信号通过一个传递函数为H(f)的LTI系统，那么，其输出的能量谱密度为：
如果为实信号，那么，为正的实偶函数。 5.功率谱密度 功率信号的自相关函数的定义： 可推导出： 令，它是功率谱密度。 结论：功率信号的自相关函数与功率谱密度成傅里叶变换对。 一个功率信号通过一个传递函数为H(f)的LTI系统，那么，其输出的功率谱密度为： 如果为实信号，那么，为正的实偶函数。 6.能量谱密度与功率谱密度的计算 功率信号： 对于一个确定的信号，如何求出其谱密度？ a．能量谱密度的求法： 方法1：根据公式得到其能量谱密度，为的傅里叶变换. 方法2：根据公式，得到自相关函数，然后，对其进行傅里叶反变换，得到能量谱密度. b．功率谱密度的求法： 方法1：根据公式得到其功率谱密度. 方法2：根据公式，得到自相关函数，然后，对其进行傅里叶反变换，得到功率谱密度.
自相关函数和互相关函数计算和作图的整理 1. 首先说说自相关和互相关的概念。 --[转版友gghhjj]------------------------------------------------------------------------------------- 这个是信号分析里的概念，他们分别表示的是两个时间序列之间和同一个时间序列在任意两个不同时刻的取值之间的相关程度，即互相关函数是描述随机信号 x(t),y(t)在任意两个不同时刻t1，t2的取值之间的相关程度，自相关函数是描述随机信号x(t)在任意两个不同时刻t1，t2的取值之间的相关程度。 ---------------------------------------------------------------------------------------------------------------------------------------------- --[转版友hustyoung]----------------------------------------------------------------------------------- 自相关函数是描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度；互相关函数给出了在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与各自的自谱联系了起来。它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生的误差非常有效。 ---------------------------------------------------------------------------------------------------------------------------------------------- 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中* 表示卷积；设两个函数分别是f(t)和g(t)，则互相关函数定义为R(u)=f(t)*g(-t)，它反映的是两个函数在不同的相对位置上互相匹配的程度。 那么，如何在matlab中实现这两个相关并用图像显示出来呢？这个问题happy教授给出了完整答案： -----------[转happy教授]--------------------- dt=.1; t=[0:dt:100]; x=cos(t); [a,b]=xcorr(x,'unbiased'); plot(b*dt,a) ----------------------------------------------------- 上面代码是求自相关函数并作图，对于互相关函数，稍微修改一下就可以了，即把[a,b]=xcorr(x,'unbiased');改为 [a,b]=xcorr(x,y,'unbiased');便可。 2. 实现过程： 在Matalb中，求解xcorr的过程事实上是利用Fourier变换中的卷积定理进行的，即R(u)=ifft(fft(f)×fft(g))，其中×表示乘法，注：此公式仅表示形式计算，并非实际计算所用的公式。当然也可以直接采用卷积进行计算，但是结果会与xcorr 的不同。事实上，两者既然有定理保证，那么结果一定是相同的，只是没有用对公式而已。下面是检验两者结果相同的代码： dt=.1; t=[0:dt:100]; x=3*sin(t); y=cos(3*t); subplot(3,1,1); plot(t,x); subplot(3,1,2); plot(t,y); [a,b]=xcorr(x,y); subplot(3,1,3); plot(b*dt,a); yy=cos(3*fliplr(t)); % or use: yy=fliplr(y); z=conv(x,yy); pause; subplot(3,1,3); plot(b*dt,z,'r'); 即在xcorr中不使用scaling。 3. 其他相关问题： 1) 相关程度与相关函数的取值有什么联系？ -------------[转版友 gghhjj]------------------------------------------------------------------------------------- 相关系数只是一个比率，不是等单位量度，无什么单位名称，也不是相关的百分数，一般取小数点后两位来表示。 相关系数的正负号只表示相关的方向，绝对值表示相关的程度。因为不是等单位的度量，因而不能说相关系数0.7是0.35两倍，只能说相关系数为0.7的二列变量相关程度比相关系数为0.35的二列变量相关程度更为密切和更高。也不能说相关系数从0.70到0.80与相关系数从0.30到0.40增加的程度一样大。 对于相关系数的大小所表示的意义目前在统计学界尚不一致，但通常按下是这样认为的：
自相关函数 自相关函数，信号处理、时间序列分析中常用的数学工具，反映了同一序列在不同时刻的取值之间的相关程度。 目录 [隐藏] 1 定义1.1 统计学 1.2 信号处理 2 自相关函数的性质 3 自相关函数举例 4 参考文献 定义[编辑] 自相关函数在不同的领域，定义不完全等效。在某些领域，自相关函数等同于自协方差。 统计学[编辑] 将一个有序的随机变量系列与其自身相比较，这就是自相关函数在统计学中的定义。每个不存在相位差的系列，都与其自身相似，即在此情况下，自相关函数值最大。如果系列中的组成部分相互之间存在相关性（不再是随机的），则由以下相关值方程所计算的值不再为零，这样的组成部分为自相关。 ......... 期望值。 ........ 在t(i)时的随机变量值。 ........ 在t(i)时的预期值。 .... 在t(i+k)时的随机变量值。 .... 在t(i+k)时的预期值。 ......... 为方差。 所得的自相关值R的取值范围为[-1,1],1为最大正相关值，-1则为最大负相关值，0为不相关。 信号处理[编辑] 在信息分析中，通常将自相关函数称之为自协方差方程。用来描述信息在不同时间 的，信息函数值的相关性。 ，其中“ ”是卷积算符， 为取共轭。 自相关函数的性质[编辑] 以下以一维自相关函数为例说明其性质，多维的情况可方便地从一维情况推广得到。
对称性：从定义显然可以看出R(i) = R(?i)。连续型自相关函数为偶函数 当f为实函数时，有： 当f是复函数时，该自相关函数是厄米函数，满足： 其中星号表示共轭。 连续型实自相关函数的峰值在原点取得，即对于任何延时τ，均有 。该结论可直接有柯西-施瓦茨不等式得到。离散型自相关函数亦有此结论。 周期函数的自相关函数是具有与原函数相同周期的函数。 两个相互无关的函数（即对于所有τ，两函数的互相关均为0）之和的自相关函数等于各自自相关函数之和。 由于自相关函数是一种特殊的互相关函数，所以它具有后者的所有性质。 连续时间白噪声信号的自相关函数是一个δ函数，在除τ= 0 之外的所有点均为0。 维纳-辛钦定理（Wiener–Khinchin theorem）表明，自相关函数和功率谱密度函数是一对傅里叶变换对： 实值、对称的自相关函数具有实对称的变换函数，因此此时维纳-辛钦定理中的复指数项可以写成如下的余弦形式： 自相关函数举例[编辑] 白噪声的自相关函数为δ函数： 参考文献[编辑]