计量经济学：领先一步的预测 - 页 73 1...666768697071727374757677787980...139 新评论 Avals 2011.11.29 05:22 #721 faa1947: 是的，40元并不多。做了测试并写在上面。70后进一步增加样品并不影响结果。下面是关于样本长度的结果。值得注意的是。模型系数的估计。 eurusd = c(1)*hp1(-1) + c(2)*hp1(-2) + c(3)*hp1_d(-1) + c(4)*eq1_hp2(-1) + c(5)*eq1_hp2(-2) + c(6)*eq1_hp2(-3) + c(7)*eq1_hp2_d(-1) + c(8)*eq1_hp2_d(-2) + c(9) *eq1_hp2_D(-3) + c(10) *eq1_hp2_d(-4) 总共有10个。所有的系数都是随机变量。问题：在什么样本长度上，它们会变成近似常数。我将在一张图中显示所有的系数。 这里的样本=80个观察值。你可以看到，在一半的样本之后，所有的调整，特别是系数的评估误差。 对于第一个系数，我将给出一个更大的系数。 这是对系数本身的估计--我们看到它的值不是 一个常数。 而现在是系数的估计误差。 因此，我的结论是，样本应该在60个以上的观察值。 我们需要误差小的稳定系数--这是一个衡量样本长度的标准! 模型系数或其误差向某个数字的收敛并不能决定所需的观测数量。拿一个普通的LR来说，数据越小，它的系数变化就越快，增加的速度就越慢。但这是回归本身的一个属性，而不是它预测系列的准确性。而且它并不决定回归计算窗口的大小。 如果你应用一个标准，它给出了数字结果，你应该知道的不仅仅是一个数字，而是在这种情况下你能在多大程度上相信它。例如，为此目的，数学统计学使用了DI。 СанСаныч Фоменко 2011.11.29 05:31 #722 Avals: 顺便说一下，关于正态分布的残差分析：只有116个观测值是非常小的，结果是可靠的。也就是说，当然可以应用测试，它将以一定的概率将分布归结为正态，但这个预测的置信区间是多少？例如，25%又是一个非常近似的值，可能是0...50（95%的置信度）的范围，或22...28。在我看来，116个观测点的CI值将是巨大的。我不为正常情况分析。为什么？ 首先，我们需要从商数中提取我们可以使用的东西：观察值的相关性。如果我们得到一个没有相关性的残差，那么我们必须找出是否有任何其他可以利用的信息--ARCH。如果有，那么也要对这些信息进行建模（写出分析公式）。理想的残留物是我们不能（不知道，不知道）从中提取任何信息用于建模。 СанСаныч Фоменко 2011.11.29 05:34 #723 paukas: 下定决心，不知不觉中..... 把一句话读到最后，或者更好的是把一段话读到最后，或者更好的是把作者写的一切都读到最后，这是一个非常好的习惯。 СанСаныч Фоменко 2011.11.29 05:37 #724 Avals: 模型系数或其误差收敛到某个数字，并不能决定所需的观测数量。拿一个普通的LR来说，数据越小，它的系数变化就越快，增加的速度就越慢。但这是回归本身的一个属性，而不是它预测系列的准确性。而且它并不决定回归计算窗口的大小。 如果你应用一些能给出数字结果的标准，你需要知道的不仅仅是数字，而是在特定情况下你能在多大程度上相信它。例如，数学统计学为此目的使用了一个DI。 道理不是很清楚：如果系数不变，振荡系数也不变，为什么还要增加窗口？我们可以从数字中看到这一点。 Vladimir Paukas 2011.11.29 05:39 #725 faa1947: 把一句话读到最后，或者更好的是把一段话读到最后，或者更好的是把作者写的一切都读到最后，这是一个非常有用的习惯。 一个更有用的习惯是用一种不仅对作者，而且对普通集体农民都有意义的方式来写作。 Vasiliy Sokolov 2011.11.29 05:40 #726 Reshetov:最后，这个邪教的神棍揭示了宗教诡计的主要秘密!初级的，华生！因为它们是非稳态的。静止性是指分散性和期望值是常数，不依赖于测量它们的样本。也就是说，在任何其他独立样本中，我们应该得到大致相同的常数。如果我们没有得到它们，那么静止性假说就被推翻了。可以通过增加样本维度来检验静止性假设。在静止性的情况下，方差和期望值也必须保持常数。 哦，来吧！该模型的主要问题不在于市场的非平稳性，而在于模型本身，它根本无法工作，策略测试 者证明了这一点，而该课题组不愿承认，同时他也想知道为什么他的模型无法工作。没有必要用R^2等来搞得一团糟，因为一个简单的测试是更客观的方法来告诉什么是什么。 如果你想要这种静止性，请使用等量图。为什么，波动率是一个常数，分散性和m.o.s.必须是有限的，但这没有什么用处，因为该模型在普通图表上不起作用，在等量图表上也不会起作用。 Avals 2011.11.29 05:41 #727 faa1947: 我不为正常情况分析。为什么？ 首先，可以用来从商数中提取的是观察值之间的关联性。如果我们得到一个没有相关性的残差，那么我们必须找出是否有任何其他可以利用的信息--ARCH。如果有，那么也要对这些信息进行建模（写出分析公式）。理想的残留物是我们不能（不知道如何，不知道）从中提取任何信息用于建模。 你怎么不分析一下呢？你在第1.3条中写道。估计回归方程的残差 你得到了具体的数字 - "残差是正态分布的概率是25.57%。" ACF，等等。 但是，如果不说明这些数字在多大程度上可以被相信，这些数字就没有任何价值。 400次交易的利润系数是否可以和40次一样值得信赖？所有其他统计值和数字标准也是如此--需要准确的估计。置信区间是一种方法。116个观察结果并不足以相信将分布归因于或不归因于正态的结果，无论采用什么标准。 Yury Reshetov 2011.11.29 05:43 #728 faa1947: 聋哑人的表现令人震惊。 我多年来一直在强调这一点--科蒂尔是非稳态的，无法预测的。 我在这条线上一直在说--商是非稳态的，但如果模型的残差 是稳态的，它就可以被预测到。残差是有意义的，因为这样你就可以把模型（分析）与静止的残差加起来。这个和等于商，没有损失一个点。我已经在上面写了一百次。没有相同的东西，善于写作的Chukchi人是作家，但不是读者。 继续说。残差是非稳态的，因为如果在任何其他独立样本上检验一个拟合于单一样本的模型，残差就不再是一个常数。有可能对其他样本进行拟合，但在这些拟合之后，我们对每个单独的样本得到不同的模型。 我再次为特别有天赋的人重申：静止性只能通过不同独立样本的统计数据的重合来揭示。而且没有这种巧合。 计量经济学操作的诀窍在于，他们找到了一种方法，将一个模型拟合到一个样本中，使该样本中的所有残差都大致相等。但由于这样的把戏只发生在单个样本中，而在其他样本中，模型给出了不同的结果，所以残差不是静止的，而只是 对单个样本的拟合。计量经济学模型不能推断未来，因为他们还没有可以拟合模型的历史数据（这些数据只有在未来才会出现）。 它与重绘指标一样--根据具体数据调整其读数，追溯性地改变它们。 Avals 2011.11.29 05:44 #729 faa1947: 推理不是很清楚：如果系数是恒定的，为什么要增加窗口，而奥什.系数是恒定的？我们可以从数字中看到这一点。 我并不是说应该扩大计算回归系数的窗口。这方面的窗口不是由他们收敛到一个数字来定义的。我说的是观察值的数量，以及它如何影响你的标准和统计估计的准确性。 [删除] 2011.11.29 05:49 #730 统计学中的经验法则是至少应该有300个点，这是下限。 1...666768697071727374757677787980...139 新评论 原因: 取消 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
是的，40元并不多。做了测试并写在上面。70后进一步增加样品并不影响结果。下面是关于样本长度的结果。值得注意的是。模型系数的估计。
eurusd = c(1)*hp1(-1) + c(2)*hp1(-2) + c(3)*hp1_d(-1) + c(4)*eq1_hp2(-1) + c(5)*eq1_hp2(-2) + c(6)*eq1_hp2(-3) + c(7)*eq1_hp2_d(-1) + c(8)*eq1_hp2_d(-2) + c(9) *eq1_hp2_D(-3) + c(10) *eq1_hp2_d(-4)
总共有10个。所有的系数都是随机变量。问题：在什么样本长度上，它们会变成近似常数。我将在一张图中显示所有的系数。
这里的样本=80个观察值。你可以看到，在一半的样本之后，所有的调整，特别是系数的评估误差。 对于第一个系数，我将给出一个更大的系数。
这是对系数本身的估计--我们看到它的值不是 一个常数。
而现在是系数的估计误差。
因此，我的结论是，样本应该在60个以上的观察值。
我们需要误差小的稳定系数--这是一个衡量样本长度的标准!
模型系数或其误差向某个数字的收敛并不能决定所需的观测数量。拿一个普通的LR来说，数据越小，它的系数变化就越快，增加的速度就越慢。但这是回归本身的一个属性，而不是它预测系列的准确性。而且它并不决定回归计算窗口的大小。
如果你应用一个标准，它给出了数字结果，你应该知道的不仅仅是一个数字，而是在这种情况下你能在多大程度上相信它。例如，为此目的，数学统计学使用了DI。
顺便说一下，关于正态分布的残差分析：只有116个观测值是非常小的，结果是可靠的。也就是说，当然可以应用测试，它将以一定的概率将分布归结为正态，但这个预测的置信区间是多少？例如，25%又是一个非常近似的值，可能是0...50（95%的置信度）的范围，或22...28。在我看来，116个观测点的CI值将是巨大的。
我不为正常情况分析。为什么？
首先，我们需要从商数中提取我们可以使用的东西：观察值的相关性。如果我们得到一个没有相关性的残差，那么我们必须找出是否有任何其他可以利用的信息--ARCH。如果有，那么也要对这些信息进行建模（写出分析公式）。理想的残留物是我们不能（不知道，不知道）从中提取任何信息用于建模。
下定决心，不知不觉中.....
模型系数或其误差收敛到某个数字，并不能决定所需的观测数量。拿一个普通的LR来说，数据越小，它的系数变化就越快，增加的速度就越慢。但这是回归本身的一个属性，而不是它预测系列的准确性。而且它并不决定回归计算窗口的大小。
如果你应用一些能给出数字结果的标准，你需要知道的不仅仅是数字，而是在特定情况下你能在多大程度上相信它。例如，数学统计学为此目的使用了一个DI。
道理不是很清楚：如果系数不变，振荡系数也不变，为什么还要增加窗口？我们可以从数字中看到这一点。
把一句话读到最后，或者更好的是把一段话读到最后，或者更好的是把作者写的一切都读到最后，这是一个非常有用的习惯。
最后，这个邪教的神棍揭示了宗教诡计的主要秘密!
初级的，华生！因为它们是非稳态的。静止性是指分散性和期望值是常数，不依赖于测量它们的样本。也就是说，在任何其他独立样本中，我们应该得到大致相同的常数。如果我们没有得到它们，那么静止性假说就被推翻了。
可以通过增加样本维度来检验静止性假设。在静止性的情况下，方差和期望值也必须保持常数。
哦，来吧！该模型的主要问题不在于市场的非平稳性，而在于模型本身，它根本无法工作，策略测试 者证明了这一点，而该课题组不愿承认，同时他也想知道为什么他的模型无法工作。没有必要用R^2等来搞得一团糟，因为一个简单的测试是更客观的方法来告诉什么是什么。
如果你想要这种静止性，请使用等量图。为什么，波动率是一个常数，分散性和m.o.s.必须是有限的，但这没有什么用处，因为该模型在普通图表上不起作用，在等量图表上也不会起作用。
我不为正常情况分析。为什么？
首先，可以用来从商数中提取的是观察值之间的关联性。如果我们得到一个没有相关性的残差，那么我们必须找出是否有任何其他可以利用的信息--ARCH。如果有，那么也要对这些信息进行建模（写出分析公式）。理想的残留物是我们不能（不知道如何，不知道）从中提取任何信息用于建模。
你怎么不分析一下呢？你在第1.3条中写道。估计回归方程的残差
你得到了具体的数字 -
"残差是正态分布的概率是25.57%。"
ACF，等等。
但是，如果不说明这些数字在多大程度上可以被相信，这些数字就没有任何价值。
400次交易的利润系数是否可以和40次一样值得信赖？所有其他统计值和数字标准也是如此--需要准确的估计。置信区间是一种方法。116个观察结果并不足以相信将分布归因于或不归因于正态的结果，无论采用什么标准。
聋哑人的表现令人震惊。
我多年来一直在强调这一点--科蒂尔是非稳态的，无法预测的。
我在这条线上一直在说--商是非稳态的，但如果模型的残差 是稳态的，它就可以被预测到。残差是有意义的，因为这样你就可以把模型（分析）与静止的残差加起来。这个和等于商，没有损失一个点。我已经在上面写了一百次。没有相同的东西，善于写作的Chukchi人是作家，但不是读者。
继续说。残差是非稳态的，因为如果在任何其他独立样本上检验一个拟合于单一样本的模型，残差就不再是一个常数。有可能对其他样本进行拟合，但在这些拟合之后，我们对每个单独的样本得到不同的模型。
我再次为特别有天赋的人重申：静止性只能通过不同独立样本的统计数据的重合来揭示。而且没有这种巧合。
计量经济学操作的诀窍在于，他们找到了一种方法，将一个模型拟合到一个样本中，使该样本中的所有残差都大致相等。但由于这样的把戏只发生在单个样本中，而在其他样本中，模型给出了不同的结果，所以残差不是静止的，而只是 对单个样本的拟合。计量经济学模型不能推断未来，因为他们还没有可以拟合模型的历史数据（这些数据只有在未来才会出现）。
它与重绘指标一样--根据具体数据调整其读数，追溯性地改变它们。
推理不是很清楚：如果系数是恒定的，为什么要增加窗口，而奥什.系数是恒定的？我们可以从数字中看到这一点。
我并不是说应该扩大计算回归系数的窗口。这方面的窗口不是由他们收敛到一个数字来定义的。我说的是观察值的数量，以及它如何影响你的标准和统计估计的准确性。