Gewinnung eines stationären BP aus einem Preis BP - Seite 2
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich frage mich, ob jemand schon einmal weißes Rauschen bei Preisumrechnungen erhalten hat?
Auf dem Doji.Streber-Getöse. Reicht Ihr eigener Verstand nicht aus, um zu erkennen, dass alles in dem von Ihnen zitierten Link Unsinn ist?
Lesen Sie weiter, und ich zitiere: "Einschränkungen. Es sei daran erinnert, dass das ARPSS-Modell nur für stationäre Reihen geeignet ist (Mittelwert, Varianz und Autokorrelation sind im Zeitablauf annähernd konstant); bei nicht-stationären Reihen sind Differenzen zu berücksichtigen. Es wird empfohlen, mindestens 50 Beobachtungen in der Rohdatendatei zu haben. Außerdem wird davon ausgegangen, dass die Modellparameter konstant sind, d. h. sich im Laufe der Zeit nicht ändern. "(Ich möchte nicht über die Zahl von 50 Beobachtungen diskutieren, denn selbst einem Dummkopf in diesem Forum ist klar, dass 50 Transaktionen kein Ergebnis sind)
Angenommen, wir haben eine nicht-stationäre Reihe, dann nehmen wir die Residuen - delta(x). Die Residuen selbst sollten, wie in dieser "Arbeit" vorgeschlagen, die Anforderungen erfüllen, und ich zitiere: "die nur Rauschen ohne systematische Komponenten enthalten".
Scheiß drauf. Lasst es laut werden. Der Lärm selbst lässt sich in keiner Weise vorhersagen. Daher ist es sinnlos, sich anzunähern. Aber es hat die Eigenschaft, und ich zitiere: "Die Residuen müssen normalverteilt sein und MO=0 haben."
Daher nehmen wir anstelle von Lärm dessen MO=0.
Einsetzen in die Vorhersage: Vorhersage(Zeit + i + j) = price_appr(Zeit + i + j) + delta_appr(Zeit + i + j) = price_appr(Zeit + i + j) + 0 = price_appr(Zeit + i + j)
Die Prognose für das Rauschen ist also die erste Annäherung: price_appr(x). Und die erste Annäherung ist, wie ich im dritten Beitrag dieses Threads sagte, ein nackter Sitz. Das Ergebnis ist:
Botanische Vorhersage = passend
Was soll die ganze Aufregung? Nimm ZigZaz und basta, der Schwanz, der zuckt - warte, bis er aufhört zu zucken. Und im Ernst: Dieses neue stationäre Reihenmodell kann das ursprüngliche nicht-stationäre Modell darstellen. Bei der Erörterung von ARPSS werden auch Konfidenzintervalle zwischen dem ursprünglichen BP und seinem Modell erörtert. Ich kann nicht sagen, wo die Botaniker und die Zoologen sind.
Ich frage mich, ob jemand schon einmal weißes Rauschen bei Preisumrechnungen erhalten hat?
In seiner reinen Form, niemand. Weißes Rauschen hat gleiche Amplituden in allen Oberwellen von 0 bis unendlich. Sie kommt in der Natur in ihrer reinen Form nicht vor, weil es keine idealen akustischen Bedingungen gibt, in denen keine Obertöne entstehen können.
Um zu prüfen, ob weißes Rauschen vorliegt, können Sie die ersten N Oberschwingungen nehmen und ihre Amplituden vergleichen. Wenn sie ungefähr gleich sind, dann ist der Blutdruck laut.
Ограничения. Следует напомнить, что модель АРПСС является подходящей только для рядов, которые являются стационарными (среднее, дисперсия и автокорреляция примерно постоянны во времени); для нестационарных рядов следует брать разности. Рекомендуется иметь, как минимум, 50 наблюдений в файле исходных данных. Также предполагается, что параметры модели постоянны, т.е. не меняются во времени.
Der Autor des Artikels hat Unsinn geschrieben, denn das erwähnte Modell und die Vorläufermodelle können sehr wohl für nicht-stationäre Reihen verwendet werden (die Koeffizienten sind dann einfach nicht-stationär). Signifikante Vorhersagefehler liegen woanders - in einer bedeutenden Diskrepanz zwischen der Quellenverteilung und dem verwendeten Modell. Mit anderen Worten: Die notwendige Bedingung ist, dass die Verteilungen der ARPSS und der Preisreihen übereinstimmen, was in der Natur natürlich nicht der Fall ist.
PS: Übrigens, eine kleine Panne, die Zitatauswahl funktioniert nicht Hmmm, die Zitatauswahl funktioniert, aber getrennt von der Textauswahl (IE7),
Streber-Getöse. Reicht Ihr eigener Verstand nicht aus, um zu erkennen, dass alles in dem von Ihnen zitierten Link Unsinn ist?
Lesen Sie weiter, und ich zitiere: "Einschränkungen. Es sei daran erinnert, dass das ARPSS-Modell nur für stationäre Reihen geeignet ist (Mittelwert, Varianz und Autokorrelation sind im Zeitablauf annähernd konstant); bei nicht-stationären Reihen sind Differenzen zu berücksichtigen. Es wird empfohlen, mindestens 50 Beobachtungen in der Quelldatendatei zu haben. Außerdem wird davon ausgegangen, dass die Modellparameter konstant sind, d. h. sich im Laufe der Zeit nicht ändern. "(Ich möchte nicht über die Zahl von 50 Beobachtungen diskutieren, denn selbst einem Dummkopf in diesem Forum ist klar, dass 50 Transaktionen kein Ergebnis sind)
Angenommen, wir haben eine nicht-stationäre Reihe, dann nehmen wir die Residuen - delta(x). Die Residuen selbst sollten, wie in dieser "Arbeit" vorgeschlagen, die Anforderungen erfüllen, und ich zitiere: "die nur Rauschen ohne systematische Komponenten enthalten".
Scheiß drauf. Lasst es laut werden. Der Lärm selbst lässt sich in keiner Weise vorhersagen. Daher ist es sinnlos, sich anzunähern. Aber es hat die Eigenschaft, und ich zitiere: "Die Residuen müssen normalverteilt sein und MO=0 haben."
Daher nehmen wir anstelle von Lärm dessen MO=0.
Einsetzen in die Vorhersage: Vorhersage(Zeit + i + j) = price_appr(Zeit + i + j) + delta_appr(Zeit + i + j) = price_appr(Zeit + i + j) + 0 = price_appr(Zeit + i + j)
Die Prognose für das Rauschen ist also die erste Annäherung: price_appr(x). Und die erste Annäherung ist, wie ich im dritten Beitrag dieses Threads sagte, ein nackter Sitz. Das Ergebnis ist:
Botanische Vorhersage = passend.
Dies ist ein Test für die Angemessenheit des Vorhersagemodells. Residuen können nicht nur von erster Ordnung genommen werden. D.h. delta2(Zeit + i) = Open[Zeit + i] - forecast(Zeit + i). Die Methode besagt lediglich, dass das Vorhersagemodell angemessen ist. In Ihrem Fall ist das Prognosemodell die Vorhersage. D.h.
"4. Überprüfung von delta(x) auf weißes Rauschen. Wenn es laut ist, ist es schade um die Oma. Wenn es kein Geräusch macht, geh weiter."
Es ist nicht blöd, sondern das Gegenteil - das Vorhersagemodell ist gut. Die Residuen haben keine systematische Komponente und sind unabhängig. Solange dies nicht der Fall ist, können Sie Modelle erstellen, die die Residuen bis ins Unendliche extrapolieren. Es ist ein Kriterium des Anhaltens, das uns zeigt, dass wir bei dem angekommen sind, was wir suchen.
Ist es schwer, das selbst herauszufinden? ;)
Um zu prüfen, ob es sich um weißes Rauschen handelt, können Sie die ersten N Oberschwingungen nehmen und ihre Amplituden vergleichen. Wenn sie ungefähr gleich sind, dann ist der Blutdruck laut.
Würden Sie nicht lieber den ACF berechnen?
Dies ist ein Test für die Angemessenheit des Vorhersagemodells. Residuen können nicht nur von erster Ordnung genommen werden. D.h. delta2(Zeit + i) = Open[Zeit + i] - forecast(Zeit + i).
Auch das ist Unsinn.
Als Ergebnis erhalten wir: delta2(x) = delta(x), denn Prognose(x) = Preis_Anwendung(x).
Ist es zu schwer, das selbst herauszufinden?
Wäre es nicht besser, den ACF zu berechnen?
Warum achten wir nicht auf den Schwanz in ZZ? Das ist eine sichere Vorhersage. Und Sie müssen immer noch beweisen, dass Sie sie haben.
Auch dies ist Unsinn.
Das Ergebnis ist: delta2(x) = delta(x), denn Prognose(x) = Preis_Anwendung(x).
Wie schwer kann es sein, es selbst herauszufinden?
Denken Sie noch ein wenig nach :) Nur weil der MO einer Zufallsvariablen = 0 ist, bedeutet das nicht, dass die CB selbst durch Null ersetzt werden kann, wie du es geschickt machst :) :)