Regressionsgleichung - 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
Ermitteln Sie eine empirische Verteilung der Fehler bei der Approximation durch ein Polynom. Und vergleichen Sie sie mit der normalen. Achten Sie besonders auf die Schwänze, nicht auf den mittleren Teil.
Geht es um die Auswahl der besten (im Sinne von MNC) Polynom-Parameter?
Oder geht es um die Auswahl der Besten in einem anderen Sinne?
Oder geht es um die Korrektheit des Polynoms für die Approximation?
Ich bat um eine Erklärung für die Ineffizienz von MNC bei der Berechnung von Parametern einer vorausgewählten Funktion (schließlich kann der Grund für die Dickschwanzigkeit in einer unglücklichen Funktion liegen :).
Und wenn es ähnlich einfache Verfahren zur Bestimmung dieser Parameter gibt - ich lerne sie gerne kennen.
Aber ich bin von der Formulierung der Frage überrascht: Da es bei Fehlern Schwänze gibt, ist es kein guter MNC...
;)
Besser ist es, LAD oder Quantilsregression zu verwenden. Dies ist komplizierter (Sie müssen viel mehr programmieren und es in die Wissenschaft einbinden), aber es funktioniert...
Was, die Wahrheit für Zitate funktioniert? Gibt es dafür objektive Beweise?
P.S. Imho setzt jede Näherung, die vorgibt, zu extrapolieren, Stationarität voraus. Fat Tails stellen (wiederum imho) lediglich Brüche in der Stationarität dar, d. h. der Versuch, sie zu berücksichtigen, wird nichts Konkretes zur Vorhersage beitragen. Das Konfidenzintervall wird also vergrößert, was die Vorhersage unbrauchbar macht, und was nützt uns das?
Aber das sind alles spekulative Überlegungen, ich würde mich freuen, wenn ich echte Daten sehen könnte, um sie zu widerlegen.
P.S. Imho setzt jede Näherung, die vorgibt, zu extrapolieren, Stationarität voraus. Fettschwänze stellen (wiederum imho) nur Unstetigkeiten in der Stationarität dar, d. h. der Versuch, sie zu berücksichtigen, trägt nicht zu einer konkreten Vorhersage bei. Das Konfidenzintervall wird also vergrößert, was die Vorhersage unbrauchbar macht, und was nützt uns das?
Aber das sind alles spekulative Überlegungen, ich würde mich freuen, wenn ich echte Daten sehen könnte, um sie zu widerlegen.
Die Bewertung von Regressionsparametern bei der Analyse von Mehrfachwährungen beinhaltet möglicherweise keine "einfache" Extrapolation, und die Berücksichtigung dieser Parameter - zum Beispiel beim Handel mit weniger liquiden Paaren - ermöglicht es Ihnen, einen gewissen statistischen Vorteil zu erlangen (da wir nicht auf dem Markt handeln, sondern auf der Grundlage von DT-Notierungen).
Aber die Spanne ist zu groß...
Aber dennoch - wenn sich die Majors deutlich bewegen, werden sich die Minors wie "geschrieben" verhalten.
;)
FreeLance:
Aber dennoch - wenn es in den Majors eine signifikante Bewegung gibt, werden sich die Minors wie "geschrieben" verhalten.
Was, die Wahrheit für Zitate funktioniert? Gibt es dafür objektive Beweise?
P.S. Imho setzt jede Näherung, die vorgibt, zu extrapolieren, Stationarität voraus. Fat Tails stellen (wiederum imho) lediglich Brüche in der Stationarität dar, d. h. der Versuch, sie zu berücksichtigen, wird nichts Konkretes zur Vorhersage beitragen. Dadurch werden die Konfidenzintervalle erweitert, was die Vorhersage unbrauchbar macht, und was nützt uns das?
Aber das sind alles spekulative Überlegungen, ich würde gerne echte Daten sehen, die das widerlegen.
Ich werde versuchen, es theoretisch zu erklären, da ich nicht bereit bin, meine Berechnungen zu präsentieren, da sie noch nicht fertig sind.
Bei meinen Untersuchungen habe ich versucht, die Preiszeitreihe als Summe zweier stationärer (!) Prozesse darzustellen: a) Gauß mit signifikanten Korrelationen bis zu 2-3 Zählern (streng genommen handelt es sich um einen quasistationären Prozess, da die Merkmale noch etwas "fließend" sind) und b) einen Poisson-Fluss von Reaktionen auf externe Einflüsse. Das erste ist das, was wir alle kennen. Bei der zweiten handelt es sich um das, was Sie als "stationäre Diskontinuitäten" bezeichnet haben und was zu dicken exponentiellen Ausläufern führt. Berücksichtigt man jedoch dieses spezielle Modell, so stellt sich heraus, dass die Nicht-Stationarität des Kursstroms, den wir auf dem Bildschirm sehen, offensichtlich ist - tatsächlich ist die Summe der beiden stationären Prozesse sowohl im weiten als auch im engen Sinne stationär.
Durch die Annäherung mit MNC zwingen wir das Regressionspolynom, sich nicht nur an den normalen Teil des Prozesses zu "klammern", sondern auch an die Poisson-Ausreißer, daher die niedrige Vorhersageeffizienz, die wir im Allgemeinen für benötigen. Andererseits werden wir durch die Verwendung von Quantilpolynomen den zweiten, den Poisson-Teil des Prozesses vollständig los: Quantile reagieren einfach nicht darauf, und zwar absolut. Durch die Identifizierung der Orte, an denen die Regression signifikante Versuche liefert, können wir also fast online "Ausfälle" mit einem hohen Grad an Sicherheit lokalisieren (eine Vorhersage ist wahrscheinlich noch nicht möglich, da es kein geeignetes Modell gibt, zumindest habe ich keines).
Ich werde grob (sehr) geben meine vergleichenden Ergebnisse (sie wurden halb manuell gemacht): Effizienz der Stationarität Diskontinuität Lokalisierung (Häufigkeit der korrekten Erkennung auf dem ersten Balken) für MNC ist etwa 0,55-0,6, für Quantile - 0,85 und mehr (es gibt viel Arbeit zu tun). Das ist der Gewinn.
Durch die Annäherung mit ANM zwingen wir das Regressionspolynom, sich nicht nur an den normalen Teil des Prozesses zu "klammern", sondern auch an die Poisson-Ausreißer, daher die geringe Vorhersageeffizienz, die wir im Allgemeinen für benötigen. Andererseits werden wir durch die Verwendung von Quantilpolynomen den zweiten, den Poisson-Teil des Prozesses vollständig los: Quantile reagieren einfach nicht darauf, und zwar absolut. Durch die Identifizierung der Stellen, an denen die Regression signifikante Versuche liefert, können wir also fast online "Ausfälle" mit einem hohen Grad an Sicherheit lokalisieren (wir können sie wahrscheinlich noch nicht vorhersagen, da es kein geeignetes Modell gibt, zumindest für mich:)
Hmmm. Es ist also genau das Gegenteil, keine Erweiterung des Konfidenzintervalls, sondern eine Verengung. Sehr interessant, ich muss es lesen, danke.
Über das Stationärsein und den Diskontinuitätsprozess will man natürlich streiten. Aber da es keine Argumente gibt, bleibt nur noch eines übrig, um darüber nachzudenken.
Vielleicht haben Sie auch das Problem der Zeit gelöst? :) Ich meine das Problem der Wahl der Fenstergröße.
In meiner Forschung habe ich versucht, die Preiszeitreihe als Summe zweier stationärer (!) Prozesse darzustellen: a) einer Gaußschen Kurve mit signifikanten Korrelationen bis zu 2-3 Zählern (streng genommen handelt es sich um eine quasistationäre Kurve, da die Merkmale ein wenig "schwimmen") und b) einem Poisson-Fluss von Reaktionen auf externe Einflüsse. Das erste ist das, was wir alle kennen. Die zweite ist genau das, was Sie als "Stationaritätsdiskontinuitäten" bezeichnet haben und was wirklich zur Bildung von dicken exponentiellen Schwänzen führt.
Interessant, interessant. Candid, erinnerst du dich an meinen Thread auf Inhabited Island über ein Metamodell mit einem quasi-stationären Prozess (Diphurs dort, auch das Kaninchen, das wir aus dem Hut gezogen haben)? Etwas sehr Ähnliches. Die Noosphäre existiert ja, und die Gedanken darin sind allgemein...
Vielleicht haben Sie auch das Zeitproblem gelöst? :) Ich beziehe mich auf das Problem der Auswahl einer Fenstergröße.