Das Sultonov-Regressionsmodell (SRM) - behauptet, ein mathematisches Modell des Marktes zu sein. - Seite 40
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
Die heilige Frage lautet: Wurde durch diesen Rückschritt eine Menge Geld verdient? Ist es nicht schon an der Zeit, darüber nachzudenken?
Roman:
beschreiben Sie kurz, worin die Unterschiede zur linearen Regression bestehen...
yosuf 12.07.2012 09:21
Bei der linearen Regression (LR) geht man von einer linearen Abhängigkeit des Preises von der Zeit aus, was im Allgemeinen nicht der Fall ist, auch wenn in einem begrenzten Zeitintervall manchmal eine lineare Abhängigkeit auftreten kann, aber der Versuch, diese Annahme anzuwenden, wird in der Zukunft zu erheblichen Abweichungen führen. Wir sind daher gezwungen, die nichtlineare Regression anzuwenden, zu der die RMS gehört, und die, wie bereits gezeigt, eindeutig auch den Fall der linearen Regression abdeckt.
Ergänzung zu den oben genannten Punkten:
Hier ein Beispiel für die LR- und RMS-Behandlung von diskreten Reihen-Simulationsergebnissen unter Verwendung des iterativen Algorithmus https://forum.mql4.com/ru/50108/page5:
Roman..:
Würden Sie kurz beschreiben, worin die Unterschiede zur linearen Regression bestehen...
yosuf 12.07.2012 09:21
Die lineare Regression (LR) wird angewandt, wenn man von einer linearen Beziehung zwischen Preis und Zeit ausgeht, die im allgemeinen Fall eindeutig nicht beobachtet wird, obwohl in einem begrenzten Zeitintervall manchmal eine lineare Beziehung zu erkennen ist, aber der Versuch, diese Annahme zu verwenden, wird in der Zukunft zu erheblichen Abweichungen führen. Wir sind daher gezwungen, die nichtlineare Regression anzuwenden, zu der der RMS gehört, und wie bereits gezeigt, deckt er eindeutig auch den Fall der linearen Regression ab.
Nachtrag zu den obigen Ausführungen:
Hier ist ein Beispiel für die Verarbeitung der Ergebnisse einer diskreten Reihensimulation mit dem iterativen Algorithmus https://forum.mql4.com/ru/50108/page5 durch LR und RMS, aus dem hervorgeht, dass LR den Forscher über den möglichen Erscheinungsbereich der Ergebnisse hinausführt:
Vielen Dank, Yusuf. Ich werde selbst mehr in den Quellen lesen.
Zu den Vorzügen des Sultonov-Modells kann und sollte die Optimalität im weitesten Sinne der Anzahl der Freiheitsgrade gehören. die Anzahl der Modellparameter wird ohne Genauigkeitsverlust festgelegt.
Wer argumentiert? Haben Polynome das?
;)
In RMS wird bei der Ableitung (18) eines der Probleme der angewandten Statistik, das mit der Definition der Parameter der Gamma-Verteilung zusammenhängt, auch in Form der Beziehungen (12-14) gelöst, nämlich: http://www.aup.ru/books/m163/2_2_1.htm
"In den meisten Fällen gibt es keine analytischen Lösungen, sondern man muss numerische Methoden anwenden, um die GMD zu finden. Dies ist z. B. bei Stichproben aus einer Gamma-Verteilung oder einer Weibull-Gnedenko-Verteilung der Fall. In vielen Arbeiten wird das System der Maximum-Likelihood-Gleichungen durch eine iterative Methode gelöst ([8] usw.) oder die Likelihood-Funktion vom Typ (8) wird direkt maximiert (siehe [9] usw.).
Bei der Anwendung numerischer Methoden treten jedoch zahlreiche Probleme auf. Die Konvergenz der iterativen Methoden bedarf einer Begründung. In einer Reihe von Beispielen hat die Likelihood-Funktion viele lokale Maxima, so dass die natürlichen iterativen Verfahren nicht konvergieren [10]. Für die VNII-Eisenbahnstahl-Ermüdungsprüfdaten hat die Maximum-Likelihood-Gleichung 11 Wurzeln [11]. Welcher der elf Werte soll als Parameterschätzung verwendet werden?
Als Folge der oben genannten Schwierigkeiten entstanden Arbeiten zum Nachweis der Konvergenz von Algorithmen zur Ermittlung von Maximum-Likelihood-Schätzungen für bestimmte Wahrscheinlichkeitsmodelle und spezifische Algorithmen. Ein Beispiel dafür ist das Papier [12].
Der theoretische Nachweis der Konvergenz eines iterativen Algorithmus ist jedoch nicht alles. Es stellt sich die Frage nach einer vernünftigen Wahl des Zeitpunkts für den Abbruch der Berechnung, um die erforderliche Genauigkeit zu erreichen. Sie ist in den meisten Fällen ungelöst.
Aber das ist noch nicht alles. Die Berechnungsgenauigkeit muss mit dem Umfang der Stichproben korreliert sein - je größer dieser ist, desto genauere Parameterschätzungen müssen gefunden werden -, sonst kann man nicht von der Validität einer Bewertungsmethode sprechen. Darüber hinaus ist es mit zunehmendem Stichprobenumfang notwendig, die Anzahl der in einem Computer verwendeten Stellen zu erhöhen und von einfach- zu doppeltgenauen Berechnungen überzugehen usw., um wiederum die Konsistenz der Schätzungen zu gewährleisten.
In Ermangelung expliziter Formeln für Maximum-Likelihood-Schätzungen gibt es daher eine Reihe von Berechnungsproblemen bei der Schätzung der OLS. Spezialisten für mathematische Statistik erlauben sich, all diese Probleme zu ignorieren, wenn sie die PMO in theoretischer Hinsicht diskutieren. Die angewandte Statistik kann sie jedoch nicht ignorieren. Die festgestellten Probleme stellen die Machbarkeit des praktischen Einsatzes von Massenvernichtungswaffen in Frage.
Es besteht keine Notwendigkeit, die Massenvernichtungswaffen zu verabsolutieren. Daneben gibt es noch andere Arten von Schätzungen, die gute statistische Eigenschaften haben. Beispiele hierfür sind Ein-Schritt-Schätzer (SSE-Schätzer).
In der angewandten Statistik sind viele Arten von Schätzungen entwickelt worden. Erwähnen wir die Quantilsschätzer. Sie beruhen auf einer Idee, die der Methode der Momente ähnelt, nur dass anstelle von Stichproben- und theoretischen Momenten die Stichproben- und theoretischen Quantile gleichgesetzt werden. Eine andere Gruppe von Schätzern basiert auf der Idee, den Abstand (Differenzindex) zwischen den empirischen Daten und dem Element der parametrischen Familie zu minimieren. Im einfachsten Fall wird der euklidische Abstand zwischen empirischen und theoretischen Histogrammen minimiert, genauer gesagt, die Vektoren, die sich aus den Höhen der Histogrammbalken zusammensetzen."
Nun sind diese Probleme für die Parameter der Gamma-Verteilung analytisch in Form der Beziehungen (12-14) https://www.mql5.com/ru/articles/250 gelöst und es besteht keine Notwendigkeit, nach Methoden für ihre numerische Auswertung zu suchen. Es sollte vorgeschlagen werden, sie in die GOST aufzunehmen, wie im Falle der Binomialverteilung (von dort): "Aus diesem Grund werden in der GOST 11.010-81 unverzerrte Schätzungen für die Schätzung von Parametern der negativen Binomialverteilung verwendet, aber nicht die OMR [7]. Aus dem Gesagten folgt, dass man - wenn überhaupt - a priori nur in der Phase der Untersuchung des asymptotischen Verhaltens der Schätzer OMPs gegenüber anderen Arten von Schätzern vorziehen kann."
Nun sagen Sie mir selbst, mit der Hand auf dem Herzen, ob die Prognose, die Sie am 10.07.12. um 19.14 Uhr https://forum.mql4.com/ru/50108/page20 in einer völlig unübersichtlichen Situation abgegeben haben, voll und ganz zutrifft oder nicht?
Zu diesem Zeitpunkt hat sich ein Teil der Prognose bestätigt (wenn ich die Bedeutung des Indikators richtig verstehe). Es handelt sich jedoch nur um eine Prognose, die nicht ausreicht, um irgendwelche Schlussfolgerungen zu ziehen.
Auch ist es nicht klar, wie SL und TP, die extrem wichtig ist, zu setzen.
....
Hier ein Beispiel für die Verarbeitung der Ergebnisse einer diskreten Reihensimulation durch LR und RMS mit dem iterativen Algorithmus https://forum.mql4.com/ru/50108/page5, aus dem hervorgeht, dass LR den Forscher über den möglichen Erscheinungsbereich der Ergebnisse hinausführt:
Wo ist diese diskrete Serie? Die gelben Punkte? Wenn es gelbe Punkte sind, wie ist dann die lineare Regression auf die schiefe Bahn geraten?
Hier sind die Daten von hier https://forum.mql4.com/ru/50108/page4, abgeleitet auf diese Weise https://forum.mql4.com/ru/50108/page5, rechnen Sie nach und sehen Sie selbst:
anonym 10.07.2012 11:58 Uhr.
Yusuf, versuchen Sie, Ihr Modell zu benutzen, um mindestens zehn Schritte in die nächste Reihe zu gehen:
101101100011101100011101100010010011100010011100010011101101100010010011100010011101101100
p.s. Diese Serie ist nicht zufällig. Ich werde den Algorithmus und die weiteren Werte der Serie nach Erhalt Ihrer Vorhersage bekannt geben.
xi Yi Yn L
0,00000001 1,0000 0,00000001 -0,411673682
1,00000001 0,0000 0,071581228 -0,392656547
2,00000001 1,0000 0,075244112 -0,373639413
3,00000001 1,0000 0,09192784 -0,354622278
4,00000001 0,0000 0,130452259 -0,335605143
5,00000001 1,0000 0,192774 -0,316588009
6,00000001 1,0000 0,273940135 -0,297570874
7,00000001 0,0000 0,365335416 -0,27855374
8,00000001 0,0000 0,458061228 -0,259536605
9,00000001 0,0000 0,545051494 -0,240519471
10,00000001 1,0000 0,621835168 -0,221502336
11,00000001 1,0000 0,68638294 -0,202485201
12,00000001 1,0000 0,738521184 -0,183468067
13,00000001 0,0000 0,77925761 -0,164450932
14,00000001 1,0000 0,810202137 -0,145433798
15,00000001 1,0000 0,833148102 -0,126416663
16,00000001 0,0000 0,849810912 -0,107399529
17,00000001 0,0000 0,861691707 -0,088382394
18,00000001 0,0000 0,870027242 -0,06936526
19,00000001 1,0000 0,875792141 -0,050348125
20,00000001 1,0000 0,879728335 -0,03133099
21,00000001 1,0000 0,882385057 -0,012313856
22,00000001 0,0000 0,884159565 0,006703279
23,00000001 1,0000 0,885333612 0,025720413
24,00000001 1,0000 0,886103678 0,044737548
25,00000001 0,0000 0,886604772 0,063754682
26,00000001 0,0000 0,886928466 0,082771817
27,00000001 0,0000 0,887136159 0,101788951
28,00000001 1,0000 0,887268591 0,120806086
29,00000001 0,0000 0,887352546 0,139823221
30,00000001 0,0000 0,887405482 0,158840355
31,00000001 1,0000 0,887438693 0,17785749
32,00000001 0,0000 0,88745943 0,196874624
33,00000001 0,0000 0,887472321 0,215891759
34,00000001 1,0000 0,887480302 0,234908893
35,00000001 1,0000 0,887485223 0,253926028
36,00000001 1,0000 0,887488247 0,272943162
37,00000001 0,0000 0,887490099 0,291960297
38,00000001 0,0000 0,887491228 0,310977432
39,00000001 0,0000 0,887491916 0,329994566
40,00000001 1,0000 0,887492333 0,349011701
41,00000001 0,0000 0,887492585 0,368028835
42,00000001 0,0000 0,887492737 0,38704597
43,00000001 1,0000 0,887492829 0,406063104
44,00000001 1,0000 0,887492884 0,425080239
45,00000001 1,0000 0,887492916 0,444097373
46,00000001 0,0000 0,887492936 0,463114508
47,00000001 0,0000 0,887492948 0,482131643
48,00000001 0,0000 0,887492955 0,501148777
49,00000001 1,0000 0,887492959 0,520165912
50,00000001 0,0000 0,887492961 0,539183046
51,00000001 0,0000 0,887492963 0,558200181
52,00000001 1,0000 0,887492964 0,577217315
53,00000001 1,0000 0,887492964 0,59623445
54,00000001 1,0000 0,887492965 0,615251585
55,00000001 0,0000 0,887492965 0,634268719
56,00000001 1,0000 0,887492965 0,653285854
57,00000001 1,0000 0,887492965 0,672302988
58,00000001 0,0000 0,887492965 0,691320123
59,00000001 1,0000 0,887492965 0,710337257
60,00000001 1,0000 0,887492965 0,729354392
61,00000001 0,0000 0,887492965 0,748371526
62,00000001 0,0000 0,887492965 0,767388661
63,00000001 0,0000 0,887492965 0,786405796
64,00000001 1,0000 0,887492965 0,80542293
65,00000001 0,0000 0,887492965 0,824440065
66,00000001 0,0000 0,887492965 0,843457199
67,00000001 1,0000 0,887492965 0,862474334
68,00000001 0,0000 0,887492965 0,881491468
69,00000001 0,0000 0,887492965 0,900508603
70,00000001 1,0000 0,887492965 0,919525737
71,00000001 1,0000 0,887492965 0,938542872
72,00000001 1,0000 0,887492965 0,957560007
73,00000001 0,0000 0,887492965 0,976577141
74,00000001 0,0000 0,887492965 0,995594276
75,00000001 0,0000 0,887492965 1,01461141
76,00000001 1,0000 0,887492965 1,033628545
77,00000001 0,0000 0,887492965 1,052645679
78,00000001 0,0000 0,887492965 1,071662814
79,00000001 1,0000 0,887492965 1,090679948
80,00000001 1,0000 0,887492965 1,109697083
81,00000001 1,0000 0,887492965 1,128714218
82,00000001 0,0000 0,887492965 1,147731352
83,00000001 1,0000 0,887492965 1,166748487
84,00000001 1,0000 0,887492965 1,185765621
85,00000001 0,0000 0,887492965 1,204782756
86,00000001 1,0000 0,887492965 1,22379989
87,00000001 1,0000 0,887492965 1,242817025
88,00000001 0,0000 0,887492965 1,261834159
89,00000001 0,0000 0,887492965 1,280851294
Hier sind die Daten von hier https://forum.mql4.com/ru/50108/page4, erhalten auf diese Weise https://forum.mql4.com/ru/50108/page5, tun Sie die Mathematik und sehen Sie selbst:
xi Yi Yn L
0,00000001 1,0000 0,00000001 -0,411673682
1,00000001 0,0000 0,071581228 -0,392656547
2,00000001 1,0000 0,075244112 -0,373639413
3,00000001 1,0000 0,09192784 -0,354622278
4,00000001 0,0000 0,130452259 -0,335605143
5,00000001 1,0000 0,192774 -0,316588009
6,00000001 1,0000 0,273940135 -0,297570874
7,00000001 0,0000 0,365335416 -0,27855374
8,00000001 0,0000 0,458061228 -0,259536605
9,00000001 0,0000 0,545051494 -0,240519471
10,00000001 1,0000 0,621835168 -0,221502336
11,00000001 1,0000 0,68638294 -0,202485201
12,00000001 1,0000 0,738521184 -0,183468067
13,00000001 0,0000 0,77925761 -0,164450932
14,00000001 1,0000 0,810202137 -0,145433798
15,00000001 1,0000 0,833148102 -0,126416663
16,00000001 0,0000 0,849810912 -0,107399529
17,00000001 0,0000 0,861691707 -0,088382394
18,00000001 0,0000 0,870027242 -0,06936526
19,00000001 1,0000 0,875792141 -0,050348125
20,00000001 1,0000 0,879728335 -0,03133099
21,00000001 1,0000 0,882385057 -0,012313856
22,00000001 0,0000 0,884159565 0,006703279
23,00000001 1,0000 0,885333612 0,025720413
24,00000001 1,0000 0,886103678 0,044737548
25,00000001 0,0000 0,886604772 0,063754682
26,00000001 0,0000 0,886928466 0,082771817
27,00000001 0,0000 0,887136159 0,101788951
28,00000001 1,0000 0,887268591 0,120806086
29,00000001 0,0000 0,887352546 0,139823221
30,00000001 0,0000 0,887405482 0,158840355
31,00000001 1,0000 0,887438693 0,17785749
32,00000001 0,0000 0,88745943 0,196874624
33,00000001 0,0000 0,887472321 0,215891759
34,00000001 1,0000 0,887480302 0,234908893
35,00000001 1,0000 0,887485223 0,253926028
36,00000001 1,0000 0,887488247 0,272943162
37,00000001 0,0000 0,887490099 0,291960297
38,00000001 0,0000 0,887491228 0,310977432
39,00000001 0,0000 0,887491916 0,329994566
40,00000001 1,0000 0,887492333 0,349011701
41,00000001 0,0000 0,887492585 0,368028835
42,00000001 0,0000 0,887492737 0,38704597
43,00000001 1,0000 0,887492829 0,406063104
44,00000001 1,0000 0,887492884 0,425080239
45,00000001 1,0000 0,887492916 0,444097373
46,00000001 0,0000 0,887492936 0,463114508
47,00000001 0,0000 0,887492948 0,482131643
48,00000001 0,0000 0,887492955 0,501148777
49,00000001 1,0000 0,887492959 0,520165912
50,00000001 0,0000 0,887492961 0,539183046
51,00000001 0,0000 0,887492963 0,558200181
52,00000001 1,0000 0,887492964 0,577217315
53,00000001 1,0000 0,887492964 0,59623445
54,00000001 1,0000 0,887492965 0,615251585
55,00000001 0,0000 0,887492965 0,634268719
56,00000001 1,0000 0,887492965 0,653285854
57,00000001 1,0000 0,887492965 0,672302988
58,00000001 0,0000 0,887492965 0,691320123
59,00000001 1,0000 0,887492965 0,710337257
60,00000001 1,0000 0,887492965 0,729354392
61,00000001 0,0000 0,887492965 0,748371526
62,00000001 0,0000 0,887492965 0,767388661
63,00000001 0,0000 0,887492965 0,786405796
64,00000001 1,0000 0,887492965 0,80542293
65,00000001 0,0000 0,887492965 0,824440065
66,00000001 0,0000 0,887492965 0,843457199
67,00000001 1,0000 0,887492965 0,862474334
68,00000001 0,0000 0,887492965 0,881491468
69,00000001 0,0000 0,887492965 0,900508603
70,00000001 1,0000 0,887492965 0,919525737
71,00000001 1,0000 0,887492965 0,938542872
72,00000001 1,0000 0,887492965 0,957560007
73,00000001 0,0000 0,887492965 0,976577141
74,00000001 0,0000 0,887492965 0,995594276
75,00000001 0,0000 0,887492965 1,01461141
76,00000001 1,0000 0,887492965 1,033628545
77,00000001 0,0000 0,887492965 1,052645679
78,00000001 0,0000 0,887492965 1,071662814
79,00000001 1,0000 0,887492965 1,090679948
80,00000001 1,0000 0,887492965 1,109697083
81,00000001 1,0000 0,887492965 1,128714218
82,00000001 0,0000 0,887492965 1,147731352
83,00000001 1,0000 0,887492965 1,166748487
84,00000001 1,0000 0,887492965 1,185765621
85,00000001 0,0000 0,887492965 1,204782756
86,00000001 1,0000 0,887492965 1,22379989
87,00000001 1,0000 0,887492965 1,242817025
88,00000001 0,0000 0,887492965 1,261834159
89,00000001 0,0000 0,887492965 1,280851294
Entschuldigen Sie, aber Sie scheinen nicht in der Lage zu sein, die elementarste Frage zu beantworten? Lesen Sie meine Frage noch einmal und beantworten Sie sie.
Wo befindet sich diese diskrete Reihe? Die gelben Punkte? Wenn gelbe Punkte, wie konnte eine lineare Regression so schief laufen?