Regresión Bayesiana - ¿Alguien ha hecho un EA utilizando este algoritmo? - página 42
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Breve análisis de la distribución en R:
Estimamos los parámetros de la distribución normal a partir de los incrementos del precio de apertura de la barra del reloj disponibles y los trazamos para comparar la frecuencia y la densidad de la serie original y la serie normal con las mismas distribuciones. Como se puede ver incluso a ojo, la serie original de incrementos de barras horarias dista mucho de ser normal.
Y por cierto, no estamos en un templo de Dios. No es necesario e incluso es perjudicial creer.
En primer lugar, me gustaría ver un atisbo de comprensión en los ojos de los "fieles". Y entonces, sí, convertir si es necesario. La cuestión es si las colas gruesas se pueden convertir. Pueden suponer una gran diferencia de calidad.
Temo repetirme, pero la conversión de colas gruesas no es un problema.
¿A qué tipo de calidad cree que afectaría?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
Es lo mismo. Los incrementos se convirtieron en signos + o -. Y se puede tomar una señal de este tipo para incrementos de una hora por delante.
¿Cuál es la pregunta?
Tengo un modelo de clasificación: aprender a comprar, vender. Evaluación del modelo por coincidencia/no coincidencia de dirección
Un incremento, por ejemplo, mayor que cero, no es necesariamente una Compra, ya que el incremento tiene un intervalo de confianza. Y la estimación es un error, por ejemplo, MAE
Escribe la función F(x) = a*exp(-b*|x|^p) en tu distribución. p=2 dará una distribución normal.
La idea es simplemente revolucionaria. Está archivado aquí en el sitio web. Acercarse a la normalidad es muy posible, pero consiga ....
También se puede utilizar Box Cox si la distribución de las desviaciones de la serie se conoce de antemano y es estática. Creo que la gente confunde aquí dos cosas importantes: la distribución de los errores de regresión y la distribución de la propia serie de entrada. A la regresión RMS no le importa cómo se distribuye la entrada. La hipótesis principal es que la distribución de los errores de ajuste del modelo debe ser normal. De nuevo, si no le gusta la regresión RMS con su requisito de ERROR normal, entonces utilice la regresión general con errores "no normales" |error|^p.
Por alguna razón, estoy plenamente convencido de que el requisito de estacionariedad de las variables de entrada es crucial para decidir la aplicabilidad del análisis de regresión en principio. Toda la idea de ARMA se basa en la discusión de la estacionariedad precisamente de las variables de entrada, con su no estacionariedad transformada a una forma estacionaria por diferenciación en los modelos ARIMA. En todo esto, hay serias dificultades para demostrar la propiedad de estacionariedad de la propia serie temporal.
En cuanto al error de ajuste de la regresión, es del ámbito de la estacionariedad. Mientras que la diferenciación de las series temporales permite eliminar prácticamente la variabilidad de la media, la variabilidad de la varianza es tratada por la herramienta ARCH.
Es tan detallado, ya que no se entiende en absoluto cómo miles y miles de personas muy competentes no pudieron encontrar un medio tan sencillo para combatir la no estacionariedad de una serie temporal y resulta que existe una regresión RMS, que resuelve todos los problemas de estacionariedad, que se vienen estudiando desde aproximadamente mediados de los años 70.
Por alguna razón, estoy plenamente convencido de que el requisito de estacionariedad de las variables de entrada es crucial para decidir si el análisis de regresión es aplicable en principio.
Los datos no estacionarios no se pueden predecir con modelos de series temporales. Ni modelos estadísticos (regresión, autoregresión, suavización, etc.) ni modelos estructurales (NS, clasificación, cadenas de Markov, etc.).
Sólo modelos de áreas temáticas
Escribe la función F(x) = a*exp(-b*|x|^p) en tu distribución. p=2 dará una distribución normal. Cuando se conoce el verdadero valor de p, se sustituye la minimización de la suma de cuadrados de los errores de regresión por la suma |error|^p. Ya he mostrado la salida en este hilo. Si crees que minimizar la suma |error|^p te dará una mejor precisión de predicción que minimizar la suma error^2, entonces sigue adelante e impleméntalo.
Por alguna razón, estoy plenamente convencido de que el requisito de estacionariedad de las variables de entrada es crucial para decidir la aplicabilidad del análisis de regresión en principio. Toda la idea de ARMA se basa en la discusión de la estacionariedad precisamente de las variables de entrada, con su no estacionariedad transformada a una forma estacionaria por diferenciación en los modelos ARIMA. En todo esto, hay serias dificultades para demostrar la propiedad de estacionariedad de la propia serie temporal.
En cuanto al error de ajuste de la regresión, es del ámbito de la estacionariedad. Mientras que la diferenciación de las series temporales permite eliminar prácticamente la variabilidad de la media, la variabilidad de la varianza es tratada por la herramienta ARCH.
Es tan detallado, porque no se entiende cómo miles y miles de personas muy competentes no pudieron encontrar un medio tan sencillo para combatir la no estacionariedad de las series temporales y resulta que existe una regresión RMS, que resuelve todos los problemas de estacionariedad, que se estudian desde mediados de los años 70 aproximadamente.
Por favor, explique por fin (alguien, o mejor de una vez) a qué llama usted estacionariedad, cómo lo entiende?