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 los modelos de las áreas temáticas.
No puedo estar de acuerdo con la clasificación.
El problema de la no estacionariedad no se ve en absoluto. Los modelos sobre datos nominales (categóricos) son bastante aceptables. La no estacionariedad no tiene nada que ver con los datos nominales. Además, la conversión de las variables aleatorias en nominales, por ejemplo del RSI en niveles, tiene un efecto muy favorable en los resultados.
De ahí se deriva la no estacionariedad, un problema fundamental para cualquier modelización: el sobreajuste (overfitting) del modelo. Y para resolver el problema del sobreajuste hay que ocuparse seriamente de los predictores.
No hay ningún problema de no estacionariedad. Los modelos sobre datos nominales (categóricos) son perfectamente aceptables. La no estacionariedad no tiene nada que ver con los datos nominales. Además, la conversión de las variables aleatorias en nominales, por ejemplo del RSI en niveles, tiene un efecto muy favorable en los resultados.
De ahí se deriva la no estacionariedad, un problema fundamental para cualquier modelización: el sobreajuste (overfitting) del modelo. Y para resolver el problema del sobreajuste hay que ocuparse seriamente de los predictores.
La clasificación también se basa en las características de los datos de entrada, y si estas características cambian con el tiempo, la aplicación futura de la clasificación producirá predicciones incorrectas
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
La estacionariedad es la propiedad de un proceso de no cambiar sus características a lo largo del tiempo.
¿Qué características en concreto?
Dispersión
¿y eso es todo?
En un sentido amplio también la MO y la función de distribución
Entonces, a grandes rasgos, si el MOE, un estocástico sería suficiente. ¿No?
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 los modelos de las áreas temáticas.
No puedo estar de acuerdo con la clasificación.
El problema de la no estacionariedad no se ve en absoluto. Los modelos sobre datos nominales (categóricos) son bastante aceptables. La no estacionariedad no tiene nada que ver con los datos nominales. Además, la conversión de las variables aleatorias en nominales, por ejemplo del RSI en niveles, tiene un efecto muy favorable en los resultados.
De ahí se deriva la no estacionariedad, un problema fundamental para cualquier modelización: el sobreajuste (overfitting) del modelo. Y para resolver el problema del sobreajuste hay que ocuparse seriamente de los predictores.
No puedo estar de acuerdo con la clasificación.
No hay ningún problema de no estacionariedad. Los modelos sobre datos nominales (categóricos) son perfectamente aceptables. La no estacionariedad no tiene nada que ver con los datos nominales. Además, la conversión de las variables aleatorias en nominales, por ejemplo del RSI en niveles, tiene un efecto muy favorable en los resultados.
De ahí se deriva la no estacionariedad, un problema fundamental para cualquier modelización: el sobreajuste (overfitting) del modelo. Y para resolver el problema del sobreajuste hay que ocuparse seriamente de los predictores.