Regresión Bayesiana - ¿Alguien ha hecho un EA utilizando este algoritmo? - página 15
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
Aparentemente, al mercado no le importan las previsiones en sí, especialmente a corto plazo. A largo plazo, la previsión da unos frutos modestos en forma de 10-12% anual, lo que no satisface a muchos.
¿Qué más da que sea a largo o a corto plazo? Sólo hay que cambiar el marco temporal.
El 10-12%, dada la cantidad de riesgo, no es nada interesante.
Más... puedes hacer un cortocircuito en tu cabeza. La adaptación de la curvatura de Yusuf se realiza sobre un segmento inclinado (casi un segmento recto, su convexidad es despreciable), y la previsión es finalmente para un movimiento horizontal. Piénsalo. Resulta que la metodología no es aplicable una segunda vez, una única vez de este tipo.
A continuación, introduce todos los datos y la previsión para 2015 no cambia. Echa un vistazo:
... y en el caso de (18), no tienes que hacer nada, se ajustará por sí solo de la mejor manera posible. Simplemente no tienes el valor de admitir que todavía no se ha inventado un modelo mejor que (18) en todos los sentidos.
¿Qué dice el comité del Nobel sobre (18)? ¿O no tienen el valor de admitirlo?
¿Qué más da que sea a largo o a corto plazo? Sólo hay que cambiar el marco temporal.
El 10-12%, dada la cantidad de riesgo, no es nada interesante.
¿Qué dice el comité del Nobel sobre (18)?
¿Y qué y cómo puede haber confusión aquí?
¿Qué plausibilidad?
La probabilidad:
a) los coeficientes del modelo
b) el propio modelo
suponiendo que los coeficientes se distribuyen de tal manera, por ejemplo, el coeficiente nº 1 tiene una media de 0,5, un desvío est. 0,1. Este supuesto se superpone a los resultados de los coeficientes, por lo que hay una diferencia con respecto a OLS. Existe una noción de regresión de cresta, en la que se imponen restricciones a los posibles valores de los coeficientes; esto, a mi entender, es del mismo orden de magnitud.
Y la normalidad de los errores, pues tiene que estar ahí. Hay una regresión lineal generalizada, de la que no sé nada, de alguna manera se saltan todos los supuestos que hay.
UPD: al estimar los estadísticos t para el valor epsilon (coeficiente), se utiliza la estimación sigma en los residuos del modelo. Si la distribución de los residuos está muy sesgada en alguna parte, no es simétrica (lo ideal es que sea normal), la significación del coeficiente dejará de ser válida. En otras palabras, no se puede confiar en los parámetros del modelo. Por lo tanto, se supone que los errores se distribuyen normalmente.
Las probabilidades:
1. a) los coeficientes del modelo
b) el propio modelo
2. bajo el supuesto de que los coeficientes se distribuyen de tal manera, por ejemplo, el coeficiente 1 tiene una media de 0,5, desviación estándar. 0,1. Este supuesto se superpone a los resultados de los cálculos de los coeficientes, por lo que existe una diferencia con respecto a OLS. Existe una noción de regresión de cresta, en la que se imponen restricciones a los posibles valores de los coeficientes; esto, a mi entender, es desde el mismo punto de vista.
3. Y la normalidad de los errores, pues tiene que estar ahí. Hay una regresión lineal generalizada, de la que no sé nada, de alguna manera se saltan todos los supuestos que hay.
4. UPD: al estimar los estadísticos t para el valor epsilon (coeficiente), se utiliza la estimación sigma en los residuos del modelo. Si la distribución de los residuos está muy sesgada en alguna parte, no es simétrica (lo ideal es que sea normal), la significación del coeficiente dejará de ser válida. En otras palabras, no se puede confiar en los parámetros del modelo. Por lo tanto, se supone que los errores se distribuyen normalmente.
1. Así, obtenemos "maximizar la probabilidad de los coeficientes del modelo" o "maximizar la probabilidad del modelo". ¿Lo dice ahí?
2. ¿Qué tienen que ver los coeficientes y la distribución? ¿Por qué contar la media de los coeficientes?
3. ¿Qué le hace pensar que los errores son normales? La simetría de la distribución es suficiente. Sólo afectará a la sensibilidad al principio de las tendencias.
4. ¿Piensa realmente en estas categorías y entiende realmente lo que está escribiendo?
Yura, no hay tiempo para pensar en ello, entrarán en razón dentro de 100 años. Nadie, por desgracia, lo toma en serio y no lo estudia. Sin embargo, los descendientes deberían apreciarlo.
1. Así obtenemos "maximizar la probabilidad de los coeficientes del modelo" o "maximizar la probabilidad del modelo". ¿Es eso lo que dice?
2. ¿Qué tienen que ver los coeficientes y la distribución? ¿Por qué contar la media de los coeficientes?
3. ¿Qué le hace pensar que los errores son normales? La simetría de la distribución es suficiente. Sólo afectará a la sensibilidad al principio de las tendencias.
4. ¿Realmente piensa en esas categorías y entiende de verdad lo que escribe?
1. La probabilidad es máxima en : más allá van las fórmulas largas. Podemos decir que obtenemos el valor mínimo de los residuos medios al cuadrado, o podemos decir que hemos maximizado la probabilidad.
2. puede haber algo que no entiendas. el coeficiente b1 ¿qué es? La expectativa matemática de los valores muestrales del coeficiente b1, que se distribuye en t en ausencia de conocimiento de los parámetros del coeficiente b1 sobre la población general. La regresión lineal (mínimos cuadrados ordinarios) proporciona una estimación de E(b) y sigma(b), el error estándar del coeficiente b1. Lo que se ve en la salida del modelo son todas estas estimaciones. A continuación, existe una estimación de la diferencia significativa entre E(b) y 0, el estadístico t y la probabilidad asociada.
3. No puedo decir nada sobre las tendencias. La simetría es importante. La sigma en los residuos también es importante. El coeficiente de curtosis también es importante.
4. Últimamente he leído mucho sobre la regresión, así que lo que he escrito arriba lo entiendo. Informo a mis clientes sobre los resultados de la regresión y tengo que entender algo. Aunque prefiero los métodos no paramétricos.