Obtención de una PA estacionaria a partir de una PA de precio - página 2
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
Me pregunto si alguien ha tenido que conseguir ruido blanco en las conversiones de precios.
En el doji.Fanfarronería de empollón. ¿No te basta con tu propio cerebro para darte cuenta de que todo lo que aparece en el enlace que has citado es una tontería?
Sigue leyendo, y cito: "Limitaciones. Recordemos que el modelo ARPSS sólo es adecuado para las series que son estacionarias (la media, la varianza y la autocorrelación son aproximadamente constantes a lo largo del tiempo); para las series no estacionarias, tome las diferencias. Se recomienda tener al menos 50 observaciones en el archivo de datos de origen. También se supone que los parámetros del modelo son constantes, es decir, que no cambian con el tiempo. " (No quiero discutir la cifra de 50 observaciones, porque está claro hasta para un tonto de este foro que 50 transacciones no es un resultado)
Supongamos que tenemos una serie no estacionaria, tomamos los residuos - delta(x). Los propios residuos, como se sugiere en este "trabajo" friki, deberían cumplir los requisitos, y cito:"que sólo contiene ruido sin componentes sistemáticos".
A la mierda. Que haya ruido. El ruido en sí no se puede predecir de ninguna manera. Por lo tanto, es inútil aproximarse a ella. Pero tiene la propiedad, y cito: "Los residuos se distribuirán normalmente y tendrán MO=0".
Por lo tanto, en lugar de ruido tomamos su MO=0.
Sustitúyalo en la previsión: previsión(tiempo + i + j) = precio_apr(tiempo + i + j) + delta_appr(tiempo + i + j) = precio_appr(tiempo + i + j) + 0 = precio_appr(tiempo + i + j)
Así, la previsión sobre el ruido es la primera aproximación: precio_appr(x). Y la primera aproximación, como dije en el tercer post de este hilo, es un ajuste desnudo. El resultado es:
Predicción botánica = ajuste
¿A qué se debe todo este alboroto? Toma ZigZaz y basta, esa cola que se mueve, espera a que deje de moverse. Y en serio: este nuevo modelo de serie estacionaria puede representar el original no estacionario. Cuando se habla de ARPSS también se habla de los intervalos de confianza entre el PA original y su modelo. No sé dónde están los botánicos y los zoólogos.
Me pregunto si alguien ha tenido que conseguir ruido blanco en las conversiones de precios.
En su forma pura, nadie. El ruido blanco tiene amplitudes iguales en todos los armónicos de 0 a infinito. No se encuentra en la naturaleza en su forma pura, ya que no existen condiciones acústicas ideales en las que no se puedan producir armónicos.
Para comprobar si hay ruido blanco, se pueden tomar los primeros N armónicos y comparar sus amplitudes. Si son más o menos iguales, entonces la PA es ruidosa.
Ограничения. Следует напомнить, что модель АРПСС является подходящей только для рядов, которые являются стационарными (среднее, дисперсия и автокорреляция примерно постоянны во времени); для нестационарных рядов следует брать разности. Рекомендуется иметь, как минимум, 50 наблюдений в файле исходных данных. Также предполагается, что параметры модели постоянны, т.е. не меняются во времени.
El autor del artículo escribió una tontería, porque el modelo mencionado, y los modelos progenitores, pueden ser perfectamente utilizados para series no estacionarias (los coeficientes serán simplemente no estacionarios). Los errores de predicción significativos residen en otra parte: en un desajuste significativo entre la distribución de la fuente y el modelo utilizado. En otras palabras, la condición necesaria es que las distribuciones de la ARPSS y de la serie de precios coincidan, lo que por supuesto no ocurre en la naturaleza.
PD: por cierto, algún fallo, la selección de citas no funciona Hmmm, la selección de citas funciona, pero separada de la selección de texto (IE7),
Fanfarronería de empollón. ¿No te basta con tu propio cerebro para darte cuenta de que todo lo que aparece en el enlace que has citado es una tontería?
Sigue leyendo, y cito: "Limitaciones. Recordemos que el modelo ARPSS sólo es adecuado para las series que son estacionarias (la media, la varianza y la autocorrelación son aproximadamente constantes a lo largo del tiempo); para las series no estacionarias, tome las diferencias. Se recomienda tener al menos 50 observaciones en el archivo de datos de origen. También se supone que los parámetros del modelo son constantes, es decir, que no cambian con el tiempo. " (No quiero discutir la cifra de 50 observaciones, porque está claro hasta para un tonto de este foro que 50 transacciones no es un resultado)
Supongamos que tenemos una serie no estacionaria, tomamos los residuos - delta(x). Los propios residuos, como se sugiere en este "trabajo" friki, deberían cumplir los requisitos, y cito:"que sólo contiene ruido sin componentes sistemáticos".
A la mierda. Que haya ruido. El ruido en sí no es predecible de ninguna manera. Por lo tanto, es inútil hacer una aproximación. Pero tiene la propiedad, y cito: "Los residuos se distribuirán normalmente y tendrán MO=0".
Por lo tanto, en lugar de ruido tomamos su MO=0.
Sustitúyalo en la previsión: previsión(tiempo + i + j) = precio_apr(tiempo + i + j) + delta_appr(tiempo + i + j) = precio_appr(tiempo + i + j) + 0 = precio_appr(tiempo + i + j)
Así, la previsión sobre el ruido es la primera aproximación: precio_appr(x). Y la primera aproximación, como dije en el tercer post de este hilo, es un ajuste desnudo. El resultado es:
Predicción botánica = ajuste.
Se trata de una prueba de la idoneidad del modelo de predicción. Los residuos se pueden tomar no sólo de primer orden. Es decir, delta2(tiempo + i) = Open[tiempo + i] - previsión(tiempo + i). El método sólo dice que el modelo de predicción es adecuado. En su caso, el modelo de predicción es la previsión. Es decir
"4. Comprobación de delta(x) para el ruido blanco. Si es ruidoso, mala suerte para la abuela. Si no hace ruido, sigue adelante".
no es un vago, es lo contrario: el modelo de predicción es bueno. Los residuos no tienen ningún componente sistemático, son independientes. Mientras no sea así, se pueden construir modelos extrapolando los residuos hasta el infinito. Es un criterio de parada que hemos llegado a lo que buscamos.
¿Es difícil descubrirlo por ti mismo? ;)
Y para comprobar si hay ruido blanco puedes tomar los primeros N armónicos y comparar sus amplitudes. Si son más o menos iguales, entonces la PA es ruidosa.
¿No sería mejor calcular el ACF?
Se trata de una prueba de la adecuación del modelo de predicción. Los residuos se pueden tomar no sólo de primer orden. Es decir, delta2(tiempo + i) = Open[tiempo + i] - previsión(tiempo + i).
Una vez más, es una tontería.
Como resultado obtenemos: delta2(x) = delta(x), porque, previsión(x) = precio_apr(x).
¿Qué tan difícil puede ser para ti averiguarlo?
¿No sería mejor calcular el ACF?
¿Por qué no prestamos atención a la cola en ZZ? Es una predicción segura. Y todavía tienes que demostrar que lo tienes.
De nuevo, esto es una tontería.
El resultado es: delta2(x) = delta(x), porque, previsión(x) = precio_apr(x).
¿Es tan difícil descubrirlo por ti mismo?
Piensa un poco más :) El hecho de que la MO de una variable aleatoria = 0 no significa que la propia CB pueda ser sustituida por cero, como inteligentemente haces :) :)