Ecuación de regresión - página 8
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
¿Qué tiene de malo un zigzag para encontrar el mínimo de una función?
¿y cómo vas a construir un zigzag, por ejemplo, en un espacio de diez dimensiones? )))))) ¿Y cuántos recursos computacionales se necesitarán?
¿y cómo vas a construir un zigzag, por ejemplo, en un espacio de diez dimensiones? )))))) ¿Y cuántos recursos computacionales se necesitarán?
Me interesaban las ecuaciones de regresión. Sin embargo, he encontrado un problema para describirlos adecuadamente. Qué datos tenemos: hora (digamos M15), ALTO, BAJO, ABIERTO, CERRADO, VOLUMEN. Para nosotros es un conjunto de observaciones. Tenemos un indicador para el que necesitamos establecer una relación funcional con los parámetros del objeto (en nuestro caso, la variación del tipo de cambio): los factores. Obligatorio: establecer una relación cuantitativa entre el indicador y los factores. En este caso, la tarea del análisis de regresión se entiende como la tarea de identificar la dependencia funcional y* = f(x 1, x 2, ..., x t) que mejor describe los datos que tenemos.
La función f(x 1, x 2, ..., x t) que describe la dependencia del indicador de los parámetros se denomina ecuación (función) de regresión.
Así que. Pregunta 1: De los datos que tenemos, ¿cuál debemos elegir como Indicador y cuál como Factor? Lógicamente el Indicador es el tiempo, los factores son H, L, O, C, V
En nuestro caso se trata de una serie temporal.
La siguiente tarea es elegir la dependencia funcional. Una ecuación que describe la relación entre la variación del indicador y la variación de los factores. A menudo se trata de funciones polinómicas. Un caso particular es el polinomio de 1er grado - una ecuación de regresión lineal.
Pregunta 2: Cuál es el mejor polinomio a elegir, y cómo describirlo adecuadamente en términos de series temporales, qué parámetros aplicar, cuál es el grado del polinomio. ¿Alguien ha utilizado el polinomio de Chebyshev? Si es así, ¿cuál es el orden?
Nuestra siguiente tarea es calcular los coeficientes de la ecuación de regresión. Lo habitual es utilizar el CNA.
Pregunta 3: ¿Cuál es el mejor método para calcular los coeficientes en nuestro caso?
Pregunta 4. ¿Es necesario normalizar los datos?
El tema es ciertamente importante e interesante.
Así que tenemos una serie temporal que contiene N muestras. En esta etapa no es importante lo que debe entenderse exactamente como muestras - ticks, OHLC o algo más. Lo que parece importante es la respuesta a la pregunta sobre la longitud óptima de la muestra de entrenamiento n no igual a N, el número óptimo de parámetros ajustables k<=n (grado del polinomio) y el horizonte de previsión T (medido en cuentas).
En esta fase, el tipo particular de función de aproximación y el método de su aproximación a la serie original no son importantes. Es importante obtener las dependencias de los parámetros anteriores de las propiedades del PA inicial. Se sabe, por ejemplo, que si la PA es una variable aleatoria integrada, la predicción óptima es una constante igual al valor de la última lectura (barra cero). Si la serie contiene regularidades, hay que buscar el óptimo en términos de parámetros de regresión.
¿Alguna consideración de sentido común sobre este punto en este entorno?
El tema es ciertamente importante e interesante.
Así que tenemos una serie temporal que contiene N recuentos. A estas alturas no importa qué se entiende exactamente por recuentos: ticks, OHLC u otra cosa. Lo que parece importante es la respuesta a la pregunta sobre una longitud óptima de la muestra de entrenamiento n no igual a N, un número óptimo de parámetros ajustables k<=n (grado del polinomio) y el horizonte de previsión T (medido en cuentas).
En esta etapa no es importante el tipo particular de función de aproximación y el método de su aproximación a la serie original. Es importante obtener las dependencias de los parámetros anteriores de las propiedades del PA inicial. Se sabe, por ejemplo, que si la PA es una variable aleatoria integrada, la predicción óptima es una constante igual al valor de la última lectura (barra cero). Si la serie contiene regularidades, hay que buscar un óptimo mediante parámetros de regresión.
¿Alguna consideración de sentido común en esta formulación?
Esta formulación no es una mierda. Malditas teorías. Patea esta regresión polinómica a la pared con un BP.
Necesitamos maximizar los beneficios. Que se jodan todas las regresiones univariantes. ¿Por qué utilizar sólo una parte de la información del mercado? Cuando hay mucha información.
El análisis de regresión debe ser multivariante, eso es lo mínimo. Análisis de diferentes métodos de estimación (IOC, MO de valores de error absoluto (Laplace o Lagrange - no recuerdo), signo, cuantil, etc.) de la regresión sobre la eficiencia.
La estimación del horizonte de previsión también es un tema interesante.
Escribió algunas tonterías sobre el tema. No hay mucho allí, por supuesto. Sólo el principio. Por delante está la estimación del horizonte de previsión de beneficios de BP y un montón de...
Escribió una mierda sobre el tema.
¿Por qué estás tan emocionado?
¿Crees que cuanto más se amontone lo diferente, preferiblemente no simple y transparente, será mejor?
La experiencia dice otra cosa. ¡Es correcto - más simple, y para entender a fondo en el tema estudiado correctamente! Y "regresión multivariada", "cuantil"... - Es como el análisis del espinor de la interacción torsional.
Mierda, no he tirado nada, de dónde has sacado eso. Tengo una simple regresión LINEAL multivariada en general. Y la razón de utilizar la regresión lineal radica en la lógica de hacer una cartera óptima y encontrar correlaciones. Ese es el punto de partida: desde la sencillez.
Joder sabe lo que quiere decir la regresión, yo mismo descubrí lo que es el otro día. Me refiero al análisis de regresión.
... Tengo una simple regresión LINEAL multivariante...
pero puedes hacer una regresión polinómica multivariada... ¿es peor que el lineal? no lo sé, sólo hay una comprobación - si la precisión de la predicción aumenta o el tiempo de predicción aumenta con la misma precisión, entonces sí es mejor ... Pero para comprobarlo no sólo hay que entender cómo se hace, también hay que explicárselo a la máquina...
pero puedes hacer una regresión polinómica multivariante... No sé, sólo hay una comprobación: si la precisión de la predicción aumenta, o el tiempo de predicción aumenta con la misma precisión, entonces sí es mejor... Pero para comprobarlo no sólo hay que entender cómo se hace, también hay que explicárselo a la máquina...