El modelo de regresión de Sultonov (SRM): pretende ser un modelo matemático del mercado. - página 10

 
Avals:
el modelo de predicción es correcto si los residuos se distribuyen normalmente.
¿Así que resulta que un modelo sin residuos es un componente determinista?
 
Demi:


Si el modelo de regresión elegido describe bien la relación real, los residuos deberían ser variables aleatorias independientes distribuidas normalmente con media cero, y no debería haber ninguna tendencia en sus valores.

¿Qué tipo de papelería hay?

P.D. He estado con los mamuts, vuelvo, vuelvo contigo...


Sí, por supuesto. Pero el resto se comprueba con la prueba de raíz unitaria, que es la estacionariedad.

Otro problema. ¿Y si no es exactamente como lo has escrito? Y si es como has escrito, ¿podemos confiar en el pronóstico?

 
TheXpert:
Entonces, ¿resulta que el modelo sin residuos es un componente determinista?

significa que las variables son deterministas y no aleatorias
 
faa1947:


Sí, por supuesto. Pero el residuo se comprueba mediante la prueba de raíz unitaria, que es la estacionariedad.

Otro problema. ¿Y si no es exactamente como lo ha escrito? Y si es como ha escrito, ¿se puede confiar en el pronóstico?


Si las variables de entrada se distribuyen normalmente, son estacionarias, los residuos del modelo se distribuyen normalmente y la precisión de la predicción R o R2 es satisfactoria, ¡podemos! Y lo necesitamos.
 
TheXpert:
Entonces, ¿resulta que el modelo sin residuos es un componente determinista?

Un modelo sin residuos es un modelo que predice los valores de la serie sin errores. Los residuos son el error (la diferencia entre el valor previsto y el valor real). Así que en realidad hay una descomposición en un componente determinista (modelo de previsión) + ruido (residuos normalmente distribuidos)
 
yosuf:
No entiendo a qué se refiere con la predicción de series discretas. El resultado del tratamiento de los datos presentados es que la serie discreta tiene MO = 0,878649833 y está significativamente sesgada hacia 1. ¿Debo seguir determinando la alternancia predictiva de unos y/o ceros? Un requisito absurdo cuando se trata de series discretas. Estoy seguro de que si calculas de alguna manera la suma de esta serie y la divides por el número de "lanzamientos" obtendrás el resultado anterior.


Esa serie contiene 45 ceros y 45 unos. Expectativa = 0,5.
 
faa1947:

18 es una fórmula analítica. Calcula el valor de la función a partir de ella y toma la diferencia del cociente. Obtenemos el error de alisado. Empecemos a trabajar con este error. ¿O me he perdido algo?
Puedes probarlo. Aquí hay un indicador que implementa (18), ¿tal vez los programadores podrán implementar esta operación?
Archivos adjuntos:
 
Demi:

Si las variables de entrada se distribuyen normalmente, son estacionarias, los residuos del modelo se distribuyen normalmente y la precisión de la predicción R o R2 es satisfactoria, ¡podemos! Y lo necesitamos.

Eso no ocurre en el mercado. Cotier es no estacionario, y la definición de no estacionariedad que utilizamos es demasiado estrecha para una serie real.
 
anonymous:

Esa fila contiene 45 ceros y 45 unos. La expectativa es de 0,5.
¿Cómo se explica que RMS haya subido el ME a 0,8787? Además, si la entrada RMS alterna estrictamente 0 y 1, entonces también muestra 0,5. Por tanto, hay una circunstancia en la serie que has dado que desplaza este equilibrio hacia el 1.
 
faa1947:

El mercado no existe. Kotier es no estacionario, y la definición de no estacionariedad que utilizamos es demasiado estrecha para una serie real.

Bueno, entonces un modelo de regresión sería una pista de lo que se trata. Hay muchos especialistas que conocen el análisis de regresión, pero sólo unos pocos ganan dinero en el mercado.