Discussion de l'article "Estimation de la densité de noyau de la fonction de densité de probabilité inconnue" - page 2
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Les vœux sont acceptés ici : https://www.mql5.com/ru/forum/6505. Écrivez ce que vous voulez. :)
victorg:
Et ce qui est important dans ce cas, c'est qu'aucun partitionnement des intervalles n'est nécessaire. Les valeurs de la séquence d'entrée elles-mêmes sont utilisées.
C'est très bien, mais je suis toujours confus par la liaison rigide à la forme du noyau, et c'est une limitation, qui n'a pas, par exemple, les mêmes splines. Et en général, j'ai personnellement une régression sur les splines - un succès depuis les trois dernières années)).
En tout cas, merci pour l'article, il est utile.
Super, mais je suis quand même confus par la liaison rigide à la forme du noyau, et c'est une limitation qui n'a pas, par exemple, les mêmes splines. Et en général, j'ai personnellement la régression sur les splines - un succès depuis les trois dernières années)).
En tout cas, merci pour l'article, il est utile.
Merci pour l'appréciation de l'article.
En parlant de splines. Les gens trouvent toujours plusieurs approches différentes pour le même phénomène réel. Un exemple typique est la lumière et son modèle quantique et ondulatoire. Les modèles ne se contredisent pas, mais utilisent des approches absolument différentes pour représenter le processus. La lumière elle-même ne se soucie pas de la manière dont elle est décrite, elle brille comme elle brille.
La situation est similaire avec les splines. Voici une idée bien connue d'une spline cubique de lissage
Minimisez cette estimation par n'importe quelle méthode disponible et vous obtiendrez une courbe de lissage. (J'exagère encore beaucoup. Ne me frappez pas.) Différentes approches peuvent être utilisées pour réaliser cette idée, par exemple :
Il me semble que la notion de "régression non paramétrique locale" résume les approches ci-dessus de la meilleure façon possible. Dans ce cas, les splines cubiques s'avèrent n'être qu'un cas particulier. Bien entendu, cela ne diminue en rien les propriétés utiles des splines, il est simplement intéressant qu'un même phénomène puisse être abordé sous différents angles.
Malheureusement, dans la grande majorité des cas, les algorithmes basés sur MNC sont proposés pour être utilisés. J'aimerais essayer, par exemple, les mêmes splines mais avec la régression par quantile. Il est dommage que je n'aie ni l'esprit ni le temps pour cela.
Merci pour votre appréciation de l'article.
A propos des splines. Pour un même phénomène réel, les gens trouvent toujours plusieurs approches différentes. Un exemple typique est celui de la lumière et de ses modèles quantique et ondulatoire. Les modèles ne se contredisent pas, mais utilisent des approches absolument différentes pour représenter le processus. La lumière elle-même ne se soucie pas de la manière dont elle est décrite, elle brille comme elle brille.
La situation est similaire avec les splines. Voici une idée bien connue d'une spline cubique de lissage
Minimisez cette estimation par n'importe quelle méthode disponible et vous obtiendrez une courbe de lissage. (J'exagère encore beaucoup. Ne me frappez pas.) Différentes approches peuvent être utilisées pour réaliser cette idée, par exemple :
Il me semble que la notion de "régression non paramétrique locale" résume au mieux les approches susmentionnées. Dans ce cas, les splines cubiques s'avèrent n'être qu'un cas particulier. Bien entendu, cela ne diminue en rien les propriétés utiles des splines, il est simplement intéressant qu'un même phénomène puisse être abordé sous différents angles.
Malheureusement, dans la grande majorité des cas, les algorithmes basés sur MNC sont proposés pour être utilisés. J'aimerais essayer, par exemple, les mêmes splines mais avec la régression par quantile. Malheureusement, je n'ai ni l'esprit ni le temps pour cela.
Je ne sais plus quelle publication m'a mis en tête que les splines cubiques ont une place particulière dans la résolution des problèmes de lissage, qui (les problèmes) se comprennent comme suit.
Prenons un quotient et commençons à le lisser. Le problème avec presque tous les résultats est qu'il y a des ruptures (points de rupture) dans le quotient original, ce qui entraîne des changements dans les paramètres du modèle et souvent dans la forme fonctionnelle. En particulier, cela se manifeste par le fait qu'aux points de jonction des modèles ajustés sur différents échantillons, la fonction de lissage s'avère indifférenciable sur le côté droit. Cela conduit à douter de la prédiction un pas en avant, au-delà de la limite de différentiabilité de la fonction de lissage. Ceci est un préambule à la réflexion suivante. Si vous lissez avec des splines cubiques, la fonction sera différentiable à la fois à gauche et à droite aux points de jonction.
En ce qui concerne la mise en œuvre de votre idée.
Dans R, que je connais mal, la table des matières contient à la fois des splines et Kalman et une variété de méthodes d'estimation.
Malheureusement, dans la grande majorité des cas, les algorithmes basés sur MNC sont proposés. J'aimerais essayer, par exemple, les mêmes splines, mais avec la régression par quantile. Dommage que je n'ai ni l'esprit ni le temps pour cela.
Oui, les différences sont là dans les résultats (MNC et quantile je veux dire). QR est plus compliqué dans les calculs, par exemple, la méthode du simplexe est exponentielle, et c'est inacceptable. Je me souviens avoir longtemps cherché des réalisations d'algorithmes polynomiaux QR à partir d'un point interne, et je les ai trouvées, postées dans le forum sur les quatre quelque part dans les anciens fils de discussion. Mais pour ce qui est de la régression spline, je ne pense pas que cela soit très utile. Quoi qu'il en soit, la principale différence entre ces méthodes est le degré de réponse aux émissions uniques, et ici l'astuce principale est la pénalité sur l'intégrale de la dérivée seconde, et la méthode de régression n'affectera pas significativement le résultat ici.
A propos, l'ALGLIB mentionnée ici a une merveilleuse implémentation de l'idée même qui est dans cette formule avec lambda, si elle et quelques autres algorithmes sont portés à MQL5, alors une telle bibliothèque sera sans valeur.
Il s'est avéré qu'en utilisant Internet Explorer, l'exemple joint à l'article n'affiche pas les graphiques. Une version corrigée de l'exemple donné dans l'article est jointe à ce message. Cette variante a été testée avec IE-8.0, Opera 11.64, Chrome 19.0.1084.56 et Firefox 13.0(Windows XP SP 3).
Quel est donc l'aspect pratique de cet article du point de vue commercial ?
Krzysztof
C'est un article très utile et bon, merci, cependant je ne pense pas que le code fonctionne correctement, même dans le premier et le plus simple exemple.
Je me demande si l'auteur ou quelqu'un d'autre pourrait revérifier le code ou si quelqu'un pourrait recommander un code d'estimation de la densité du noyau 1D en C ou MQL ?