Matstat Econométrie Matan - 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
Oui, c'est en gros ce que je fais comme option plus ou moins bonne.
Sur un autre modèle similaire, j'observe aussi parfois de petites divergences, comme la divergence.
Mais pas aussi prolongée que sur la capture d'écran ci-dessus, mais assez brève. Je me suis demandé pourquoi ça se passe comme ça.
J'ai essayé ce modèle et j'ai vu une divergence encore plus prolongée.
Je ne comprends donc pas d'où vient cette divergence. Modèle incorrect ou données sources de mauvaise qualité.
Je ne comprends pas la logique des actions.
Soit je dois ajuster les données initiales approximativement à la normale,
, soit je dois pelleter des modèles différents.
Mais essayez d'abord d'écrire ce modèle, ce n'est pas si facile d'y croire et de le jeter ;))
Modèle inadéquat
Je n'arrive pas à comprendre l'anomalie suivante, pourquoi cela se produit.
J'ai calculé un modèle orthogonal, qui est censé être meilleur que le MNC.
J'ai obtenu les coefficients de départ.
Ensuite, les paramètres du modèle (coefficients) sont ajustés par l'algorithme médian, c'est-à-dire une sorte de robustesse contre les valeurs aberrantes.
Le modèle décrit qualitativement la série initiale.
Qu'est-ce qu'un modèle "orthogonal" ? Faites-vous une décomposition sur un système de fonctions orthogonales ? Regardez ensuite à quel poids ils sont orthogonaux - un comportement anormal peut en dépendre. Par exemple, aux bords du segment d'orthogonalité.
Qu'est-ce qu'un modèle "orthogonal" ?
Faites-vous une décomposition sur un système de fonctions orthogonales ?
Examinez ensuite le poids de leur orthogonalité - un comportement anormal peut en dépendre.
Par exemple, aux bords du segment d'orthogonalité.
Non, ce n'est pas une décomposition de fonction.
Il s'agit d'une régression orthogonale, où à chaque étape du calcul, l'angle de pente de la normale est calculé (phi).
La normale est le segment le plus court d'une ligne à un point.
Ensuite, la pente de l'angle (phi) est utilisée pour calculer les coefficients du modèle.
Système de coordonnées cartésiennes
Ajustement orthogonal L'ajustement de l'ANC
Il faudra probablement vérifier les valeurs de ces angles aux endroits anormaux.
Il s'agit d'une régression orthogonale, où à chaque étape du calcul, l'angle d'inclinaison de la normale est calculé (phi).
Appelez-le donc par un nom humain au lieu d'inventer des noms comme MSRP ou TLS.
Et à quoi cela sert-il si les axes sont de dimensions différentes ?
Appelez-les donc par des noms humains au lieu d'inventer des noms comme INPC ou TLS.
et à quoi cela sert-il si les axes sont de dimensions différentes ?
De quoi parlez-vous ?
Régression orthogonale, modèle orthogonal, vous êtes confus ?
Oui, c'est TLS, avec un raffinement médian.
Les chiffres sont pris à titre d'exemple. Ils ne sont pas pertinents pour le problème.
Les axes des figures sont de la même dimension, c'est juste que l'échelle des dessins est un peu différente.
Il n'est pas essentiel pour comprendre l'orthogonalité.
Régression orthogonale, modèle orthogonal, vous êtes confus ?
Oui, je suis d'accord, c'est faux.
Non, il ne s'agit pas d'une décomposition de fonction.
Il s'agit d'une régression orthogonale, où à chaque étape du calcul, l'angle de pente de la normale est calculé (phi).
La normale est le segment le plus court d'une ligne à un point.
Ensuite, la pente de l'angle (phi) est utilisée pour calculer les coefficients du modèle.
Système de coordonnées cartésiennes
Ajustement orthogonal L'ajustement de l'ANC
Il faudra probablement vérifier les valeurs de ces angles aux endroits anormaux.
https://www.mql5.com/ru/forum/368720#comment_22203978, le bas de la figure est l'endroit où la divergence "anormale" commence, se situe presque à un saut de parcours, où la régression (linéaire ou non linéaire - ce sont toutes les mêmes représentations de Y en fonction de x) se dérègle, le désalignement augmente de façon spectaculaire. Et la non-conformité de l'approximation par les polynômes trigonométriques et algébriques est proportionnelle au module de continuité (par l'inégalité de Jackson-Stechkin, voir wiki "Modulus_continuity"). Propriété de proximité du comportement des fonctions avec celui des fonctions continues. Dans le cas présenté sur cette figure, la contrepartie discrète du module de discontinuité augmente fortement autour de zéro.
Ensuite, vous changez les coefficients dans l'expansion (si elle est linéaire - Y est décomposé en deux fonctions : Y1(x) = 1 ; Y2(x) = x avec des coefficients a et b : Y(x)=a+bx) est déjà lent [continu], avec un lissage médian. Et les valeurs de ces coefficients acquises lors du saut ne reprennent pas les valeurs qu'elles auraient eues si votre méthodologie commençait l'approximation à partir de n'importe quel point après le saut, ou si vous remplacez le saut par un déplacement moins rapide vers le même point.
À propos, il serait intéressant de voir des photos semblables à celles que vous donnez à l'adresse https://www.mql5.com/ru/forum/368720/page2#comment_22207994 pour le cas particulier où le parcours a changé presque à pas de géant.
https://www.mql5.com/ru/forum/368720#comment_22203978, le bas de la figure est l'endroit où la divergence "anormale" commence, c'est-à-dire au moment du saut de parcours, où la régression (linéaire ou non linéaire - ce sont toutes les mêmes représentations de Y en fonction de x) se gâte, le désalignement augmente de façon spectaculaire. Et la non-conformité de l'approximation par les polynômes trigonométriques et algébriques est proportionnelle au module de continuité (par l'inégalité de Jackson-Stechkin, voir wiki "Modulus_continuity"). Propriété de proximité du comportement des fonctions avec celui des fonctions continues. Dans le cas présenté sur cette figure, la contrepartie discrète du module de discontinuité augmente fortement autour de zéro.
Ensuite, vous changez les coefficients dans l'expansion (si elle est linéaire - Y est décomposé en deux fonctions : Y1(x) = 1 ; Y2(x) = x avec des coefficients a et b : Y(x)=a+bx) est déjà lent [continu], avec un lissage médian. Et les valeurs de ces coefficients acquises lors du saut ne reprennent pas les valeurs qu'elles auraient eues si votre méthodologie commençait l'approximation à partir de n'importe quel point après le saut, ou si vous remplacez le saut par un déplacement moins rapide vers le même point.
À propos, il serait intéressant de voir des photos semblables à celles que vous avez données à l'adresse https://www.mql5.com/ru/forum/368720/page2#comment_22207994 pour le cas particulier où le parcours a changé presque à pas de géant.
Merci pour votre explication lucide et complète !
Je soupçonnais aussi profondément un désalignement au moment d'un saut, mais j'étais incapable de le formuler correctement.
Puisque le lissage médian est effectivement appliqué, le souvenir du saut, dépendant de la taille de la fenêtre, est toujours présent.
Je n'ai pas encore réussi à me faire des amis avec le nuage de points sur mql5. Je suis toujours en train d'apprendre. Il serait intéressant de voir de tels graphiques également.
Je ne sais pas quand je pourrai montrer le graphique, mais dès que j'aurai trouvé les coordonnées, je le ferai.
Sans lissage médian, sur les coefficients purs, il semble que ce soit vrai
mais ensuite vous obtenez ce modèle de récupération
Ajouté.
J'ai oublié de préciser, les données brutes sont juste logarithmiques sans transformation pour l'instant, pour révéler les faiblesses.
Incréments logarithmiques - pas assez bon ?
Vous avez besoin d'une normalité multidimensionnelle là. On ne peut pas l'acheter aussi bon marché).