Régression bayésienne - Est-ce que quelqu'un a fait un EA en utilisant cet algorithme ? - page 15
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
Apparemment, le marché ne se soucie pas vraiment des prévisions en tant que telles, surtout à court terme. À long terme, les prévisions donnent des fruits modestes sous la forme de 10 à 12 % par an, ce qui n'est pas du goût de beaucoup.
Quelle différence cela fait-il que ce soit à long ou à court terme ? Changez juste la période.
10-12% compte tenu du montant du risque, pas du tout intéressant.
Plus... peuvent être court-circuités dans la tête. L'adaptation de la courbure de Yusuf se fait sur un segment incliné (presque un segment droit, sa convexité est négligeable), et la prévision est finalement pour un mouvement horizontal. Pensez-y ! Il s'avère que la méthodologie n'est pas applicable une deuxième fois, une seule fois de ce type.
Ensuite, on entre toutes les données et la prévision pour 2015 ne change pas. Jetez un coup d'œil :
... et dans le cas de (18), vous n'avez rien à faire, il s'ajustera de lui-même de la meilleure façon possible. Vous n'avez tout simplement pas le courage d'admettre qu'un meilleur modèle que (18) n'a pas encore été inventé dans tous les sens.
Que dit le comité Nobel à propos de (18) ? Ou n'ont-ils pas le courage de l'admettre ?
Quelle différence cela fait-il que ce soit à long ou à court terme ? Changez juste la période.
10-12% compte tenu du montant du risque, pas du tout intéressant.
Que dit le comité Nobel à propos de (18) ?
Et quoi et comment peut-il y avoir confusion ici ?
Quelle plausibilité ?
La probabilité :
a) les coefficients du modèle
b) le modèle lui-même
en supposant que les coefficients sont distribués de telle ou telle manière, par exemple, le coefficient n° 1 a une moyenne de 0,5, un écart-type de 0,5 et un écart-type de 0,5. 0,1. Cette hypothèse est superposée aux résultats des coefficients, il y a donc une différence avec les MCO. Il existe une notion de régression ridge, où des restrictions sont imposées sur les valeurs possibles des coefficients ; celle-ci, à mon sens, est du même ordre de grandeur.
Et la normalité des erreurs, eh bien, elle doit être là. Il existe une régression linéaire généralisée, à laquelle je ne connais rien, mais qui permet de contourner toutes les hypothèses.
UPD : lors de l'estimation des statistiques t pour la valeur epsilon (coefficient), l'estimation sigma est utilisée sur les résidus du modèle. Si la distribution des résidus est fortement asymétrique quelque part, non symétrique (idéalement, elle devrait être normale), alors la signification du coefficient ne sera plus valable. En d'autres termes, les paramètres du modèle ne sont pas fiables. Par conséquent, les erreurs sont supposées être normalement distribuées.
Les probabilités :
1. a) les coefficients du modèle
b) le modèle lui-même
2. en supposant que les coefficients sont distribués de telle ou telle manière, par exemple, le coefficient 1 a une moyenne de 0,5, un écart-type de 0,5 et un écart-type de 0,5. 0,1. Cette hypothèse se superpose aux résultats des calculs des coefficients, ce qui constitue une différence par rapport aux MCO. Il existe une notion de régression ridge, où des restrictions sont imposées sur les valeurs possibles des coefficients ; ceci, si je comprends bien, relève du même point de vue.
3. et la normalité des erreurs, eh bien, elle doit être là. Il existe une régression linéaire généralisée, à laquelle je ne connais rien, mais qui permet de contourner toutes les hypothèses.
4. UPD : lors de l'estimation des statistiques t pour la valeur epsilon (coefficient), l'estimation sigma est utilisée sur les résidus du modèle. Si la distribution des résidus est fortement asymétrique quelque part, non symétrique (idéalement, elle devrait être normale), alors la signification du coefficient ne sera plus valable. En d'autres termes, les paramètres du modèle ne sont pas fiables. Par conséquent, les erreurs sont supposées être normalement distribuées.
1. On obtient donc "maximiser la vraisemblance des coefficients du modèle" ou "maximiser la vraisemblance du modèle". Est-ce que ça dit ça juste là ?
2. Quel est le rapport entre les coefficients et la distribution ? Pourquoi compter la moyenne des coefficients ?
3. Qu'est-ce qui vous fait penser que les erreurs sont normales ? La symétrie de la distribution est suffisante. Cela n'affectera la sensibilité qu'au début des tendances.
4. Pensez-vous vraiment dans ces catégories et comprenez-vous vraiment ce sur quoi vous écrivez ?
Yura, il n'est pas temps d'y penser, ils retrouveront la raison dans une centaine d'années. Malheureusement, personne ne la prend au sérieux et ne l'étudie. Cependant, les descendants devraient l'apprécier.
1. On obtient donc "Maximiser la vraisemblance des coefficients du modèle" ou "maximiser la vraisemblance du modèle". C'est ce que ça dit ?
2. Quel est le rapport entre les coefficients et la distribution ? Pourquoi compter la moyenne des coefficients ?
3. Qu'est-ce qui vous fait penser que les erreurs sont normales ? La symétrie de la distribution est suffisante. Cela n'affectera la sensibilité qu'au début des tendances.
4. Pensez-vous vraiment dans de telles catégories et comprenez-vous vraiment ce que vous écrivez ?
1. la probabilité est maximale à : plus loin vont les formules longues. Nous pouvons dire que nous obtenons la valeur minimale des résidus quadratiques moyens, ou que nous avons maximisé la vraisemblance.
2. il y a peut-être quelque chose que vous ne comprenez pas. le coefficient b1 est quoi ? L'espérance mathématique des valeurs du coefficient b1 de l'échantillon, qui est distribué en t en l'absence de connaissance des paramètres du coefficient b1 sur la population générale. La régression linéaire (moindres carrés ordinaires) donne une estimation de E(b) et de sigma(b), l'erreur standard du coefficient b1. Ce que vous voyez dans la sortie du modèle, ce sont toutes ces estimations. On obtient alors une estimation de la différence significative entre E(b) et 0, la statistique t et la probabilité associée.
3. Il n'y a rien que je puisse dire sur les tendances. La symétrie est importante - c'est un fait. Sigma sur les résidus est également important. Le coefficient d'aplatissement est également important.
4. J'ai beaucoup lu sur la régression récemment, donc je comprends ce que j'ai écrit ci-dessus. Je fais un rapport à mes clients sur les résultats de la régression et je dois comprendre quelque chose. Bien que je préfère les méthodes non paramétriques.