Régression bayésienne - Est-ce que quelqu'un a fait un EA en utilisant cet algorithme ? - page 42
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
Brève analyse de la distribution en R :
Nous avons estimé les paramètres de la distribution normale à partir des incréments de prix d'ouverture des barres d'horloge disponibles et nous avons tracé des graphiques pour comparer la fréquence et la densité pour la série originale et la série normale avec les mêmes distributions. Comme vous pouvez le constater même à l'œil nu, la série originale d'incréments des barres horaires est loin d'être normale.
Et d'ailleurs, nous ne sommes pas dans un temple de Dieu. Il n'est pas nécessaire et même nuisible de croire.
Je voudrais d'abord voir une lueur de compréhension dans les yeux des "fidèles". Et ensuite, oui, convertir si nécessaire. La question est de savoir si les queues épaisses peuvent être converties. Ils peuvent faire une grande différence en termes de qualité.
J'ai peur de me répéter, mais convertir des queues épaisses n'est pas un problème.
Quel type de qualité pensez-vous que cela affecterait ?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
C'est la même chose ! Les incréments se sont transformés en signes + ou -. Et vous pouvez prendre un tel panneau pour des incréments d'une heure à l'avance.
Quelle est la question ?
J'ai un modèle de classification : apprentissage Achat, Vente. Évaluation du modèle par coïncidence/non coïncidence : exactitude de la direction
Un incrément, par exemple supérieur à zéro, n'est pas nécessairement un Achat car l'incrément a un intervalle de confiance. Et l'évaluation est une erreur, par exemple MAE
Inscrivez la fonction F(x) = a*exp(-b*|x|^p) dans votre distribution. p=2 donnera une distribution normale.
Cette idée est tout simplement révolutionnaire. Il est rangé ici sur le site web. Se rapprocher de la normale est tout à fait possible, mais allez sur .....
Vous pouvez également utiliser Box Cox si la distribution des écarts de série est connue à l'avance et statique. Je pense que les gens confondent deux choses importantes ici : la distribution des erreurs de régression et la distribution de la série d'entrée elle-même. La régression RMS ne se soucie pas de la façon dont l'entrée est distribuée. L'hypothèse principale est que la distribution des erreurs d'ajustement du modèle doit être normale. Encore une fois, si vous n'aimez pas la régression RMS avec son exigence d'ERREUR normale, alors utilisez la régression générale avec des erreurs " non normales " |error|^p.
Pour une raison quelconque, je suis totalement convaincu que l'exigence de stationnarité des variables d'entrée est cruciale pour décider de l'applicabilité de l'analyse de régression en principe. Toute l'idée de l'ARMA est construite sur une discussion de la stationnarité des variables d'entrée précisément, leur non-stationnarité étant transformée en une forme stationnaire par différenciation dans les modèles ARIMA. Dans tout cela, il y a de sérieuses difficultés à prouver la propriété de stationnarité de la série temporelle elle-même.
Quant à l'erreur d'ajustement de la régression, elle relève du domaine de la stationnarité. Si la différenciation des séries temporelles permet de supprimer pratiquement la variabilité de la moyenne, la variabilité de la variance est traitée par l'outil ARCH.
Il est si détaillé, car on ne comprend absolument pas comment des milliers et des milliers de personnes très compétentes n'ont pas pu trouver un moyen aussi simple de lutter contre la non-stationnarité d'une série chronologique et il s'avère qu'il existe une régression RMS, qui résout tous les problèmes de stationnarité, étudiés depuis le milieu des années 70 environ.
Pour une raison quelconque, je suis totalement convaincu que l'exigence de stationnarité des variables d'entrée est cruciale pour décider si l'analyse de régression est applicable en principe.
Les données non stationnaires ne sont pas prédites par les modèles de séries chronologiques. Ni les modèles statistiques (régression, autorégression, lissage, etc.) ni les modèles structurels (NS, classification, chaînes de Markov, etc.).
Uniquement les modèles par matière
Inscrivez la fonction F(x) = a*exp(-b*|x|^p) dans votre distribution. p=2 donnera une distribution normale. Lorsque vous connaissez la vraie valeur de p, remplacez la minimisation de la somme des carrés des erreurs de régression par la somme |error|^p. J'ai montré la sortie avant dans ce fil. Si vous pensez que la minimisation de la somme |error|^p vous donnera une meilleure précision de prédiction que la minimisation de la somme des erreurs^2, alors allez-y et mettez-la en œuvre.
Pour une raison quelconque, je suis totalement convaincu que l'exigence de stationnarité des variables d'entrée est cruciale pour décider de l'applicabilité de l'analyse de régression en principe. Toute l'idée de l'ARMA est construite sur une discussion de la stationnarité des variables d'entrée précisément, leur non-stationnarité étant transformée en une forme stationnaire par différenciation dans les modèles ARIMA. Dans tout cela, il y a de sérieuses difficultés à prouver la propriété de stationnarité de la série temporelle elle-même.
Quant à l'erreur d'ajustement de la régression, elle relève du domaine de la stationnarité. Si la différenciation des séries temporelles permet de supprimer pratiquement la variabilité de la moyenne, la variabilité de la variance est traitée par l'outil ARCH.
Il est si détaillé, car on ne comprend pas comment des milliers et des milliers de personnes très compétentes n'ont pas pu trouver un moyen aussi simple de lutter contre la non-stationnarité des séries temporelles et il s'avère qu'il existe une régression RMS, qui résout tous les problèmes de stationnarité, qui sont étudiés depuis le milieu des années 70 environ.
Veuillez expliquer enfin (quelqu'un, ou mieux en une seule fois) ce que vous appelez stationnarité, comment vous le comprenez ?