Régression bayésienne - Est-ce que quelqu'un a fait un EA en utilisant cet algorithme ? - page 43
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
La stationnarité est la propriété d'un processus de ne pas changer ses caractéristiques dans le temps.
Quelles caractéristiques précisément ?
Dispersion
et c'est tout ?
Dans un sens large, la MO et la fonction de distribution
Ensuite, de manière générale, si MOE, une stochastique suffirait. Non ?
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 des modèles de sujets.
Je ne peux pas être d'accord avec vous sur la classification.
Le problème de la non-stationnarité n'y apparaît pas du tout. Les modèles sur les données nominales (catégoriques) sont tout à fait acceptables. La non-stationnarité n'a absolument rien à voir avec les données nominales. De plus, la conversion des variables aléatoires en nominales, par exemple le RSI en niveaux, a un effet très favorable sur les résultats.
Il s'ensuit la non-stationnarité, un problème fondamental pour toute modélisation - l'overfitting (surajustement) du modèle. Et pour résoudre le problème de l'overfitting, il faut s'occuper sérieusement des prédicteurs.
Je ne peux pas être d'accord avec vous sur la classification.
Il n'y a pas du tout de problème de non-stationnarité ici. Les modèles sur les données nominales (catégoriques) sont parfaitement acceptables. La non-stationnarité n'a absolument rien à voir avec les données nominales. De plus, la conversion des variables aléatoires en nominales, par exemple le RSI en niveaux, a un effet très favorable sur les résultats.
Il s'ensuit la non-stationnarité, un problème fondamental pour toute modélisation - l'overfitting (surajustement) du modèle. Et pour résoudre le problème de l'overfitting, il faut s'occuper sérieusement des prédicteurs.