Discussione sull’articolo "La stima kernel di densità della funzione di densità di probabilità" - pagina 2
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
I desideri sono accettati qui: https://www.mql5.com/ru/forum/6505. Scrivi quello che vuoi. :)
victorg:
E ciò che è importante in questo caso è che non è necessaria alcuna suddivisione in intervalli. Vengono utilizzati gli stessi valori della sequenza di input.
Grande, ma ancora sono confuso dal legame rigido alla forma del kernel, e questo è un limite, che non ha, per esempio, le spline stesse. E in generale, io personalmente ho regressione su spline - un successo per gli ultimi tre anni)).
Comunque, grazie per l'articolo, è utile.
Grande, ma ancora sono confuso dal legame rigido alla forma del kernel, e questo è un limite che non ha, per esempio, le spline stesso. E in generale, io personalmente ho regressione su spline - un successo per gli ultimi tre anni)).
In ogni caso, grazie per l'articolo, è utile.
Grazie per l'apprezzamento dell'articolo.
A proposito di spline. Le persone trovano sempre diversi approcci allo stesso fenomeno reale. Un esempio tipico è la luce e il suo modello quantistico e ondulatorio. I modelli non si contraddicono, ma utilizzano approcci assolutamente diversi alla rappresentazione del processo. La luce stessa non si preoccupa di come viene descritta, brilla come brilla.
La situazione è simile con le spline. Ecco un'idea ben nota di una spline di lisciatura cubica
Minimizzando questa stima con qualsiasi metodo a nostra disposizione, otteniamo una curva di lisciatura. (Sto esagerando ancora un po', non picchiatemi) Per realizzare questa idea si possono usare diversi approcci, ad esempio:
Mi sembra che la nozione di "regressione non parametrica locale" riassuma al meglio gli approcci sopra descritti. In questo caso le spline cubiche risultano essere solo un caso speciale. Naturalmente, questo non sminuisce in alcun modo le utili proprietà delle spline, ma è solo interessante che uno stesso fenomeno possa essere affrontato da diversi punti di vista.
Purtroppo, nella stragrande maggioranza dei casi vengono proposti algoritmi basati su MNC. Mi piacerebbe provare, ad esempio, le stesse spline ma con la regressione quantilica. È un peccato che non abbia né la mente né il tempo per farlo.
Grazie per l'apprezzamento dell'articolo.
A proposito di spline. Per lo stesso fenomeno reale si trovano sempre diversi approcci. Un esempio tipico è la luce e i suoi modelli quantistici e ondulatori. I modelli non si contraddicono, ma utilizzano approcci assolutamente diversi alla rappresentazione del processo. La luce stessa non si preoccupa di come viene descritta, brilla come brilla.
La situazione è simile con le spline. Ecco un'idea ben nota di una spline di lisciatura cubica
Minimizzando questa stima con qualsiasi metodo a nostra disposizione, otteniamo una curva di lisciatura. (Sto esagerando ancora un po', non picchiatemi) Per realizzare questa idea si possono usare diversi approcci, per esempio:
Mi sembra che la nozione di "regressione non parametrica locale" riassuma al meglio gli approcci sopra descritti. In questo caso le spline cubiche risultano essere solo un caso speciale. Naturalmente, questo non sminuisce in alcun modo le utili proprietà delle spline, ma è solo interessante che uno stesso fenomeno possa essere affrontato da diversi punti di vista.
Purtroppo, nella stragrande maggioranza dei casi vengono proposti algoritmi basati su MNC. Mi piacerebbe provare, ad esempio, le stesse spline ma con la regressione quantilica. Peccato che non abbia né la mente né il tempo per farlo.
Non ricordo quale pubblicazione mi ha fatto capire che le spline cubiche hanno un posto speciale nella soluzione dei problemi di smoothing, che (problemi) sono intesi come segue.
Prendiamo un quoziente e iniziamo a smussare. Il problema con quasi tutti i risultati è che ci sono delle rotture (breakpoint) nel quoziente originale, che portano a cambiamenti nei parametri del modello e spesso nella forma funzionale. In particolare, ciò si manifesta nel fatto che nei punti di giunzione risultanti di modelli adattati su campioni diversi, la funzione di smoothing risulta essere indifferenziabile sul lato destro. Questo porta a dubitare della previsione un passo avanti, oltre il limite di differenziabilità della funzione di smoothing. Questo è un preambolo per la prossima riflessione. Se si liscia con spline cubiche, la funzione sarà differenziabile sia a destra che a sinistra nei punti di giunzione.
Per quanto riguarda l'implementazione della vostra idea.
In R, che conosco poco, l'indice contiene sia spline che Kalman e una serie di metodi di stima.
Purtroppo, nella stragrande maggioranza dei casi vengono proposti algoritmi basati su MNC. Mi piacerebbe provare, ad esempio, le stesse spline, ma con la regressione quantilica. È un peccato che non abbia né la testa né il tempo per farlo.
Sì, le differenze ci sono nei risultati (MNC e quantile intendo). La QR è più complicata nei calcoli, ad esempio il metodo simplex è esponenziale, e questo è inaccettabile. Ricordo che per molto tempo ho cercato realizzazioni di algoritmi polinomiali QR da un punto interno, e le ho trovate, postate nel forum sui quattro da qualche parte nei vecchi thread. Ma in termini di regressione spline - non credo che sarà molto utile. In ogni caso, la differenza principale tra questi metodi è il grado di risposta alle singole emissioni, e qui il trucco principale è la penalizzazione sull'integrale della derivata seconda, e il metodo di regressione non influenzerà significativamente il risultato qui.
A proposito, l'ALGLIB qui menzionata ha una splendida implementazione dell'idea che si trova in questa formula con lambda; se questo e un paio di altri algoritmi saranno portati in MQL5, allora tale libreria sarà inutile.
È emerso che, utilizzando Internet Explorer, l'esempio allegato all'articolo non visualizza i grafici. In allegato a questo messaggio è disponibile una versione corretta dell'esempio riportato nell'articolo. Questa variante è stata testata con IE-8.0, Opera 11.64, Chrome 19.0.1084.56 e Firefox 13.0(Windows XP SP 3).
Qual è la parte pratica di questo articolo dal punto di vista del trading?
Krzysztof
Questo è un articolo molto utile e buono, grazie, tuttavia non credo che il codice funzioni correttamente nemmeno nel primo e più semplice esempio.
Mi chiedo se l'autore o qualcuno possa ricontrollare il codice o se qualcuno possa consigliare qualche codice per la stima della densità kernel 1D in C o MQL.