L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 370
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
Non credo che analizzare la correlazione tra il predittore e l'obiettivo serva a qualcosa.
Ci sono molti esempi in cui le quantità strettamente correlate non dipendono l'una dall'altra, anche se sembra che una possa predire l'altra, comehttp://pikabu.ru/story/lozhnyie_korrelyatsii_2287154 e ho già postato articoli sullo stesso argomento qui sul forum.
C'è un termine più interessante, la cross-entropia. È qualcosa di statistico, un modo di analizzare se un predittore si adatta a una variabile, una relazione non lineare.
Ha un esempio?
Mostra righe di dati in entrata e righe di dati in uscita - post
Per XOR un set di dati può consistere in 4 campioni. {x,y,z} x,y - caratteristiche z - obiettivo
{-1,1,-1},{1,1,1},{1,-1-1},{-1,-1,1}
Calcoliamo la covarianza del primo chip con l'obiettivo: tenendo conto che mo = 0 abbiamo: ((-1*-1) + (1*-1) + (1*-1) + (-1*1))/4 = (1+1-1-1)/4 = 0 è ovvio che anche la correlazione è zero, lo stesso sarà con il secondo chip, potete controllare, ma per il classificatore nileney entrambi i chip sono più che validi
Non credo che analizzare la correlazione tra il predittore e l'obiettivo serva a qualcosa.
Ci sono molti esempi in cui le variabili strettamente correlate non dipendono l'una dall'altra, anche se sembra che una possa predire l'altra, come questo -http://pikabu.ru/story/lozhnyie_korrelyatsii_2287154 , qui sul forum prima ho messo articoli di Habra sullo stesso argomento.
C'è un termine più interessante, la cross-entropia. È qualcosa di statistico, un modo di analizzare se un predittore si adatta a una variabile, una relazione non lineare.
Non credo che analizzando la correlazione tra il predittore e l'obiettivo si ottenga qualcosa.
Ci sono molti esempi in cui le quantità strettamente correlate non dipendono l'una dall'altra, anche se sembra che una possa prevedere l'altra, come questo -http://pikabu.ru/story/lozhnyie_korrelyatsii_2287154 , qui sul forum prima ho incollato articoli di hubra sullo stesso argomento.
C'è un termine più interessante, la cross-entropia. Questo è qualcosa di statistico, un modo di analizzare se un predittore si adatta a una variabile, una relazione non lineare.
1. nessuno sta analizzando la correlazione - si tratta della scelta dei predittori.
2. Lei ha ripetuto il mio punto tre pagine prima -"La dipendenza è un caso speciale di correlazione. Se due variabili sono dipendenti, allora c'è sicuramente una correlazione. Se c'è correlazione, allora non c'è necessariamente dipendenza".
3. L'entropia incrociata proprio come la correlazione non darà una risposta sulla presenza di dipendenza funzionale
Per XOR un set di dati può consistere di 4 campioni, l'essenza non cambia. {x,y,z} x,y - caratteristiche z - obiettivo
{-1,1,-1},{1,1,1},{1,-1-1},{-1,-1,1}
Calcoliamo la covarianza del primo chip con l'obiettivo: tenendo conto che mo = 0 abbiamo: ((-1*-1) + (1*-1) + (1*-1) + (-1*1))/4 = (1+1-1-1)/4 = 0 è ovvio che la correlazione è anche zero, lo stesso sarà con il secondo chip, potete controllare, ma per il classificatore nileney entrambi i chip sono più che validi
Due predittori ugualmente correlati - quale viene scartato in base alla minore correlazione? Quale dei due è meno correlato?
1. nessuno sta analizzando la correlazione - si tratta della scelta dei predittori.
2. Lei ha ripetuto il mio punto tre pagine prima -"La dipendenza è un caso speciale di correlazione. Se due variabili sono dipendenti, allora c'è sicuramente una correlazione. Se c'è correlazione, allora non c'è necessariamente dipendenza".
3. l'entropia incrociata proprio come la correlazione non darà una risposta sulla presenza di dipendenza funzionale
La correlazione inversa non è una dipendenza? Come si può anche solo parlare di dipendenza basandosi su curve di correlazione, non lo capisco... come può esserci una relazione tra la curva della resa dei popcorn nei campi e il numero di pulcini covati dai commercianti industriosi? Perché sarebbe meglio per noi se la correlazione casuale tra fenomeni non correlati è alta?
Non capisco.
Cosa c'entra la correlazione inversa?
Ci sono quantità correlate. Alcuni di loro possono avere una correlazione funzionale tra di loro, e alcuni di loro possono avere una falsa correlazione.
Ancora -"La dipendenza è un caso speciale di correlazione. Se due variabili sono dipendenti, allora c'è sicuramente una correlazione. Se c'è correlazione, allora non c'è necessariamente dipendenza".
E ancora - ad oggi, non ci sono metodi per distinguere la dipendenza funzionale dalla falsa correlazione.
Solo quelli analitici.
Non capisco.
Cosa c'entra la correlazione inversa?
Ci sono quantità correlate. Alcuni di loro possono avere una correlazione funzionale tra di loro, e alcuni di loro possono avere una falsa correlazione.
Ancora -"La dipendenza è un caso speciale di correlazione. Se due variabili sono dipendenti, allora c'è sicuramente una correlazione. Se c'è correlazione, allora non c'è necessariamente dipendenza".
Beh, se due variabili hanno una correlazione inversa, come? Come le quotazioni del franco con l'euro. C'è una correlazione, ma non c'è alcuna correlazione.
Beh, se due variabili hanno una correlazione inversa, come? Come le quotazioni del franco con l'euro. La correlazione è certa, ma non c'è correlazione.
Ancora non capisco - correlazione inversa o nessuna correlazione?
O pensate che se due serie casuali hanno un coefficiente di correlazione di -1, allora "non hanno correlazione"?
Yoklmn.....