Regressione bayesiana - Qualcuno ha fatto un EA usando questo algoritmo? - pagina 15
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
A quanto pare, il mercato non si preoccupa delle previsioni di per sé, soprattutto a breve termine. A lungo termine, le previsioni danno frutti modesti sotto forma di 10-12% annuo, cosa di cui molti non sono contenti.
Che differenza fa se è a lungo o a breve termine? Basta cambiare il periodo di tempo.
10-12% data la quantità di rischio, per niente interessante.
Più... potete cortocircuitare questo nella vostra testa. L'adattamento della curvatura di Yusuf è fatto su un segmento inclinato (quasi un segmento dritto, la sua convessità è trascurabile), e la previsione è in definitiva per un movimento orizzontale. Pensateci! Si scopre che la metodologia non è applicabile una seconda volta, una tantum di questo tipo.
Poi, inserite tutti i dati e la previsione per il 2015 non cambia. Date un'occhiata:
... e nel caso di (18), non dovete fare nulla, si regolerà da solo nel miglior modo possibile. Semplicemente non avete il coraggio di ammettere che un modello migliore di (18) non è ancora stato inventato in tutti i sensi.
Cosa dice il comitato del Nobel su (18)? O non hanno il coraggio di ammetterlo?
Che differenza fa se è a lungo o a breve termine? Basta cambiare il periodo di tempo.
10-12% data la quantità di rischio, per niente interessante.
Cosa dice il comitato del Nobel su (18)?
E cosa e come può esserci confusione qui?
Quale plausibilità?
La probabilità:
a) i coefficienti del modello
b) il modello stesso
supponendo che i coefficienti siano distribuiti così e così, ad esempio, il coefficiente #1 ha una media di 0,5, st.dev. 0,1. Questa assunzione è sovrapposta ai risultati dei coefficienti, quindi c'è una differenza rispetto a OLS. C'è una nozione di regressione di cresta, dove le restrizioni sono imposte sui possibili valori dei coefficienti; questo, nella mia comprensione, è dello stesso ordine di grandezza.
E la normalità degli errori, beh, deve esserci. C'è una regressione lineare generalizzata, di cui non so nulla, in qualche modo tutte le ipotesi lì sono aggirate.
UPD: quando si stima la t-statistica per il valore epsilon (coefficiente), la stima sigma è usata sui residui del modello. Se la distribuzione dei residui è molto asimmetrica da qualche parte, non simmetrica (idealmente dovrebbe essere normale), allora la significatività del coefficiente non sarà più valida. In altre parole, non ci si può fidare dei parametri del modello. Pertanto, si presume che gli errori siano normalmente distribuiti.
Le probabilità:
1. a) i coefficienti del modello
b) il modello stesso
2. sotto l'ipotesi che i coefficienti siano distribuiti così e così, per esempio il coefficiente 1 ha una media di 0,5, st.dev. 0,1. Questa assunzione è sovrapposta ai risultati dei calcoli dei coefficienti, quindi c'è una differenza rispetto a OLS. C'è una nozione di regressione di cresta, dove le restrizioni sono imposte sui possibili valori dei coefficienti; questo, come lo capisco, è dallo stesso punto di vista.
3. E la normalità degli errori, beh, deve esserci. C'è una regressione lineare generalizzata, di cui non so nulla, in qualche modo tutte le ipotesi lì sono aggirate.
4. UPD: quando si stima la t-statistica per il valore epsilon (coefficiente), la stima sigma è usata sui residui del modello. Se la distribuzione dei residui è molto asimmetrica da qualche parte, non simmetrica (idealmente dovrebbe essere normale), allora la significatività del coefficiente non sarà più valida. In altre parole, non ci si può fidare dei parametri del modello. Pertanto, si presume che gli errori siano normalmente distribuiti.
1. Così otteniamo "massimizzare la probabilità dei coefficienti del modello" o "massimizzare la probabilità del modello". C'è scritto proprio così?
2. Cosa c'entrano i coefficienti e la distribuzione? Perché contare la media dei coefficienti?
3. Cosa vi fa pensare che gli errori siano normali? La simmetria della distribuzione è sufficiente. Influenzerà solo la sensibilità all'inizio delle tendenze.
4. Pensate davvero in queste categorie e capite davvero di cosa state scrivendo?
Yura, non c'è tempo per pensarci, torneranno in sé tra 100 anni. Nessuno, purtroppo, lo prende sul serio e non lo studia. Tuttavia, i discendenti dovrebbero apprezzarlo.
1. Così otteniamo "massimizzare la probabilità dei coefficienti del modello" o "massimizzare la probabilità del modello". È quello che c'è scritto?
2. Cosa c'entrano i coefficienti e la distribuzione? Perché contare la media dei coefficienti?
3. Cosa vi fa pensare che gli errori siano normali? La simmetria della distribuzione è sufficiente. Influenzerà solo la sensibilità all'inizio delle tendenze.
4. Pensate davvero in queste categorie e capite davvero di cosa state scrivendo?
1. La probabilità è massima a : più avanti vanno le formule lunghe. Possiamo dire che otteniamo il valore minimo dei residui al quadrato medio, o possiamo dire che abbiamo massimizzato la probabilità.
2. forse c'è qualcosa che non capite. il coefficiente b1 cos'è? L'aspettativa matematica dei valori campionari del coefficiente b1, che è t-distribuito in assenza di conoscenza dei parametri del coefficiente b1 sulla popolazione generale. La regressione lineare (minimi quadrati ordinari) fornisce una stima di E(b) e sigma(b), l'errore standard del coefficiente b1. Quello che vedete nell'output del modello sono tutte queste stime. Poi c'è una stima di quanto significativamente diverso sia E(b) da 0, la t-statistica e la probabilità associata.
3. Non c'è niente che possa dire sulle tendenze. La simmetria è importante - fatto. Anche il sigma sui residui è importante. Anche il coefficiente di curtosi è importante.
4. Ho letto molto sulla regressione di recente, quindi quello che ho scritto sopra lo capisco. Faccio rapporto ai miei clienti sui risultati della regressione e devo capire qualcosa. Anche se preferisco i metodi non parametrici.