Regressione bayesiana - Qualcuno ha fatto un EA usando questo algoritmo? - pagina 42
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
Breve analisi della distribuzione in R:
Abbiamo stimato i parametri della distribuzione normale dagli incrementi di prezzo di apertura delle barre dell'orologio disponibili e abbiamo tracciato per confrontare la frequenza e la densità per la serie originale e la serie normale con le stesse distribuzioni. Come si può vedere anche a occhio, la serie originale di incrementi di barre orarie è tutt'altro che normale.
E comunque, non siamo in un tempio di Dio. Non è necessario e persino dannoso credere.
Prima vorrei vedere un barlume di comprensione negli occhi dei "fedeli". E poi, sì, convertire se necessario. Se le code spesse possono essere convertite, questa è la domanda. Possono fare una grande differenza nella qualità.
Ho paura di ripetermi, ma convertire le code spesse non è un problema.
Che tipo di qualità pensate che possa influire?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
È la stessa cosa! Gli incrementi si sono trasformati in segni + o -. E si può prendere un tale segno per incrementi di un'ora avanti.
Qual è la domanda?
Ho un modello di classificazione: imparare a comprare, vendere. Valutare il modello per coincidenza/non coincidenza correttezza della direzione
Un incremento, ad esempio, maggiore di zero non è necessariamente un Buy, poiché l'incremento ha un intervallo di confidenza. E la valutazione è un errore, ad esempio MAE
Scrivi la funzione F(x) = a*exp(-b*|x|^p) nella tua distribuzione. p=2 darà una distribuzione normale.
Il pensiero è semplicemente rivoluzionario. È accantonato qui sul sito. Avvicinarsi alla normalità è abbastanza possibile, ma si può consultare il sito ....
Si può anche usare Box Cox se la distribuzione delle deviazioni della serie è nota in anticipo e statica. Penso che la gente stia confondendo due cose importanti qui: la distribuzione degli errori di regressione e la distribuzione della serie di input stessa. La regressione RMS non si preoccupa di come è distribuito l'input. L'assunzione principale è che la distribuzione degli errori di adattamento del modello deve essere normale. Di nuovo, se non ti piace la regressione RMS con il suo requisito di ERRORE normale, allora usa la regressione generale con errori "non normali" |error|^p.
Per qualche ragione, sono pienamente convinto che il requisito della stazionarietà delle variabili di input sia cruciale per decidere l'applicabilità dell'analisi di regressione in linea di principio. L'intera idea dell'ARMA è costruita su una discussione sulla stazionarietà delle variabili di input, con la loro non stazionarietà trasformata in una forma stazionaria per differenziazione nei modelli ARIMA. In tutto questo, ci sono serie difficoltà nel dimostrare la proprietà di stazionarietà della serie temporale stessa.
Per quanto riguarda l'errore di adattamento della regressione, questo proviene dal regno della stazionarietà. Mentre la differenziazione delle serie temporali permette praticamente di rimuovere la variabilità nella media, la variabilità nella varianza è trattata dallo strumento ARCH.
È così dettagliato, perché non è assolutamente chiaro come migliaia e migliaia di persone molto competenti non abbiano potuto trovare un mezzo così semplice per combattere la non stazionarietà di una serie temporale e si scopre che esiste una regressione RMS, che risolve tutti i problemi di stazionarietà, che sono stati studiati da circa la metà degli anni 70.
Per qualche ragione, sono pienamente convinto che il requisito di stazionarietà per le variabili di input sia cruciale per decidere se l'analisi di regressione è applicabile in linea di principio.
I dati non stazionari non sono previsti da modelli di serie temporali. Né modelli statistici (regressione, autoregressione, smoothing, ecc.) né modelli strutturali (NS, classificazione, catene di Markov, ecc.).
Solo i modelli delle aree tematiche
Scrivi la funzione F(x) = a*exp(-b*|x|^p) nella tua distribuzione. p=2 darà una distribuzione normale. Quando conosci il vero valore di p, sostituisci la minimizzazione della somma dei quadrati degli errori di regressione con la somma |errore|^p. Ho mostrato l'output prima in questo thread. Se pensate che minimizzare la somma |errore|^p vi darà una migliore precisione di previsione che minimizzare la somma errore^2, allora andate avanti e implementatela.
Per qualche ragione, sono pienamente convinto che il requisito della stazionarietà delle variabili di input sia cruciale per decidere l'applicabilità dell'analisi di regressione in linea di principio. L'intera idea dell'ARMA è costruita su una discussione sulla stazionarietà delle variabili di input, con la loro non stazionarietà trasformata in una forma stazionaria per differenziazione nei modelli ARIMA. In tutto questo, ci sono serie difficoltà nel dimostrare la proprietà di stazionarietà della serie temporale stessa.
Per quanto riguarda l'errore di adattamento della regressione, questo proviene dal regno della stazionarietà. Mentre la differenziazione delle serie temporali permette praticamente di rimuovere la variabilità nella media, la variabilità nella varianza è trattata dallo strumento ARCH.
Così dettagliato, perché non si capisce come migliaia e migliaia di persone molto competenti non abbiano potuto trovare un mezzo così semplice per combattere la non stazionarietà delle serie temporali e si scopre che esiste una regressione RMS, che risolve tutti i problemi di stazionarietà, che vengono studiati da circa la metà degli anni 70.
Per favore, spiegate finalmente (qualcuno, o meglio tutti insieme) cosa chiamate stazionarietà, come la intendete?