ベイズ回帰 - このアルゴリズムを使ってEAを作った方はいらっしゃいますか？ - ページ 42

[Vladimir]

Alexey Burnakov:

Rによる簡単な分布解析。

利用可能なクロックバーの始値刻みから正規分布のパラメータを推定し、元の系列と同じ分布の正規系列について頻度と密度を比較するためにプロットした。目で見てもわかるように、元の時棒の増分の系列は正常とは言い難い。

ちなみに、私たちは神の神殿の中にいるわけではありません。信じる必要はなく、有害でさえある。

関数 F(x) = a*exp(-b*|x|^p) を分布に書き込んでください。p=2なら正規分布になります。p の真の値がわかっているときは、回帰誤差の二乗和の最小化を和 |error|^p に置き換える。以前、このスレッドで出力を示しました。誤差^2和を最小化するよりも、｜誤差｜^p和を最小化する方が予測精度が上がると思うのであれば、どうぞ実装してください。

[Vladimir Suslov]

Alexey Burnakov:

まずは「信仰者」の目に、理解の光明を見出したいものです。そして、必要であれば変換する。太いテールを変換できるかどうかが問題です。品質に大きな差をつけることができるのです。

何度も恐縮ですが、太いテールを変換することは問題ありません。

どのような品質に影響するとお考えですか？

https://www.mql5.com/ru/forum/72329/page14#comment_2253485

[СанСаныч Фоменко]

Alexey Burnakov:

同じものです!インクリメントが「＋」「-」の記号に変わりました。そして、そんなサインを1時間先まで刻んでいくことができるのです。

質問は何ですか？

買い、売りを学習する分類モデルを持っています。偶然・非偶然の方向性の正しさによるモデルの評価

ゼロより大きい増分は信頼区間を 持つため、必ずしも「買い」とは言えない。また、評価は誤差、例えば、MAE

[СанСаныч Фоменко]

Vladimir:
関数 F(x) = a*exp(-b*|x|^p) を分布に書き込んでください。p=2なら正規分布になります。

その考え方は、まさに革命的です。この サイトでは、それが端的に示されています。正常な状態に近づけることは十分可能ですが、そのためには・・・。

[Vladimir]

СанСаныч Фоменко:
その思想は、まさに革命的です。この サイトに棚上げされています。正常な状態に近づけることは十分可能なのですが、そのためには・・・。

系列偏差の分布があらかじめ分かっていて静的であれば、Box Coxでも可能です。回帰誤差の分布と入力系列そのものの分布という2つの重要な事柄について、ここの人たちは混乱しているのだと思います。RMS回帰は、入力がどのように分布しているかを気にしない。主な前提は、モデルの適合誤差の分布が正規分布でなければならないことである。繰り返しになりますが、RMS回帰の通常のERRORの要件が気に入らないなら、「非正規」誤差｜error｜^pを持つ一般回帰を使用してください。

[СанСаныч Фоменко]

Vladimir:
また、系列偏差の分布があらかじめ分かっていて静的な場合は、Box Coxを使うこともできます。回帰誤差の分布と入力系列自体の分布という2つの重要な事柄を混同しているように思います。RMS回帰は、入力がどのように分布しているかを気にしない。主な前提は、モデルの適合誤差の分布が正規分布でなければならないことである。繰り返しになりますが、RMS回帰の通常のERRORの要件が気に入らないなら、「非正規」誤差｜error｜^pを持つ一般回帰を使用してください。

私はなぜか、回帰 分析の適用可能性を決定するためには、入力変数の定常性という要件が原理的に極めて重要であると確信している。ARMAの全体的な考え方は、まさに入力変数の定常性の議論に基づいており、その非定常性をARIMAモデルで微分することによって定常型に変換するものである。これらすべてにおいて、時系列そのものの定常性を証明することは、重大な困難が伴う。

回帰フィッティングの誤差については、これは定常性の領域からです。時系列を微分することで平均の変動は実質的に取り除くことができるが、分散の変動はARCHツールで対処することになる。

何千何万という非常に有能な人たちが、どうして時系列の非定常性に対抗するこんな簡単な手段を見つけられなかったのか、まったく不明で、70年代半ばくらいから研究されてきた定常性の問題をすべて解決するRMS回帰があることがわかったので、とても詳しいです。

[Дмитрий]

СанСаныч Фоменко:

なぜか、回帰分析が原理的に適用可能かどうかを判断するためには、入力変数の定常性の要件が重要であると、私は十分納得しているのである。

非定常データは、時系列 モデルで予測できない。統計モデル（回帰、自己回帰、平滑化など）、構造モデル（NS、分類、マルコフ連鎖など）のいずれも使用しない。

分野別モデルのみ

[Alexey Burnakov]

Vladimir:
関数 F(x) = a*exp(-b*|x|^p) を分布に書き込んでください。p=2なら正規分布になります。p の真の値がわかっているときは、回帰誤差の二乗和の最小化を和 |error|^p に置き換える。以前、このスレッドで出力を示しました。誤差^2和を最小化するよりも、｜誤差｜^p和を最小化する方が予測精度が上がると思うのであれば、どうぞ実装してください。

変換してみようかな。感謝

[Dmitry Fedoseev]

СанСаныч Фоменко:

私はなぜか、回帰分析の適用可能性を決定するためには、入力変数の定常性という要件が原理的に極めて重要であると確信している。ARMAの全体的な考え方は、まさに入力変数の定常性の議論に基づいており、その非定常性をARIMAモデルで微分することによって定常型に変換するものである。これらすべてにおいて、時系列そのものの定常性を証明することは、重大な困難が伴う。

回帰フィッティングの誤差については、これは定常性の領域からです。時系列を微分することで平均の変動は実質的に取り除くことができるが、分散の変動はARCHツールで対処することになる。

非常に有能な何千何万の人々が、時系列の非定常性に対抗するためのこのような単純な手段を見つけられなかったのか、そして、70年代の半ば頃から研究されている、定常性に関するすべての問題を解決するRMS回帰があることが判明したため、とても詳細な説明をしています。

最後に（誰か、あるいは一度に）説明してください。あなたは何をもって定常性と呼んでいるのですか？

[Дмитрий]

Dmitry Fedoseev:
最後に（誰か、あるいは一度に）説明してください。あなたは何をもって定常性と呼んでいるのですか？

定常性とは、あるプロセスが時間の経過とともにその特性を変化させない性質の ことである。