回帰式に興味を持ちました。しかし、それを十分に表現することができないという問題がありました。持っているデータ：時間（M15とする）、HIGH、LOW、OPEN、CLOSE、VOLUME。私たちにとっては、それは一連の観察である。対象パラメータ（この場合は為替レートの変化）との機能的関係を確立する必要がある指標、つまりファクターがあります。必須：指標と要因の間に定量的な関係を確立すること。この場合、回帰分析の課題は、今あるデータを最もよく記述する関数従属性y* = f(x 1, x 2, ..., x t)を特定する課題として理解される。
指標のパラメータ依存性を記述する関数f(x 1, x 2, ..., x t)を回帰式（関数）と呼ぶ。
関数の最小値を求めるのにジグザグを使うと何がいけないのか？
とか、例えば10次元 空間でどうやってジグザグを作るんだ？ )))))そして、どれだけの計算資源が必要になるのか。
とか、例えば10次元空間でどうやってジグザグを作るんだ？ )))))そして、どれだけの計算資源が必要になるのか。
回帰式に興味を持ちました。しかし、それを十分に表現することができないという問題がありました。持っているデータ：時間（M15とする）、HIGH、LOW、OPEN、CLOSE、VOLUME。私たちにとっては、それは一連の観察である。対象パラメータ（この場合は為替レートの変化）との機能的関係を確立する必要がある指標、つまりファクターがあります。必須：指標と要因の間に定量的な関係を確立すること。この場合、回帰分析の課題は、今あるデータを最もよく記述する関数従属性y* = f(x 1, x 2, ..., x t)を特定する課題として理解される。
指標のパラメータ依存性を記述する関数f(x 1, x 2, ..., x t)を回帰式（関数）と呼ぶ。
だから質問1：今あるデータのうち、どれをIndicatorとして、どれをFactorとして選ぶべきか？論理的には指標は時間、因子は H、L、O、C、V
この場合、時系列である。
次の作業は、機能依存の選択です。指標の変動と要因の変動との関係を表す式。多くの場合、これらは多項式関数である。特に次数1の多項式、つまり線形回帰式はその典型例である。
質問2：時系列が与えられたとき、どのような多項式を選択し、どのように適切に記述するか、どのようなパラメータを適用するか、多項式の次数はどのくらいか。チェビシェフ多項式を使ったことがある人はいますか？その場合は、どのような順番になるのでしょうか？
次の作業は、回帰式の係数を計算することである。通常、ANCを使用する方法があります。
質問3：今回のケースでの係数の計算方法は、どのようなものが良いのでしょうか？
質問4.データを正規化する必要がありますか？
確かにこのテーマは重要であり、興味深いものです。
そこで、 N個の サンプルを含む時系列を 用意します。この段階では、ティック、OHLCなど、具体的に何をサンプルとして理解すべきかは重要ではありません。重要だと思われるのは、 Nに 等しくない最適な学習サンプル長n、最適な調整可能パラメータ数k<=n（多項式の次数）、予測視野T （カウントで測定）に関する質問への回答である。
この段階では、近似関数の特定のタイプや、元の系列への近似方法は重要ではありません。上記のパラメーターの初期BPの特性への依存性を得ることが重要である。例えば、BPが積分ランダム変数の場合、最適な予測値は最後の読み取り値（ゼロバー）に等しい定数であることが知られている。もし、系列に規則性があれば、回帰パラメータの観点から最適なものを探さなければならない。
この点について、この設定での常識的な考察があれば教えてください。
確かにこのテーマは重要であり、興味深いものです。
そこで、 N個の カウントを含む時系列を用意します。この段階では、ティックやOHLCなど、カウントの意味が具体的に何であるかは重要ではありません。重要だと思われるのは、 Nに 等しくない最適な学習サンプル長n、最適な調整可能パラメータ数k<=n（多項式次数）、予測視野T （カウント数で計測）に関する質問への答えである。
この段階では、近似関数の特定のタイプや、元の系列への近似方法は重要ではありません。上記のパラメーターの初期BPの特性への依存性を求めることが重要である。例えば、BPが積分ランダム変数の場合、最適な予測値は最後の読み取り値（ゼロバー）に等しい定数であることが知られている。もし、系列に規則性があれば、回帰パラメータで最適なものを探さなければならない。
このフォーミュレーションに常識的な配慮があれば教えてください。
この調合でクソはない。クソみたいな理論武装。この多項式回帰をBP一本で壁に蹴りつけてしまえ。
利益の最大化が必要です。単変量回帰なんてクソくらえだ。なぜ、市場情報の一部しか使わないのか？情報が豊富なとき。
回帰分析は多変量解析であるべき、それが最低条件です。効率に関する回帰の様々な推定方法（IOC、絶対誤差値のMO（ラプラスまたはラグランジュ-思い出せない）、符号、分位数など）の分析。
予測地平線の推定も興味深い曲です。
駄文を 書きました。もちろん、たいしたことはないんですけどね。まだほんの序の口。その先にあるのは、BPの利益予測の水平線の推定と、たくさんの興味深いバミューダ...。
この話題でクソみたいな 記事を書いた。
何をそんなに興奮しているのですか？
できればシンプルで透明なものでなく、違うものを積めば積むほど良くなると思っているのでしょうか？
経験が物語るものは違う。もっとシンプルに、きちんと勉強したことを徹底的に理解するのが正解ですそして「多変量回帰」「分位点」...。- ねじれ相互作用のスピナー解析のようなものですね。
クソッ 何も投げてないぞ どこから持ってきたんだ？一般的な多変量解析のLINEAR回帰が あるんだけど、これってどうなの？そして、線形回帰を使う根拠は、最適なポートフォリオを作り、相関を見出すというロジックにある。それが、シンプルからの出発点です。
回帰というのはどういうことか、先日自分でもわかりました。回帰分析ということです。
...単純な多変量解析のLINEAR回帰があるのですが...。
が、多変量多項式 回帰をすることができる...。予測精度が向上するか、同じ精度で予測時間が短縮されるなら、より良いということになりますね。しかし、それを確認するためには、やり方を理解するだけでなく、機械に説明しなければならない・・・。
が、多変量多項式 回帰を行うことができる．予測精度が上がるか、同じ精度で予測時間が延びるなら、その方がいいということですね。しかし、それを確認するためには、やり方を理解するだけでなく、機械に説明しなければならない・・・。