スルトノフ回帰モデル（SRM） - 市場の数学的モデルであると主張する。 - ページ 27

新しいコメント
 
gpwr:

ランダムウォークは、価格そのものではなく、価格の増分が 正規分布で記述されています。

あなたは今、ある特定のクラスのSBを特徴付けています。少なくとも3つあります。
 
TheXpert:
どこで手に入るの？

存在しないのです。この例を挙げたのは、例えば（18）、三角・多項式回帰、ニューラルネットワークなどが基づいている複雑な市場モデルを忘れて、価格行動の統計を知って取引することが可能であることを示すためである。
 
anonymous:

あなたは今、ある特定のクラスのSBを特徴づけました。少なくとも3つはあります。


最も使用頻度の高いクラスのSBを特徴づけました。英語のウィキペディアから一つ紹介します（ロシア語は一時的に閉鎖されています）。

金融市場など現実の時系列データのモデルとして、正規分布 に従って変化する歩幅を持つランダムウォークが用いられている。例えば、オプション価格をモデル化するブラック・ショールズ 式では、ガウス型ランダムウォークを基礎仮定としている。

実は、確率変数の増分がある種の分布（正規分布、一様分布など）を持つからといって、確率変数そのものが同じ分布を持つとは限らないということを説明したかったのです。しかも、同じディストリビューションでもないのに :)

 
gpwr:


最も一般的に使用されているSBのクラスを特性化した。以下、英語のwikipediaより（ロシアのものは一時的に閉鎖されています）。

金融市場など現実の時系列データのモデルとして、正規分布 に従って変化する歩幅を持つランダムウォークが用いられている。例えば、オプション価格をモデル化するブラック・ショールズ 式では、ガウス型ランダムウォークを基礎仮定としている。

実は、確率変数の増分がある種の分布（正規分布、一様分布など）を持つからといって、確率変数そのものが同じ分布を持つとは限らないということを説明したかったのです。しかも、そういう流通でもない :)

念のため、(18)は課金期間中の単位当たりの増分価格を演算し、想定される定数成分を加えて価格そのものを求め、それを毎回再計算していることを記しておく。
 
gpwr:

存在しないのです。 この例は、(18)や三角・多項式回帰、ニューラルネットワークなどの複雑な市場モデルを忘れて、価格行動の統計を知って取引することが可能であることを示すために挙げたものである。
共同作用は、統計学的に非常に一般的な特性で、TSの構築に広く使用されています。
 
gpwr:


最も使用頻度の高いSBのクラスを特性化。以下、英語版wikipediaより（ロシア語は一時的に閉鎖されています）。

金融市場など現実の時系列データのモデルとして、正規分布 に従って変化する歩幅を持つランダムウォークが用いられている。例えば、オプション価格をモデル化するブラック・ショールズ 式では、ガウス型ランダムウォークを基礎仮定としている。

実は、確率変数の増分がある種の分布（正規分布、一様分布など）を持つからといって、確率変数そのものが同じ分布を持つとは限らないということを説明したかったのです。しかも、同じディストリビューションでもない :)

古典的なコイン（すなわち迷走の一様分布した離散 値）は、無限）個の実現に対して、ステップ120ですでに完全な離散化正規分布を与えることになるのです。ガルトンのボードを思い出してください・・・。)

そして、正規分布の連続 増分では、プロセスはWienerianと呼ばれるかもしれない。 そして、Brownian bridgeはその途中にある。

;)

 
yosuf:
ちなみに、(18)は計算期間の単位当たりの価格の増加分を演算し、条件付き定数成分を加えて価格そのものを求め、それを毎回再計算していることに注意。 。

線形回帰と 何が違うのかを簡単に説明すると...。
 
Roman.:

線形回帰と何が違う のかを簡単に説明すると...。
線形回帰は、価格の時間に対する線形依存性の存在を仮定した場合に適用されます。一般的には明らかにそうではありませんが、限られた時間間隔では線形依存性が現れることがありますが、この仮定を適用しようとすると、将来的に大きな乖離が生じることになります。そのため、RMSが属する非線形回帰を適用せざるを得ないが、先に示したように、線形回帰の場合も一義的にカバーする。
 

この点、http://www.machinelearning.ru/wiki/index.php?title=%D0%A0%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C、ブランチの名前を変えてもいいかも？:

数学モデルと回帰モデルは区別されています。数学的モデルは、既知のパターンを記述する関数を構築することにアナリストが関与する。数学的モデルは解釈可能であり、研究対象のパターンを説明することができる。数学的モデルを構築する場合、まず関数のパラメトリックファミリーを作成し、次にモデルを特定する、つまり測定データを用いてそのパラメータを求める。説明変数と応答変数の間の関数関係が既知であることが、数学的モデリングと回帰 分析の主な違いである。

数理モデリングの欠点は、実測データを検証には使うが、モデル構築には使わないため、不適切なモデルになってしまうことである。また、多数の異なる要因が相互に関連する複雑な現象のモデルを得ることは困難である。

回帰モデルは、パターンを記述する普遍的な関数の広範なクラスを組み合わせたものである。このモデルは、研究対象のパターンの特性に関する知識ではなく、主に測定データに基づいている。このようなモデルは、しばしば解釈できないが、より正確である。これは、最適なモデルを構築するために使用する候補モデルの数が多いか、モデルの複雑さが原因である。回帰モデルのパラメータを求めることをモデル学習といいます。

回帰分析の欠点：複雑すぎるモデルは不正確であり、複雑すぎるモデルは過剰に学習される可能性がある。

回帰モデルの例：一次関数、代数多項式、チェビシェフ級数、ローゼンブラット単層パースプクトロンなどのフィードバックフリーニューラルネットワーク、ラジアル基底関数など。

回帰モデルも数学モデルも、通常は連続写像を指定する。連続性の要件は、解くべき問題のクラスによるもので、多くの場合、物理、化学、その他の現象の記述であり、そこでは連続性の要件が自然に打ち出されるのである。写像には単調性、平滑性、測定可能性などの制約が課されることもある。理論的には、どのような種類の関数を扱うことも、モデル中に不連続性が存在することも、自由変数に有限の無秩序な値の集合を設定することも、つまり回帰問題を分類問題に変換することも、誰も禁じていないのである。

回帰分析の問題を解くとき、次のような疑問が生じる。
モデルの種類と構造、どの系列に属するかをどのように選択するか？
データ生成の仮説とは、確率変数の分布とは？
近似の質を推定するための目標関数とは？
モデルのパラメータの求め方、パラメータ最適化のアルゴリズムは？

 
yosuf:
線形回帰は、価格の時間に対する線形依存性の存在を仮定した場合に適用されますが、一般的には明らかにそうではありません。限られた時間間隔では線形依存性が現れることもありますが、この仮定を適用しようとすると、将来的に大きな乖離が生じることになります。そのため、RMSが属する非線形回帰を適用せざるを得ないが、先に示したように、線形回帰の場合も一義的にカバーする。


まさにノンリニア？ガンマ関数回帰なのか？それとも、やはり直線ではなく、ガンマ関数がかかっているのでしょうか？

いずれにせよ、ユスフ君は何も発見していないのだ。数学は、回帰、線形、非線形、5重線との回帰、その他の関数との回帰に与えられます。

1...202122232425262728293031323334...47
新しいコメント