"베이지안 회귀 는 능선 회귀와 유사하지만 노이즈(오차)가 데이터에 정규 분포를 따른다는 가정에 의존합니다." 그리고 뚜렷한 추세가 없는 기간인 IMHO에는 이 가정을 적용하는 것이 적절합니다. 비트코인은 잘 모르지만 제 생각에는 이 도구를 선택한 이유가 궁금합니다. 아마도 그는 가장 "무작위"일 것입니다.
베이지안 회귀는 동일한 확률적 신경망(PNN) 또는 일반 회귀 신경망(GRNN)입니다. 오류의 정규 분포가 마음에 들지 않으면 지수 커널 대신 exp(-|distance|), exp(-distance^n) 등과 같은 다른 거리 함수를 사용할 수 있습니다. 결과는 크게 변하지 않을 것입니다. 빠르게 감소하는 거리 함수는 과거의 보다 최근 이벤트에 더 높은 가중치를 부여합니다. 나는 이 네트워크와 그 종류에 손을 댔다. 회귀로서 특히 적합하지 않습니다. 그리고 분류기로서는 더 좋지만 여전히 시장에서 사용한 결과는 다른 어떤 도구나 동전 던지기보다 낫지 않습니다. 4-ke의 포럼을 보십시오. 그곳 사람들은 한 번에 그것에 대해 격렬하게 토론했습니다.
특히 시장 거래 에 대한 대학 기사 를 믿지 마십시오 . 이 기사의 대부분은 박사 요구 사항 (3-4 기사 + 논문)을 충족하기 위해 학생들이 작성합니다. 이것은 과학에도 적용됩니다. 수백만 개의 학생 기사가 있지만 의미가 없습니다. 이 산업에서 일하는 사람들을 믿으십시오. 경험 많은 거래자는 MIT 교수보다 더 많이 알고 있습니다.
우리는 외환 오류의 분포를 전혀 모릅니다. 형식적으로 그리고 엄격하게 오류는 시뮬레이션된 값과 유전 모집단에서 얻은 모델 값 사이의 차이입니다. 순전히 이론적인 값. 잔차는 기존 샘플의 시뮬레이션 값과 모델 값의 차이로 구하지만 금융 시계열(보다 정확하게는 수익률)이 정상이 아니기 때문에 정상일 가능성도 낮습니다(!) 그리고 굵게 꼬리가 길고 뾰족 하며 매우 복잡합니다.
나는 심지어 동일한 평균 및 sd 매개변수를 사용하는 시간당 증분 원래 분포(청록색 =))와 정규 분포에 대해 혼동을 일으키고 추론했습니다. 보시다시피 이것은 정상과 거리가 멀습니다. 그리고 정규성에 대한 테스트는 통과하지 못했습니다.
그리고 오류의 정규성에 의존하는 방법은 20세기부터 선형 회귀, 분산 분석과 같은 고전적인 방법입니다. 그러나 그들 없이는 가능합니다.
In statistics and optimization, errors and residuals are two closely related and easily confused measures of the deviation of an observed value of an element of a statistical sample from its "theoretical value". The error (or disturbance) of an observed value is the deviation of the observed value from the (unobservable) true value of a...
그것이 무엇인지에 관한 것입니다.
연구자들은 뚜렷한 경향이 없는 기간을 선택했기 때문에 달성된 결과가 흥미롭습니다.
요컨대, 당신은 할 수 있습니다 - 화면에 무엇이 있습니까?
이제 그것에 대한 대화가 있습니다. 알고리즘이 작동하는 방식.
적용 가능성에 관해서는 유용한 작업이 있습니다. 가격은 클러스터링되지 않습니다.
그것이 무엇인지에 관한 것입니다.
연구자들은 뚜렷한 경향이 없는 기간을 선택했기 때문에 달성된 결과가 흥미롭습니다.
베이지안 회귀는 동일한 확률적 신경망(PNN) 또는 일반 회귀 신경망(GRNN)입니다. 오류의 정규 분포가 마음에 들지 않으면 지수 커널 대신 exp(-|distance|), exp(-distance^n) 등과 같은 다른 거리 함수를 사용할 수 있습니다. 결과는 크게 변하지 않을 것입니다. 빠르게 감소하는 거리 함수는 과거의 보다 최근 이벤트에 더 높은 가중치를 부여합니다. 나는 이 네트워크와 그 종류에 손을 댔다. 회귀로서 특히 적합하지 않습니다. 그리고 분류기로서는 더 좋지만 여전히 시장에서 사용한 결과는 다른 어떤 도구나 동전 던지기보다 낫지 않습니다. 4-ke의 포럼을 보십시오. 그곳 사람들은 한 번에 그것에 대해 격렬하게 토론했습니다.
특히 시장 거래 에 대한 대학 기사 를 믿지 마십시오 . 이 기사의 대부분은 박사 요구 사항 (3-4 기사 + 논문)을 충족하기 위해 학생들이 작성합니다. 이것은 과학에도 적용됩니다. 수백만 개의 학생 기사가 있지만 의미가 없습니다. 이 산업에서 일하는 사람들을 믿으십시오. 경험 많은 거래자는 MIT 교수보다 더 많이 알고 있습니다.
여기에서: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
오류의 정규성 가정과 관련하여 나는 이 방법을 금융 시장에 적용할 수 있는지에 대해 의문을 제기합니다.
또한 종속성이 초평면으로만 추정되는 모든 모델에서는 비선형 모서리를 놓칠 가능성이 있어 모델을 수익성 있게 만들 수 있습니다.
금융 시장이 추측하기에 적절하다고 생각하는 실수는 무엇입니까?
" 오류의 정규성 가정과 관련하여 이 방법을 금융 시장에 적용할 수 있는지에 대해 의문을 제기합니다. "
금융 시장에서 구매 및 판매. 실수가 발생하고 괜찮습니다.
// 인용 주석의 이중 처리
)
따라서 원본 게시물은 다르게 해석됩니다.
견적에 대한 모든 수학적 처리 또는 기타 해석은 동일하며 수행할 수 없습니다!
" 오류의 정규성 가정과 관련하여 이 방법을 금융 시장에 적용할 수 있는지에 대해 의문을 제기합니다. "
금융 시장에서 구매 및 판매. 실수가 발생하고 괜찮습니다.
// 인용 주석의 이중 처리
)
따라서 원본 게시물은 다르게 해석됩니다.
견적에 대한 모든 수학적 처리 또는 기타 해석은 동일하며 수행할 수 없습니다!
예! 여기에서는 모든 것이 그러한 집 스타일로 해석됩니다.
그래도 누가 먼저 결과를 뽑을지 궁금하다
아무도 그림을 그리지 않습니다.
오차 분포 밀도가 중요하지 않은 방법을 사용할 필요가 있습니다. 비모수적 방법.
일반적으로 내 실험에서 나는 가격 값(또는 그 변형)을 회귀하지 않고 부호를 예측하지만 이것이 또한 가격 정보의 일부라고 말할 수 있습니다.
내 오류는 다음과 같습니다.
0 1
0 0.58 0.42
1 0.43 0.57
또는 원래 다음과 같은 것:
1 - 참, 0 - 오류: 1, 1, 0, 0, 0, 1, 1, 1, 0, 1
그리고 결과 확률 분포는 0.5/0.5와 최대한 달라야 합니다.
우리가 그러한 결과의 상호 독립성을 얻는다면, 우리는 이항 분포에 이르게 될 것이며, 이에 대한 많은 공식과 통계적 테스트 가 있습니다.
그러나 가격에 대한 일종의 회귀 모델을 구축하면 오류에 대한 PDF의 모양에 대한 가정이 저를 건드리지 않을 것입니다.
UPD: https://en.wikipedia.org/wiki/Errors_and_residuals
https://en.wikipedia.org/wiki/Robust_statistics
우리는 외환 오류의 분포를 전혀 모릅니다. 형식적으로 그리고 엄격하게 오류는 시뮬레이션된 값과 유전 모집단에서 얻은 모델 값 사이의 차이입니다. 순전히 이론적인 값. 잔차는 기존 샘플의 시뮬레이션 값과 모델 값의 차이로 구하지만 금융 시계열(보다 정확하게는 수익률)이 정상이 아니기 때문에 정상일 가능성도 낮습니다(!) 그리고 굵게 꼬리가 길고 뾰족 하며 매우 복잡합니다.
나는 심지어 동일한 평균 및 sd 매개변수를 사용하는 시간당 증분 원래 분포(청록색 =))와 정규 분포에 대해 혼동을 일으키고 추론했습니다. 보시다시피 이것은 정상과 거리가 멀습니다. 그리고 정규성에 대한 테스트는 통과하지 못했습니다.
그리고 오류의 정규성에 의존하는 방법은 20세기부터 선형 회귀, 분산 분석과 같은 고전적인 방법입니다. 그러나 그들 없이는 가능합니다.
위키 읽기)