Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
https://www.mql5.com/ru/forum/375928/page2
se 0 ≤ H < 0.5 - preços são fractais, a validade da FMH é confirmada, há "caudas pesadas" na distribuição das variáveis, séries antipersistentes, ou seja, correlação negativa nas mudanças de preços, ruído rosa com mudanças freqüentes na direção dos preços;Vorontsov é provavelmente o melhor especialista em MoD na Rússia. O curso é, portanto, necessariamente bom, mas porque é para as pessoas de TI, ele omite matemática básica e importante para nós. Tenho notado muitas vezes que para a aplicação de métodos matemáticos no comércio, poucos são adequados na sua forma básica e simplificada.
MO é baseado (veja por exemplo Tibshirani) na suposição de que há uma constante distribuição conjunta de preditores e respostas P(X,Y). A partir dele, a probabilidade condicional Py(Y|X) pode ser calculada, a partir da qual a regressão Y=f(X) pode ser calculada. Eventualmente, esta regressão é aproximada por alguns modelos de MO. No mundo físico, esta teoria funciona mais ou menos. Mas não no comércio. Acontece que P(X,Y) muda imprevisivelmente com o tempo (não-estacionariedade) e toda a teoria desmorona um pouco.
A abordagem mais comum é simplesmente ignorar a não-estacionariedade e depois ficar surpreso com os resultados e reclamar sobre o MO).
É importante entender exatamente: "não-estacionariedade" de quê? e não descer à não-estacionariedade da própria série temporal. Você provavelmente pode ignorar a não-estacionariedade do próprio quociente.
A pedra angular é a probabilidade condicional Py(Y|X).
Em vez de probabilidade condicional, é mais conveniente usar o "poder preditivo" do preditor em relação a um determinado professor.
Eu introduzi uma medida dessa capacidade preditiva e fiz uma janela sobre o PB, digitando estatísticas de 2000 exemplos. Vou notar especificamente que não há qualquer menção a modelos. À procura de um par preditor-professor.
Aqui está parte dos resultados: a coluna é um único preditor, as linhas de resumo são dadas: capacidade de previsão média, desvio padrão e % por conveniência.
Vemos que entre os preditores existe um preditor com uma relação sd/meios de cerca de 10%. Mas notavelmente, eu NÃO encontrei nenhum preditor que tenha essa porcentagem maior que 100%.
Assim, o desafio do projeto é encontrar um conjunto de preditores para um determinado professor que seria limitado a uma razão sd/mean de 10%, ou de preferência 5%, que pode ser negligenciada. A estabilidade da previsibilidade é a pedra angular de um sistema comercial.
google a frase verbatim
"
Acontece que o melhor preditor do valor futuro do nível dasérie é o seu valor actual."
É importante entender precisamente: "não-estacionariedade" de quê? e não saltar para a não-estacionariedade da própria série temporal. Você provavelmente pode ignorar a não-estacionariedade do próprio quociente.
A pedra angular é a probabilidade condicional Py(Y|X).
Em vez de probabilidade condicional, é mais conveniente usar o "poder preditivo" do preditor em relação a um determinado professor.
Eu introduzi uma medida desse poder preditivo e abri uma janela sobre o PB, digitando estatísticas de 2000 exemplos. Vou notar especificamente que não há qualquer menção a modelos. À procura de um par preditor-professor.
Aqui está parte dos resultados: a coluna é um único preditor, as linhas de resumo são dadas: capacidade de previsão média, desvio padrão e % por conveniência.
Vemos que entre os preditores existe um preditor com uma relação sd/meios de cerca de 10%. Mas notavelmente, eu NÃO encontrei nenhum preditor que tenha essa porcentagem maior do que 100%.
Assim, o desafio do projeto é encontrar um conjunto de preditores para um determinado professor que seria limitado a uma razão sd/mean de 10%, ou de preferência 5%, que pode ser negligenciada. A estabilidade da capacidade preditiva é a pedra angular de um sistema comercial.
É importante entender precisamente: "não-estacionariedade" de quê? e não saltar para a não-estacionariedade da própria série temporal. Você provavelmente pode ignorar a não-estacionariedade do próprio quociente.
A pedra angular é a probabilidade condicional Py(Y|X).
Em vez de probabilidade condicional, é mais conveniente usar o "poder preditivo" do preditor em relação a um determinado professor.
Eu introduzi uma medida dessa capacidade preditiva e fiz uma janela sobre o PB, digitando estatísticas de 2000 exemplos. Vou notar especificamente que não há qualquer menção a modelos. À procura de um par preditor-professor.
Aqui está parte dos resultados: a coluna é um único preditor, as linhas de resumo são dadas: capacidade de previsão média, desvio padrão e % por conveniência.
Vemos que entre os preditores existe um preditor com uma relação sd/meios de cerca de 10%. Mas notavelmente, eu NÃO encontrei nenhum preditor que tenha essa porcentagem maior do que 100%.
Assim, o desafio do projeto é encontrar um conjunto de preditores para um determinado professor que seria limitado a uma razão sd/mean de 10%, ou de preferência 5%, que pode ser negligenciada. A estabilidade dos prognósticos é a pedra angular de um sistema comercial.
Sem os cálculos estatísticos de estacionaridade em série como o seu podem não ter sentido - os valores da amostra podem não convergir para valores verdadeiros. Por exemplo, não é difícil pensar em um exemplo em que a correlação da amostra de incrementos adjacentes seria diferente de zero, mas a correlação verdadeira seria zero.
PS.
A estacionaridade é entendida "no sentido restrito" - distribuições conjuntas independentes do tempo.
A estacionaridade pode ser incompleta - por exemplo, referir-se apenas a distribuições conjuntas de incrementos (processos com incrementos estacionários).
É claro que é correto falar sobre a estacionaridade de uma inclinação e não de uma série que é apenas uma das realizações de um determinado processo. Mas não estamos em um exame, então não importa).
A estacionaridade é muitas vezes entendida como uma variante "no sentido lato". Eles se lembram apenas da constância da média e da variância, esquecendo a condição no ACF. Em qualquer caso, tal estacionaridade não é suficiente em MO (será suficiente para modelos lineares).
É apenas um elemento da arte do artesão em MO, encontrando essas conexões. Estou a fazer algo semelhante com base na minha experiência. Muitas vezes eles procuram as dependências através da centralização cruzada, o que consome recursos. É mais rápido para ti?
Cerca de um segundo por preditor (XEON-1620).
Sem a estacionaridade das séries, cálculos estatísticos como o seu podem não ter sentido - pode não haver convergência dos valores amostrados para os valores verdadeiros. Por exemplo, não é difícil pensar em um exemplo em que a correlação da amostra de incrementos adjacentes é não zero, mas a verdadeira correlação é zero.
PS.
A estacionaridade é entendida "no sentido restrito" - distribuições conjuntas independentes do tempo.
A estacionaridade pode ser incompleta - por exemplo, referir-se apenas a distribuições conjuntas de incrementos (processos com incrementos estacionários).
É claro que é correto falar sobre a estacionaridade de uma inclinação e não de uma série que é apenas uma das realizações de um determinado processo. Mas não estamos em um exame, então não importa).
A estacionaridade é muitas vezes entendida como uma variante "no sentido lato". Eles se lembram apenas da constância da média e da variância, esquecendo a condição no ACF. Em qualquer caso, tal estacionaridade não é suficiente em MO (será suficiente para modelos lineares).
Não estou interessado no quociente em si. Estou interessado na capacidade do prognosticador de prever o professor. Para mim, o maior erro da grande maioria dos comerciantes está nas suas tentativas de resolver o próprio kotir. E nós precisamos da previsão do professor. Este é um problema completamente diferente.
Eu não estou interessado no próprio cotier. Estou interessado na capacidade do prognosticador de prever o professor. Para mim, o maior erro da grande maioria dos comerciantes é tentar resolver os problemas do próprio kotir. E nós precisamos da previsão do professor. Esse é um problema completamente diferente.
O que é essa "previsão do professor"?