Matstat Econometria Matan - página 2
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
Sim, é basicamente isso que estou a fazer como uma opção mais ou menos boa.
Noutro modelo semelhante, também observo por vezes pequenas divergências, como a divergência.
Mas não tão prolongado como na imagem acima, mas bastante efémero. Fez-me pensar porque é que isso acontece dessa forma.
Experimentei este modelo e vi uma divergência ainda mais prolongada.
Por isso, não compreendo de onde vem esta divergência. Não é um modelo correcto ou dados de baixa qualidade de fonte.
Não compreendo a lógica das acções.
Ou devo ajustar os dados iniciais aproximadamente ao normal,
, ou devo escavar modelos diferentes.
Mas tente escrever primeiro este modelo, não é tão fácil de acreditar e deitá-lo fora ))
Modelo inadequado
Não consigo compreender a seguinte anomalia, porque é que isto acontece.
Calculei um modelo ortogonal, que é suposto ser melhor do que o MNC.
Tenho os coeficientes de partida.
Depois, os parâmetros do modelo (coeficientes) são ajustados por algoritmo mediano, ou seja, uma espécie de robustez contra outliers.
O modelo descreve qualitativamente a série inicial.
O que é um modelo "ortogonal"? Está a fazer uma decomposição sobre um sistema de funções ortogonais? Depois ver então a que peso são ortogonais - o comportamento anómalo pode depender disso. Por exemplo, nos limites do segmento da ortogonalidade.
O que é um modelo "ortogonal"?
Está a fazer uma decomposição sobre um sistema de funções ortogonais?
Depois, ver com que peso são ortogonais - o comportamento anómalo pode depender disso.
Por exemplo, nos limites do segmento da ortogonalidade.
Não, não é uma decomposição de funções.
É uma regressão ortogonal, em que em cada passo do cálculo é calculado o ângulo de inclinação do normal (phi).
O normal é o segmento mais curto de uma linha a um ponto.
Depois é utilizada a inclinação do ângulo (phi) para calcular os coeficientes do modelo.
Sistema de coordenadas cartesianas
Encaixe ortogonal ANC cabe
Provavelmente será realmente necessário verificar os valores destes ângulos em locais anómalos.
Trata-se de uma regressão ortogonal, onde em cada passo de cálculo é calculado o ângulo de inclinação do normal (phi).
Por isso, chame-lhe pelo nome humano em vez de inventar nomes como MSRP ou TLS.
E qual é o sentido disso se os eixos têm dimensões diferentes?
Por isso, chame-lhe como um ser humano em vez de inventar nomes como INPC ou TLS.
e de que serve se os eixos são de dimensões diferentes?
Do que está a falar?
Regressão ortogonal, modelo ortogonal, está confuso?
Sim, é TLS, com um refinamento mediano.
Os números são tomados como exemplo. Não são relevantes para o problema.
Os eixos das figuras são da mesma dimensionalidade, é que a escala dos desenhos é um pouco diferente.
Não é crítico para a compreensão da ortogonalidade.
Regressão ortogonal, modelo ortogonal, está confuso?
Sim, concordo, errado.
Não, não é uma decomposição de funções.
É uma regressão ortogonal, em que em cada passo do cálculo é calculado o ângulo de inclinação do normal (phi).
O normal é o segmento mais curto de uma linha a um ponto.
Depois é utilizada a inclinação do ângulo (phi) para calcular os coeficientes do modelo.
Sistema de coordenadas cartesianas
Encaixe ortogonal ANC cabem
Provavelmente será realmente necessário verificar, os valores destes ângulos nos locais anómalos.
https://www.mql5.com/ru/forum/368720#comment_22203978, o fundo da figura é o lugar onde começa a divergência "anómala", está quase num salto de percurso, onde a regressão (linear ou não linear - são todas as mesmas representações de Y em função de x) se estraga, o desalinhamento aumenta dramaticamente. E a inconformidade da aproximação tanto por polinómios trigonométricos como algébricos é proporcional ao módulo de continuidade (pela desigualdade Jackson-Stechkin, ver wiki "Modulus_continuity"). Propriedade de proximidade do comportamento funcional com o das funções contínuas. No caso mostrado nesta figura, a contrapartida discreta do módulo de descontinuidade aumenta acentuadamente em torno de zero.
Depois altera-se os coeficientes na expansão (se linear - Y for decomposta em duas funções: Y1(x) = 1; Y2(x) = x com os coeficientes a e b: Y(x)=a+bx) já é lento [contínuo], com suavização mediana. E os valores destes coeficientes adquiridos no salto não se precipitam de volta aos valores que teriam se a sua metodologia tivesse iniciado a aproximação a partir de qualquer ponto após o salto, ou se substituir o salto por um movimento de percurso não tão rápido para o mesmo ponto.
A propósito, seria interessante ver imagens semelhantes às que dá em https://www.mql5.com/ru/forum/368720/page2#comment_22207994 para o caso particular em que o curso mudou quase por saltos e limites.
https://www.mql5.com/ru/forum/368720#comment_22203978, o fundo da figura é o lugar onde a divergência "anormal" começa, é no salto próximo do curso, onde a regressão (linear ou não linear - são todas as mesmas representações de Y em função de x) se estraga, o desalinhamento aumenta dramaticamente. E a inconformidade da aproximação tanto por polinómios trigonométricos como algébricos é proporcional ao módulo de continuidade (pela desigualdade Jackson-Stechkin, ver wiki "Modulus_continuity"). Propriedade de proximidade do comportamento funcional com o das funções contínuas. No caso mostrado nesta figura, a contrapartida discreta do módulo de descontinuidade aumenta acentuadamente em torno de zero.
Depois altera-se os coeficientes na expansão (se linear - Y for decomposta em duas funções: Y1(x) = 1; Y2(x) = x com os coeficientes a e b: Y(x)=a+bx) já é lento [contínuo], com suavização mediana. E os valores destes coeficientes adquiridos no salto não se precipitam de volta aos valores que teriam se a sua metodologia tivesse iniciado a aproximação a partir de qualquer ponto após o salto, ou se substituir o salto por um movimento de percurso não tão rápido para o mesmo ponto.
A propósito, seria interessante ver imagens semelhantes às que deu em https://www.mql5.com/ru/forum/368720/page2#comment_22207994 para o caso particular em que o curso mudou quase por saltos e limites.
Obrigado pela sua explicação lúcida e abrangente!
Também suspeitei de desalinhamento no momento de um salto, mas não o formulei correctamente.
Uma vez que o alisamento mediano é de facto aplicado, a memória sobre o salto, dependendo do tamanho da janela, ainda está lá.
Ainda não consegui fazer amizade com o gráfico de dispersão no mql5. Ainda em processo de aprendizagem. Seria interessante ver também tais gráficos.
Não sei quando poderei mostrar o gráfico, assim que descobrir as coordenadas que irei mostrar.
Sem suavização mediana, sobre coeficientes puros, parece ser verdade
mas depois obtém este padrão de recuperação
Adicionado.
Esqueci-me de esclarecer, os dados em bruto são apenas logarítmicos sem transformação por agora, para revelar as fraquezas.
Incrementos logarítmicos - não são suficientemente bons?
É necessária uma normalidade multidimensional. Não se pode comprá-lo tão barato).