faa1947: pois o residual estacionário pode ser substituído por uma constante igual a qualquer um dos valores: média, oblíquo, variação, dispersão - tudo e qualquer coisa é possível no caso de estacionaridade.
Não, estritamente falando. Acima eu dei um gráfico de um resíduo quase estacionário. Fraca mudança de mo e sko ao longo da amostra. e o mais importante, uma dispersão de cerca de 10 pips.
Por alguma razão, ultimamente me parece que a estacionaridade não se encontra ali, ou seja, não diretamente nos resíduos da regressão sobre a série de citações, mas em outra coisa.
Mas deve ser encontrado em qualquer caso. Caso contrário, a aplicação de estatísticas está condenada.
faa1947: Estou falando da metodologia (não inventada por mim) de construção de modelos: o quociente inicial não estacionário deve ser decomposto em componentes até que se obtenha um resíduo estacionário. Este requisito para mim é bem compreendido em um nível intuitivo (o que é muito importante), pois o residual estacionário pode ser substituído por uma constante igual a qualquer um dos valores: média, inclinação, dispersão, dispersão - tudo e qualquer coisa é possível no caso de estacionaridade.
Na sua opinião, toda a questão é com que período ou retrospectiva tomar este residual estacionário. Se você mudar a retrospectiva, as características do resíduo estacionário também mudarão, como você está tentando resolver esta questão? Otimizando-o?
Por alguma razão, ultimamente me parece que a estacionaridade não se encontra ali, ou seja, não diretamente nos resíduos da regressão sobre a série de citações, mas em outra coisa.
Mas deve ser encontrado em qualquer caso. Caso contrário, a aplicação de estatísticas está condenada.
Certo, este resíduo depende da visão a posteriori em questão; é aqui que o cão é enterrado. A visão a posteriori ideal é difícil de encontrar.
Quanto ao proverbial retrospecto, eu também o tenho, mas em um sentido diferente. Não é um período de suavização, apenas um período em que os dados são extraídos. Não há ferros.
yosuf: Toda a questão é com que período ou retrospectiva tomar este esta estacionário, em sua opinião, residual. Se você mudar a retrospectiva, as características do resíduo estacionário também mudarão, como você está tentando resolver esta questão? Otimizando-o?
Uma pergunta extremamente desagradável. O modelo original: quotier = tendência + ruído + sazonalidade + periodicidade + outliers.
Estamos discutindo os dois primeiros membros do modelo. não há sazonalidade no Forex. Bem, os outliers (notícias) são negligenciados, mas a periodicidade, ou seja, a presença de uma onda no quociente, cujo período muda. Durante muito tempo, considerei esta periodicidade como a principal fonte de não-estacionariedade. Não tenho uma abordagem para isso.
Eu o resolvo de forma muito simples. Eu levo um modelo com um pequeno número de desfasamentos. Avaliação do coeficiente de regressão. Eu faço uma previsão de 1 passo na esperança(?) de que os coeficientes de regressão não mudarão em pelo menos um passo. E além dos coeficientes, há um conjunto de propriedades de regressão (ver tabela acima). Com a chegada do bar, vamos novamente estimar a regressão - aqui a adaptação de palavras muito na moda é apropriada.
yosuf: Isso mesmo, esse resíduo depende da visão a posteriori em questão; é aqui que o cão é enterrado. A retrospectiva ideal é difícil de encontrar.
O que é "largura de janela ideal"? A largura da janela é usada para estimar o coeficiente de regressão. Fiz cálculos: mudei a largura da janela e comparei os coeficientes. Eles mudam muito até 30, menos depois de 40 e praticamente não mudam depois de 70 para H1. A propósito, há uma opinião, que com mais de 30 observações as estatísticas t convergem para estatísticas z em termos de probabilidade.
Uma pergunta extremamente desagradável. O modelo original: quociente = tendência + ruído + sazonalidade + periodicidade + outliers.
Discutimos os dois primeiros termos do modelo. Bem, negligenciados outliers (notícias), mas a periodicidade, ou seja, a presença de uma onda em um quociente, cujo período muda. Durante muito tempo, considerei esta periodicidade como a principal fonte de não-estacionariedade. Não tenho uma abordagem para isso.
Eu o resolvo de forma muito simples. Eu levo um modelo com um pequeno número de desfasamentos. Avaliação do coeficiente de regressão. Eu faço uma previsão de 1 passo na esperança(?) de que os coeficientes de regressão não mudarão em pelo menos um passo. E além dos coeficientes, há um conjunto de propriedades de regressão (ver tabela acima). Quando a barra chega, a estimativa de regressão novamente - aqui a adaptação de palavras muito na moda é apropriada.
Vamos quebrar este modelo:
1) Tendência - de que tendência estamos falando, porque são muitas;
2) Ruído - depende dos parâmetros da tendência em questão e muitas vezes o próprio ruído tem uma tendência;
3. Periodicidade - seno é inevitável, mas deve-se ter em mente que duas funções Gama consecutivas também produzem seno quase ideal de período completo, o que significa que ainda não está claro;
4. As emissões são imprevisíveis, mas aparentemente um corredor pode ser delineado.
1. Tendência - de que tendência estamos falando, pois há muitas delas;
2) Ruído - depende dos parâmetros da tendência em questão e muitas vezes o próprio ruído tem uma tendência;
3. Periodicidade - um seno é inevitável, mas deve-se ter em mente que duas funções Gama consecutivas também produzem um seno quase ideal de período completo, o que significa que ainda não está claro;
4. Os outliers são imprevisíveis, mas aparentemente um corredor pode ser delineado.
por que tudo isso... se você não pode nem mesmo prever a "tendência" )))
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
pois o residual estacionário pode ser substituído por uma constante igual a qualquer um dos valores: média, oblíquo, variação, dispersão - tudo e qualquer coisa é possível no caso de estacionaridade.
Eles são constantes?
Eles são constantes?
Por alguma razão, ultimamente me parece que a estacionaridade não se encontra ali, ou seja, não diretamente nos resíduos da regressão sobre a série de citações, mas em outra coisa.
Mas deve ser encontrado em qualquer caso. Caso contrário, a aplicação de estatísticas está condenada.
Estou falando da metodologia (não inventada por mim) de construção de modelos: o quociente inicial não estacionário deve ser decomposto em componentes até que se obtenha um resíduo estacionário. Este requisito para mim é bem compreendido em um nível intuitivo (o que é muito importante), pois o residual estacionário pode ser substituído por uma constante igual a qualquer um dos valores: média, inclinação, dispersão, dispersão - tudo e qualquer coisa é possível no caso de estacionaridade.
Por alguma razão, ultimamente me parece que a estacionaridade não se encontra ali, ou seja, não diretamente nos resíduos da regressão sobre a série de citações, mas em outra coisa.
Mas deve ser encontrado em qualquer caso. Caso contrário, a aplicação de estatísticas está condenada.
Toda a questão é com que período ou retrospectiva tomar este esta estacionário, em sua opinião, residual. Se você mudar a retrospectiva, as características do resíduo estacionário também mudarão, como você está tentando resolver esta questão? Otimizando-o?
Uma pergunta extremamente desagradável. O modelo original: quotier = tendência + ruído + sazonalidade + periodicidade + outliers.
Estamos discutindo os dois primeiros membros do modelo. não há sazonalidade no Forex. Bem, os outliers (notícias) são negligenciados, mas a periodicidade, ou seja, a presença de uma onda no quociente, cujo período muda. Durante muito tempo, considerei esta periodicidade como a principal fonte de não-estacionariedade. Não tenho uma abordagem para isso.
Eu o resolvo de forma muito simples. Eu levo um modelo com um pequeno número de desfasamentos. Avaliação do coeficiente de regressão. Eu faço uma previsão de 1 passo na esperança(?) de que os coeficientes de regressão não mudarão em pelo menos um passo. E além dos coeficientes, há um conjunto de propriedades de regressão (ver tabela acima). Com a chegada do bar, vamos novamente estimar a regressão - aqui a adaptação de palavras muito na moda é apropriada.
Isso mesmo, esse resíduo depende da visão a posteriori em questão; é aqui que o cão é enterrado. A retrospectiva ideal é difícil de encontrar.
Uma pergunta extremamente desagradável. O modelo original: quociente = tendência + ruído + sazonalidade + periodicidade + outliers.
Discutimos os dois primeiros termos do modelo. Bem, negligenciados outliers (notícias), mas a periodicidade, ou seja, a presença de uma onda em um quociente, cujo período muda. Durante muito tempo, considerei esta periodicidade como a principal fonte de não-estacionariedade. Não tenho uma abordagem para isso.
Eu o resolvo de forma muito simples. Eu levo um modelo com um pequeno número de desfasamentos. Avaliação do coeficiente de regressão. Eu faço uma previsão de 1 passo na esperança(?) de que os coeficientes de regressão não mudarão em pelo menos um passo. E além dos coeficientes, há um conjunto de propriedades de regressão (ver tabela acima). Quando a barra chega, a estimativa de regressão novamente - aqui a adaptação de palavras muito na moda é apropriada.
Vamos quebrar este modelo:
1) Tendência - de que tendência estamos falando, porque são muitas;
2) Ruído - depende dos parâmetros da tendência em questão e muitas vezes o próprio ruído tem uma tendência;
3. Periodicidade - seno é inevitável, mas deve-se ter em mente que duas funções Gama consecutivas também produzem seno quase ideal de período completo, o que significa que ainda não está claro;
4. As emissões são imprevisíveis, mas aparentemente um corredor pode ser delineado.
Vamos quebrar este modelo:
1. Tendência - de que tendência estamos falando, pois há muitas delas;
2) Ruído - depende dos parâmetros da tendência em questão e muitas vezes o próprio ruído tem uma tendência;
3. Periodicidade - um seno é inevitável, mas deve-se ter em mente que duas funções Gama consecutivas também produzem um seno quase ideal de período completo, o que significa que ainda não está claro;
4. Os outliers são imprevisíveis, mas aparentemente um corredor pode ser delineado.
por que tudo isso... se você não pode nem mesmo prever a "tendência" )))