O Modelo de Regressão Sultonov (SRM) - alegando ser um modelo matemático do mercado. - página 27
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
A caminhada aleatória tem aumentos de preço descritos por uma distribuição normal, não o preço em si.
Você agora caracterizou uma classe particular de SB. Há pelo menos três.
Onde você pode conseguir um?
Ela não existe. Dei este exemplo para mostrar que é possível comercializar conhecendo as estatísticas de comportamento de preços, esquecendo os complicados modelos de mercado nos quais (18), regressões trigonométricas e polinomiais e redes neurais se baseiam, por exemplo.
Você já caracterizou uma classe particular de SBs. Há pelo menos três deles.
Eu caracterizei a classe mais freqüentemente utilizada de SBs. Aqui está um da wikipedia inglesa (o russo está temporariamente fechado):
Uma caminhada aleatória com um tamanho de degrau que varia de acordo com uma distribuição normal é usada como modelo para dados de séries temporais do mundo real, tais como mercados financeiros. A fórmula de Black-Scholes para modelagem de preços de opções, por exemplo, usa uma caminhada aleatória gaussiana como uma suposição subjacente.
Na verdade, eu estava tentando explicar que só porque os incrementos de uma variável aleatória têm algum tipo de distribuição (normal, uniforme, etc.) não significa que a variável aleatória em si tenha a mesma distribuição. E não é nem mesmo a mesma distribuição :)
Caracterizava a classe mais comum de SBs utilizadas. Aqui é da wikipedia inglesa (a russa está temporariamente fechada):
Uma caminhada aleatória com um tamanho de degrau que varia de acordo com uma distribuição normal é usada como modelo para dados de séries temporais do mundo real, tais como mercados financeiros. A fórmula de Black-Scholes para modelagem de preços de opções, por exemplo, usa uma caminhada aleatória gaussiana como uma suposição subjacente.
Na verdade, eu estava tentando explicar que só porque os incrementos de uma variável aleatória têm algum tipo de distribuição (normal, uniforme, etc.) não significa que a variável aleatória em si tenha a mesma distribuição. E nem mesmo esse tipo de distribuição :)
Ela não existe. Dei este exemplo para mostrar que é possível negociar conhecendo as estatísticas de comportamento de preços, esquecendo os complicados modelos de mercado baseados em (18), regressões trigonométricas e polinomiais e redes neurais.
Caracterizou a classe de SB mais freqüentemente utilizada. Aqui é da wikipedia inglesa (o russo está temporariamente fechado):
Uma caminhada aleatória com um tamanho de degrau que varia de acordo com uma distribuição normal é usada como modelo para dados de séries temporais do mundo real, tais como mercados financeiros. A fórmula de Black-Scholes para modelagem de preços de opções, por exemplo, usa uma caminhada aleatória gaussiana como uma suposição subjacente.
Na verdade, eu estava tentando explicar que só porque os incrementos de uma variável aleatória têm algum tipo de distribuição (normal, uniforme, etc.) não significa que a variável aleatória em si tenha a mesma distribuição. E nem mesmo a mesma distribuição :)
Uma moeda clássica (ou seja, um valor discreto de desvio uniformemente distribuído) lhe dará, por um número infinito de realizações, uma distribuição normal discretizada perfeita já no passo 120. Lembre-se do quadro de Galton... )
E com incrementos contínuos normalmente distribuídos, o processo pode ser chamado de Wienerian. E a ponte Brownian está logo ao virar da esquina.
;)
Para o registro, observo que (18) opera sobre o preço incremental por unidade do período de cálculo e chega ao preço em si adicionando um componente condicionalmente constante, que ele recalcula a cada vez.
Você descreve brevemente quais são as diferenças da regressão linear...
Você descreve brevemente quais são as diferenças da regressão linear...
A este respeito 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, talvez mudar o nome do ramo?:
É feita uma distinção entre um modelo matemático e um modelo de regressão. Um modelo matemático envolve o analista na construção de uma função que descreve algum padrão conhecido. Um modelo matemático é interpretável - explicável em termos do padrão em estudo. Ao construir um modelo matemático, primeiro é criada uma família paramétrica de funções e depois o modelo é identificado - seus parâmetros são encontrados usando dados medidos. A conhecida relação funcional entre a variável explicativa e a variável de resposta é a principal diferença entre a modelagem matemática e a análise de regressão.
A desvantagem da modelagem matemática é que os dados medidos são usados para verificação, mas não para construção de modelos, o que pode levar a um modelo inadequado. Também é difícil obter um modelo de um fenômeno complexo no qual um grande número de diferentes fatores estão inter-relacionados.
Um modelo de regressão combina uma ampla classe de funções universais que descrevem um padrão. O modelo é baseado principalmente em dados medidos e não no conhecimento das propriedades do padrão em estudo. Tal modelo é muitas vezes ininterpretável, mas mais preciso. Isto se deve ou ao grande número de modelos candidatos usados para construir um modelo ideal ou à alta complexidade do modelo. Encontrar os parâmetros de um modelo de regressão é chamado de treinamento modelo.
Desvantagens da análise de regressão: modelos com muito pouca complexidade podem ser imprecisos, e modelos com complexidade excessiva podem ser excessivamente treinados.
Exemplos de modelos de regressão: funções lineares, polinômios algébricos, série Chebyshev, redes neurais sem feedback, tais como o Rosenblatt persepctron de camada única, funções de base radial, etc.
Tanto o modelo de regressão quanto o modelo matemático normalmente especificam um mapeamento contínuo. A exigência de continuidade é devida à classe de problemas a serem resolvidos: na maioria das vezes é uma descrição dos fenômenos físicos, químicos e outros, onde a exigência de continuidade é apresentada naturalmente. Às vezes, monotonicidade, suavidade, mensurabilidade e algumas outras restrições são impostas ao mapeamento. Teoricamente, ninguém proíbe trabalhar com funções de qualquer tipo e permitir a existência em modelos não só de descontinuidades, mas também de definir um conjunto finito e desordenado de valores de uma variável livre, ou seja, transformar problemas de regressão em problemas de classificação.
Ao resolver problemas de análise de regressão, surgem as seguintes questões.
Como escolher o tipo e a estrutura do modelo, a que família ele deve pertencer?
Qual é a hipótese de geração de dados, qual é a distribuição de uma variável aleatória?
Qual é a função alvo para estimar a qualidade da aproximação?
Como encontrar os parâmetros do modelo, qual deve ser o algoritmo para a otimização dos parâmetros?
A regressão linear é aplicada quando se assume a existência de uma dependência linear de preço no tempo, o que claramente não é o caso em geral, embora em um intervalo de tempo limitado uma dependência linear possa às vezes aparecer, mas tentar aplicar esta suposição levará a desvios significativos no futuro. Portanto, somos forçados a aplicar a regressão não linear, à qual RMS pertence, e, como mostrado anteriormente, ela cobre sem ambigüidade também o caso da regressão linear.
Exatamente não-linear? Trata-se de uma regressão da função gama? Ou ainda é linear, mas não com uma linha reta, mas com uma função gama?
Em qualquer caso, Yusuf, você não descobriu nada. A matemática é dada à regressão, linear, não-linear, com uma linha quíntupla, com qualquer outra função.