Bayesian regression - Делал ли кто советник по этому алгоритму? - страница 12
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
...
Юсуф, извините, но вы уже наглухо задолбали с впихиванием везде и по любому поводу своей 18.
МНК Гауса это не откат, а классика лучше и проще которой не было и не будет никогда. Нет ничего глупее и тупее, чем разделение мат. методов на современные и устаревшие.
Юсуф, извините, но вы уже наглухо задолбали с впихиванием везде и по любому поводу своей 18.
МНК Гауса это не откат, а классика лучше и проще которой не было и не будет никогда. Нет ничего глупее и тупее, чем разделение мат. методов на современные и устаревшие.
Дмитрий, спасибо за замечание в некорректности, исправил, но, по существу, есть какие-либо веские возражения против (18), как Вы выражаетесь? Типа, вот эта регрессионная модель лучше (18)? МНК применимо при наличии линейной зависимости, а (18), кроме линейного случая, одинаково успешно охватывает и нелинейную область, сохраняя при этом, все преимущества МНК.
Далее, чтобы регрессия стала баессовской принимается допущение что eps распределена по нормальному закону.
Пожалуйста, те кто копенгаген, поправте меня если что не так и посоветуйте что делать дальше.
Выкинуть нормальное распределение, т.к. оно нигде в финансовых инструментах не наблюдается. А вместо него самостоятельно построить гистограмму реальной плотности распределения и аппроксимировать её.
Чтобы стало понятно в чём разница, достаточно взглянуть на нижеприведённый скриншот. Чёрной линией обозначено нормальное распределение, а красным гистограмма реальной плотности вероятностей волатильности.
Т.е. если тупо взять треугольное распределение, то будет гораздо меньшая погрешность. Хотя для большей точности проще взять две соприкасающиеся окружности, центры которых расположены на одной горизонтальной линии или соприкосающиеся эллипсы, поскольку боковые стороны треугольника явно вогнутые.
1. Выкинуть нормальное распределение, т.к. оно нигде в финансовых инструментах не наблюдается. А вместо него самостоятельно построить гистограмму реальной плотности распределения и аппроксимировать её.
2. Чтобы стало понятно в чём разница, достаточно взглянуть на нижеприведённый скриншот. Чёрной линией обозначено нормальное распределение, а красным гистограмма реальной плотности вероятностей волатильности.
3. Т.е. если тупо взять треугольное распределение, то будет гораздо меньшая погрешность. Хотя для большей точности проще взять две соприкасающиеся окружности, центры которых расположены на одной горизонтальной линии или соприкосающиеся эллипсы, поскольку боковые стороны треугольника явно вогнутые.
1. Куда аппроксимировать? Что аппроксимировать и к чему аппроксимировать?
2. Ичо?
3. Погрешность чего?
С чего такое предположение? Вовсе нет. Об этом и думать не надо, это как бы определение области применения баесовской регрессии.
Надо определиться с признаками, которые необходимы для расчета баесовской регрессии. Это первый вопрос того, как сделать квадратное круглым. Вот тут может появиться понимание, что баесовская регрессия никаким концом сюда не лезет. Но нам это пофик... что-то же надо делать. Допустим, что совпадение значений цены одного ряда и второго ряда (в нашем случае линии) будет соответствовать максимальной вероятности. А максимальная по одному признаку путь будет 1/n (n - количество баров). Хотя такой подход - это совсем как вилами по воде рисовать. Значит надо выдумать какую-то формулу, которая при аргументе 0 дает 1/n, а при увеличении аргумента стремится к 0. Затем записываем формулу баеса, вместо вероятностей подставляем придуманную ранее формулу. Дальше надо найти максимум полученной функции. Наверно взять производную, приравнять к нулю...
В результате получим почти тоже самое что и линейная регрессию, потому-что изначальной целью было совместить прямую линию и ценовой ряд.
Предположение что данные на форексе имеют нормальное распределение, а стало быть являются областью применения баесовской регрессии вот с чего.
Форекс это множество ДЦ, форекс-контор, кухонь- европейских, китайских, багамских,бермудских... Их тьма. Ни одна из них не доминирует и не вносит в ценоообразование определяющего вклада, так же и ни один игрок на рынке. Предположение основано на Центральной предельной теореме теории вероятности:
" Сумма достаточно большого количества слабо зависимых случайных величин, имеющих примерно одинаковые масштабы (ни одно из слагаемых не доминирует, не вносит в сумму определяющего вклада), имеет распределение, близкое к нормальному."(Википедия)
Как я это понимаю применительно к форексу. Если собрать в одном баре М5 все тики ВСЕХ ДЦ (миллионы тиков) то распределение тиков внутри бара будет близко к нормальному. И чем старше таймфрейм тем ближе. У каждого конкретного ДЦ свой поток котировок отличающийся от доминирующего глобального потока мерой испорченности этого ДЦ. Этот доминирующий поток на графике представляет собой какую то кривую линию ( уж точно не прямую!) от которой никакой ДЦ не может далеко отойти.
Предположение что данные на форексе имеют нормальное распределение, а стало быть являются областью применения баесовской регрессии вот с чего.
Форекс это множество ДЦ, форекс-контор, кухонь- европейских, китайских, багамских,бермудских... Их тьма. Ни одна из них не доминирует и не вносит в ценоообразование определяющего вклада, так же и ни один игрок на рынке. Предположение основано на Центральной предельной теореме теории вероятности:
" Сумма достаточно большого количества слабо зависимых случайных величин, имеющих примерно одинаковые масштабы (ни одно из слагаемых не доминирует, не вносит в сумму определяющего вклада), имеет распределение, близкое к нормальному."(Википедия)
Как я это понимаю применительно к форексу. Если собрать в одном баре М5 все тики ВСЕХ ДЦ (миллионы тиков) то распределение тиков внутри бара будет близко к нормальному. И чем старше таймфрейм тем ближе. У каждого конкретного ДЦ свой поток котировок отличающийся от доминирующего глобального потока мерой испорченности этого ДЦ. Этот доминирующий поток на графике представляет собой какую то кривую линию ( уж точно не прямую!) от которой никакой ДЦ не может далеко отойти.
Т.е. вы ничего не поняли из написанного мной?
Выкинуть нормальное распределение, т.к. оно нигде в финансовых инструментах не наблюдается. А вместо него самостоятельно построить гистограмму реальной плотности распределения и аппроксимировать её.
Чтобы стало понятно в чём разница, достаточно взглянуть на нижеприведённый скриншот. Чёрной линией обозначено нормальное распределение, а красным гистограмма реальной плотности вероятностей волатильности.
Т.е. если тупо взять треугольное распределение, то будет гораздо меньшая погрешность. Хотя для большей точности проще взять две соприкасающиеся окружности, центры которых расположены на одной горизонтальной линии или соприкосающиеся эллипсы, поскольку боковые стороны треугольника явно вогнутые.
Юрий,
Попробуйте распределение Лапласа - двустороннее экспоненциальное. На мой взгляд, фин.данные ближе всего лежат к нему.
Аналитическая оценка максимально правдоподобных параметров для Лапласа:
Parameter estimation[edit]
Given N independent and identically distributed samples x1, x2, ..., xN, the maximum likelihood estimator of μ is the sample median,[1] and the maximum likelihood estimator of b is
из: https://en.wikipedia.org/wiki/Laplace_distribution
Т.е. вы ничего не поняли из написанного мной?
Я ответил на первый ваш вопрос. Насчёт признаков действительно не понял. Найти количество баров при котором теория действует? И от этого плясать? Сразу отвергаю.
" Изначальной целью было совместить прямую линию и ценовой ряд . " - если баесовская регрессия представляет собой прямую, то действительно она не годится.