Bayesian regression - Делал ли кто советник по этому алгоритму? - страница 13
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
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.
Если совместиться с прямой линией, то достаточно известной всем линейной регрессии методом наименьших квадратов (МНК). Так же метолом МНК можно совмещаться с любой кривулиной. В известном все коде вместо числе 1,2,3... используются значения кривулины.
Может быть даже кривулина неизвестной заранее формы (полином) - полиноминальная регрессия, в кодабазе есть код для этого.
---
Признаки. Это основа Баесовской регрессии. Определяются признаки, наличие которых относит образец к тому или иному классу с некоторой вероятностью. Имея несколько признаков и их вероятности по формуле Баеса вычисляется итоговая вероятность.
" 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)
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.
Почитав немного матчасть, становится ясно, что в байесовской регресии оценка коэффициентов линейной регрессии строится на априорном знании об их распределении и допущении о нормальности ошибок. Все остальное как в обычной линейной регрессии с оценкой коэффициентов методом МНК. Применять ли ее, не применять ли ее к рынку - up to you.
Почитав немного матчасть, становится ясно, что в байесовской регресии оценка коэффициентов линейной регрессии строится на априорном знании об их распределении и допущении о нормальности ошибок. Все остальное как в обычной линейной регрессии с оценкой коэффициентов методом МНК. Применять ли ее, не применять ли ее к рынку - up to you.
...
" 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)
...
Это же где такое вычитано?
англоязычные статьи Вики и пара лекций на тему. МНК заменяется байесовским выводом с максимизацией правдоподобия.
А Вы, по-моему, перепутали применение байесовской теоремы для апостериорной оценки вероятности наступления события с тем, что делается в байесовой регрессии. Хотя и то и другое основано на байесовом подходе к вероятности.
англоязычные статьи Вики и пара лекций на тему. МНК заменяется байесовским выводом с максимизацией правдоподобия.
А Вы, по-моему, перепутали применение байесовской теоремы для апостериорной оценки вероятности наступления события с тем, что делается в байесовой регрессии. Хотя и то и другое основано на байесовом подходе к вероятности.
А что и как тут можно перепутать?
Какого правдоподобия?
... данные на форексе имеют нормальное распределение, а стало быть являются областью применения баесовской регрессии ...
В какие-то периоды "данные на форексе" (будем считать, что это цены) возможно и имеют нормальное распределение, но на тренде это очевидно не так - возможно там смесь нормальных(?) и других распределений.
Можно предположить, что в ценовых рядах имеет место последовательная смена распределений(или их смесей), не обязательно нормальных.
Применение любой регрессии к ценовым рядам бессмысленно, т.к. ценовые ряды нестационарны. В переводе на русский это означает, что вычисленные на одной выборке коэффициенты регрессии не будут соответствовать аналогичным на другой выборке.
Да ничего эта 18 не охватывает. Прекрасно заменяется линейно регрессией и и фибоуровнем. Нормального разговора не получится, конструктивных разговоров вы не поддерживаете. Вы даже пока не продемонстрировали, что понимаете, что же за 18 у вас получилась и что она делает.
Оцените мощь (18) на простом примере, данные отсюда http://www.statdata.ru/russia, какая регрессия может повторить подобное? Можете подключить все 10 топовых методов регрессии http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
...какая регрессия может повторить подобное? Можете подключить все 10 топовых методов регрессии http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
...