Bayesian regression - Делал ли кто советник по этому алгоритму? - страница 4
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
О том и речь .
Исследователями был выбран период без выраженного тренда, потому достигнутые результаты вызывает интерес.
В кратце можно - что на скрине?
Сейчас идет разговор о том. как работает алгоритм.
Насчет применимости, найдется какая-нибудь задача, для которой пригодится. Цены кластеризовать не пойдет.
О том и речь .
Исследователями был выбран период без выраженного тренда, потому достигнутые результаты вызывает интерес.
Байесовская регрессия это та же Probabilistic Neural Network (PNN) или General Regression Neural Network (GRNN). Если нормальное распределение ошибки не нравится, то вместо экспоненциального кёрнела можете использовать любую другую функцию расстояния, например exp(-|distance|), exp(-distance^n), и прочее. Результат особенно не изменится. Быстро убывающая функция расстояния будет давать более выасокие веса более близким событиям в прошлом. Баловался я этой сетью и её разновидностями. Как регрессия она особенно не подходит. А как классификатор лучше, но всё равно результат её использования на рынке не лучше любого другого инструмента или подбрасывания монетки. Поищите в форуме на 4-ке. Народ её там бурно обсуждал в своё время.
Особенно университетским статьям по торговле на рынке не верьте. Большинство этих статей написано студентами в целях удовлетворения требований к PhD (3-4 статей + тезис). Это также относится к наукам: миллионы студентских статей, а толка ноль. Верьте людям работающим в этих отраслях. Любой трейдер со стажем знает больше чем профессор из MIT.
Отсюда: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
В связи с предположением о нормальности ошибок я ставлю под сомнение применимость данного метода для фин.рынков.
К тому же, в любой модели, где зависимость оценивается только как гиперплоскость, есть шанс упустить нелинейный эдж, который и может сделать модель прибыльной.
Предположение о каких ошибках, по вашему мнению, может быть подходящим для финансовых рынков?
"В связи с предположением о нормальности ошибок я ставлю под сомнение применимость данного метода для фин.рынков."
На финансовых рынках продают и покупают. Бывают ошибки, и это нормально.
// Двойная обработка коммента к цитате
)
Таким образом, первоначальный пост интерпретирован иначе.
Любая математическая обработка или любое другое истолкование котировки - это то же самое и этого делать нельзя!
"В связи с предположением о нормальности ошибок я ставлю под сомнение применимость данного метода для фин.рынков."
На финансовых рынках продают и покупают. Бывают ошибки, и это нормально.
// Двойная обработка коммента к цитате
)
Таким образом, первоначальный пост интерпретирован иначе.
Любая математическая обработка или любое другое истолкование котировки - это то же самое и этого делать нельзя!
Да! В от в таком подомном стиле здесь все и интерпретируется.
Но мне всё равно интересно - кто первый нарисует результат
Никто не нарисует.
Надо пользоваться методом, в котором плотность распределения ошибок не важна. Непараметрические методы.
Я вообще в своих экспериментах не делаю регрессию и значений цены (или ее преобразований), я предсказываю знак, но можно сказать, что это тоже часть ценовой информации.
Мои ошибки выглядят так:
0 1
0 0,58 0,42
1 0,43 0,57
Или примерно так исходно:
1 - верно, 0 - ошибка: 1, 1, 0, 0, 0, 1 , 1, 1, 0, 1
И полученное распределение вероятности должно максимально отличаться от 0,5 / 0,5.
Если получить взаимную незасисимость таких исходов, то мы придем к биномиальному распределению, а для него много-много всяких формул есть и статистические тесты.
Но если я буду строить какую-то регрессионную модель для цены, то допущение о форме PDF для ошибок меня не должно трогать.
UPD: https://en.wikipedia.org/wiki/Errors_and_residuals
https://en.wikipedia.org/wiki/Robust_statistics
Мы вообще не знаем распределения ошибок для форекса. Формально - и строго - ошибки это отличия моделируемых значений от модельных значений, полученных на ген.совокупности, т.е. чисто теоретические значения. Residuals получаются на отличии моделируемых значений от модельных на имеющейся выборке, но и они тоже вряд ли будут нормальными, так как фин.временные ряды (их returns, точнее) не нормальны (!) и толстодлиннохвосты и островершинны, а смоделировать такую толстодлиннохвостость очень сложно.
Даже заморочился и вывел для часовых приращений исходное распределение (бирюзовое =)) и нормальное с теми же параметрами mean & sd. Как видно, это далеко не нормальность. И тест на нормальность далеко не проходит.
А методы, которые полагаются на нормальность ошибок - это классические, из 20 века, методы, типа линейной регрессии, дисперсионного анализа. Но можно и без них.
Читайте вики )