"Bilinmeyen Olasılık Yoğunluk Fonksiyonunun Çekirdek Yoğunluk Tahmini" makalesi için tartışma - sayfa 2

Yeni yorum
 
tol64:

Dilekler burada kabul edilir: https://www.mql5.com/ru/forum/6505. Ne isterseniz yazın. :)


Teşekkür ederim. Okudum. Yazının yazarına gönderdiğim mesajın doğruluğuna bir kez daha ikna oldum.
 

victorg:

Ve bu durumda önemli olan, herhangi bir aralık bölümlemesine gerek olmamasıdır. Giriş dizisi değerlerinin kendileri kullanılır.


Harika, ama yine de çekirdeğin şekline olan katı bağlanma kafamı karıştırıyor ve bu, örneğin aynı spline'lara sahip olmayan bir sınırlamadır. Ve genel olarak, kişisel olarak spline'lar üzerinde regresyonum var - son üç yıldır bir hit)).

Her neyse, makale için teşekkürler, faydalı.

 
alsu:

Harika, ama yine de çekirdeğin şekline katı bağlanma kafamı karıştırıyor ve bu, örneğin aynı spline'lara sahip olmayan bir sınırlama. Ve genel olarak, kişisel olarak spline'lar üzerinde regresyonum var - son üç yıldır bir hit)).

Her neyse, makale için teşekkürler, faydalı.

Makaleyi takdir ettiğiniz için teşekkürler.

Spline'lardan bahsetmişken. İnsanlar her zaman aynı gerçek olguya birkaç farklı yaklaşım bulurlar. Tipik bir örnek ışık ve onun kuantum ve dalga modelidir. Modeller birbiriyle çelişmez, ancak sürecin temsili için kesinlikle farklı yaklaşımlar kullanır. Işığın kendisi nasıl tanımlandığını umursamaz, parladığı gibi parlar.

Spline'larda da durum benzerdir. İşte kübik yumuşatma spline'ının iyi bilinen bir fikri

Bu tahmini elimizdeki herhangi bir yöntemle minimize ettiğimizde bir yumuşatma eğrisi elde ederiz. (Çok daha fazla abartıyorum. Bana vurmayın.) Örneğin bu fikri gerçekleştirmek için farklı yaklaşımlar kullanılabilir:

  1. İndirgenmiş fonksiyonun minimize edilmesi, sıklıkla yapıldığı gibi, dizi noktalarının her bir grubu için üçüncü derece bir polinom üzerinde bir regresyon hesaplanarak yapılabilir.
  2. Uygun bir kernel seçerek, kernel yumuşatma (değişken kernel şekli) aynı sonuçları üretebilir.
  3. Kübik yumuşatma spline'ını tanımlayan ifadeleri durum-uzay formunda temsil ederek ve çözüm için iki geçişli bir Kalman yumuşatıcı kullanarak, yine aynı fikrin bir gerçekleştirimini elde ederiz(Hodrik-Prescott).

Bana öyle geliyor ki "yerel parametrik olmayan regresyon" kavramı yukarıdaki yaklaşımları mümkün olan en iyi şekilde özetlemektedir. Bu durumda kübik spline'ların sadece özel bir durum olduğu ortaya çıkmaktadır. Elbette bu, spline'ların faydalı özelliklerini hiçbir şekilde azaltmaz, sadece bir ve aynı olguya farklı yönlerden yaklaşılabilmesi ilginçtir.

Ne yazık ki, vakaların büyük çoğunluğunda MNC'ye dayalı algoritmalar kullanım için önerilmektedir. Örneğin aynı spline'ları quantile regresyon ile denemek isterdim. Ne yazık ki bunun için ne aklım ne de zamanım var.

 
victorg:

Makaleyi beğendiğiniz için teşekkürler.

Spline'lardan bahsetmişken. Aynı gerçek olguya insanlar her zaman birkaç farklı yaklaşım bulurlar. Tipik bir örnek ışık ve onun kuantum ve dalga modelleridir. Modeller birbiriyle çelişmez, ancak sürecin temsilinde kesinlikle farklı yaklaşımlar kullanır. Işığın kendisi nasıl tanımlandığını umursamaz, parladığı gibi parlar.

Spline'larda da durum benzerdir. İşte kübik yumuşatma spline'ının iyi bilinen bir fikri

Bu tahmini elimizdeki herhangi bir yöntemle minimize ettiğimizde bir yumuşatma eğrisi elde ederiz. (Çok daha fazla abartıyorum. Bana vurmayın.) Örneğin bu fikri gerçekleştirmek için farklı yaklaşımlar kullanılabilir:

  1. İndirgenmiş fonksiyonun minimize edilmesi, sıklıkla yapıldığı gibi, dizi noktalarının her bir grubu için üçüncü derece bir polinom üzerinde bir regresyon hesaplanarak yapılabilir.
  2. Uygun bir kernel seçerek, kernel yumuşatma (değişken kernel şekli) aynı sonuçları üretebilir.
  3. Kübik yumuşatma spline'ını tanımlayan ifadeleri durum-uzay formunda temsil ederek ve çözüm için iki geçişli bir Kalman yumuşatıcı kullanarak, yine aynı fikrin bir gerçekleştirimini elde ederiz(Hodrik-Prescott).

Bana öyle geliyor ki "yerel parametrik olmayan regresyon" kavramı yukarıdaki yaklaşımları mümkün olan en iyi şekilde özetlemektedir. Bu durumda kübik spline'ların sadece özel bir durum olduğu ortaya çıkmaktadır. Elbette bu, spline'ların faydalı özelliklerini hiçbir şekilde azaltmaz, sadece bir ve aynı olguya farklı yönlerden yaklaşılabilmesi ilginçtir.

Ne yazık ki, vakaların büyük çoğunluğunda MNC'ye dayalı algoritmalar kullanım için önerilmektedir. Örneğin aynı spline'ları quantile regresyon ile denemek isterdim. Ne yazık ki bunun için ne aklım ne de zamanım var.

Kübik spline'ların yumuşatma problemlerinin çözüm ünde özel bir yeri olduğunu hangi yayından öğrendiğimi hatırlamıyorum, ki bu (problemler) şu şekilde anlaşılıyor.

Bir bölüm alalım ve düzeltmeye başlayalım. Hemen hemen her sonuçla ilgili sorun, orijinal bölümde model parametrelerinde ve genellikle fonksiyonel formda değişikliklere yol açan kırılmalar (kesme noktaları) olmasıdır. Özellikle bu durum, farklı örneklemler üzerine oturtulmuş modellerin sonuçta ortaya çıkan birleşme noktalarında, yumuşatma fonksiyonunun sağ tarafta farklılaştırılamaz olduğu gerçeğinde kendini gösterir. Bu durum, yumuşatma fonksiyonunun farklılaşabilirlik sınırının ötesinde, bir adım ilerideki tahminin şüpheli olmasına yol açmaktadır. Bu, bir sonraki düşünce için bir giriş niteliğindedir. Eğer kübik spline'larla yumuşatırsanız, fonksiyon birleşme noktalarında hem sola hem de sağa doğru türevlenebilir olacaktır.

Fikrinizin uygulanmasıyla ilgili olarak.

Çok az bildiğim R'da, içindekiler tablosunda hem spline'lar hem de Kalman ve çeşitli tahmin yöntemleri var.

 
victorg:

Ne yazık ki, vakaların büyük çoğunluğunda MNC'ye dayalı algoritmalar kullanım için önerilmektedir. Örneğin aynı spline'ları quantile regresyon ile denemek isterdim. Ne yazık ki bunun için ne aklım ne de zamanım var.

Evet, sonuçlarda farklılıklar var (MNC ve kantil demek istiyorum). QR hesaplamalarda daha karmaşıktır, örneğin simpleks yöntemi üsteldir ve bu kabul edilemez. Uzun zamandır polinom algoritmalarının QR'nin içsel bir noktadan gerçekleştirilmesini aradığımı hatırlıyorum ve onları buldum, forumda eski konulardaki dört yerde yayınladım. Ancak regresyon spline açısından - çok yardımcı olacağını sanmıyorum. Yine de, bu yöntemler arasındaki temel fark, tek emisyonlara yanıt derecesidir ve burada ana numara, ikinci türevin integralindeki cezadır ve regresyon yöntemi burada sonucu önemli ölçüde etkilemeyecektir.

upd Bu arada, burada bahsedilen ALGLIB, bu formüldeki fikrin lambda ile harika bir uygulamasına sahiptir, eğer bu ve diğer birkaç algoritma MQL5'e taşınırsa, bu kütüphane değersiz olacaktır.

 

Internet Explorer kullanıldığında, makaleye ekli örneğin grafikleri görüntülemediği ortaya çıktı. Bu mesaja makalede verilen örneğin düzeltilmiş bir versiyonu eklenmiştir. Bu varyant IE-8.0, Opera 11.64, Chrome 19.0.1084.56 ve Firefox 13.0(Windows XP SP 3) ile test edilmiştir.

Dosyalar:
DensityEstimation_2.zip  84 kb
 
Teşekkürler, makale konu hakkında oldukça kapsamlı. Ancak kaos ya da spontane olasılık kavramı piyasaya %100 uygulanamaz. Bunun tek nedeni, bilinmeyenlerin ana kütlesinin piyasanın grafik mum çubuğu modelinde yatıyor olmasıdır. Fiyat değişikliklerine dahil olan gerçek hacimleri dikkate alarak tik piyasası değişikliklerini net bir şekilde izleyebilmek ve değerlendirebilmek daha önemlidir.
 

Peki bu makalenin ticaret açısından pratik bir kısmı nedir?

Krzysztof

 

Bu çok faydalı ve güzel bir makale, teşekkürler, ancak kodun ilk ve en basit örnekte bile düzgün çalıştığını sanmıyorum.

Acaba yazar veya birisi kodu tekrar kontrol edebilir mi veya birisi C veya MQL üzerinde herhangi bir 1D kernel yoğunluk tahmini kodu önerebilir mi?

12
Yeni yorum