"Kapsamlı Olmayan İstatistiksel Dağılımların Yapısal Analizine Öz-Koordinatlar Yönteminin Uygulanması" makalesi için tartışma

Yeni yorum
 

Yeni makale Kapsamlı Olmayan İstatistiksel Dağılımların Yapısal Analizine Öz-Koordinatlar Yönteminin Uygulanması yayınlandı:

Uygulamalı istatistiklerin majör sorunu, istatistiksel hipotezleri kabul etme sorunudur. Uzun zamandır çözülmesi imkansız olarak görülüyordu. Öz-koordinatlar yönteminin ortaya çıkmasıyla durum değişti. Bu, modern uygulamalı istatistik yöntemlerini kullanarak mümkün olandan daha fazlasını görmeye olanak tanıyan bir sinyalin yapısal incelemesi için iyi ve güçlü bir araçtır. Makale, bu yöntemin pratik kullanımına odaklanmakta ve MQL5'teki programları açıklamaktadır. Ayrıca Hilhorst ve Schehr tarafından tanıtılan dağılımı örnek olarak kullanarak fonksiyon tanımlama sorununu da ele almaktadır.

Model verisi olarak [0,25,15,25] aralığında R(x) işlevinin 100 değerini üreteceğiz.

Şek. 7. Hesaplamalar için kullanılan model fonksiyonu

Şek. 7. Hesaplamalar için kullanılan model fonksiyonu

Bu veriler, Y(x) fonksiyonunu ve onun X1(x), X2(x) ve X3(x) fonksiyonlarındaki açılımını çizmek için temel sağlar.

Şekil 8'de, Y(x) fonksiyonu ve onun X1(x), X2(x) ve X3(x) "öz-koordinatları" gösterilmiştir.

Şek. 8. Y(x) fonksiyonunun ve X1(x), X2(x) ve X3(x) öz koordinatlarının genel biçimi

öz koordinatlarının genel biçimi

Şek. 8. Y(x) fonksiyonunun ve X1(x), X2(x) ve X3(x) öz-koordinatlarının genel biçimi

Yazar: MetaQuotes

 

Heh. Evet, böyle tuhaf bir "her şeyin teorisi".

Hala değerini sadece temel bakış açısından görüyorum, uygulamalı problemlerde yaklaşımları ve özel durumları kullanmak bir şekilde daha uygun.

 
alsu:

Hala değerini sadece temel bakış açısından görüyorum, uygulamalı problemlerde yaklaşımları ve özel durumları kullanmak bir şekilde daha uygun.

Muhtemelen, belirli bir ambalajlama nedeniyle böyle oldu.

Öz-koordinatlar yöntemi, uygulamalı problemlerin "doğru" çözümü için icat edilmiştir.

Makale [20] bu noktayı daha ayrıntılı olarak ortaya koymaktadır:


Yani, "sadece temel ile" ifadesi "temel dahil" olarak okunsa daha iyi olur.

 
Peki bu eserin (makalenin) yazarı kim? :-)
 
denkir:

Peki bu eserin (makalenin) yazarı kim? :-)

Bu makalenin yazarı sorularınızı yanıtlamaya hazır :)

Öz-koordinatlar yöntemi R,R tarafından geliştirilmiştir. Nigmatullin tarafından geliştirilmiştir:

[20] R. R. Nigmatullin, "Öz-koordinatlar: Deneysel ölçümlerde analitik fonksiyonların tanımlanmasında yeni yöntem".

[21] R. R. Nigmatullin, "Kapsamlı olmayan istatistiksel dağılımların öz koordinatlar yöntemiyle tanınması".

R(x)'in ayrıştırılması [20]'de, P1(x) ve P2(x)'in ayrıştırılması ise [21]'de yayınlanmıştır.

Yöntemin matematiksel gerekçeleri bu makalelerde bulunabilir.

 

Temel+uygulamalı problemle ilgili olarak - q-Gaussian P2(x) ve Hilhorst ve Scher çözümü P(U)'nun gerçek piyasa verilerini tanımlamada ne kadar iyi olduğunu kontrol etmek ilginç olacaktır.

Bu aynı zamanda P2(x) 'e benzer şekilde P(U)' nun öz koordinatlarının oluşturulmasını gerektirecektir (argümanda erf-1(x) vardır, ancak türev ve integral analitik olarak elde edilebilir).

Bunun için bir diferansiyel denklemimiz olduğunda, bunu P2(x) denkleminin yapısıyla karşılaştırabiliriz.

Eğer P(U) sınırlayıcı çözüm ise, daha büyük zaman dilimlerinde daha iyi çalışmalıdır, bu kontrol edilebilir.

Ayrıca, erf-1(x) hesaplamasının doğruluğunun iyileştirilmesi de arzu edilir, makale bazı noktalarda |x-erf(erf-1(x))|~10^-5 gibi rasyonel bir yaklaşım kullanmıştır.

 
Quantum:

Temel+uygulamalı problemle ilgili olarak - q-Gaussian P2(x) ve Hilhorst ve Scher çözümü P(U)'nun gerçek piyasa verilerini tanımlamada ne kadar iyi olduğunu kontrol etmek ilginç olacaktır.

Bu aynı zamanda P2(x)'e benzer şekilde P(U)'nun öz koordinatlarının oluşturulmasını gerektirecektir (argümanda erf-1(x) vardır, ancak türev ve integral analitik olarak elde edilebilir).

Bunun için bir diferansiyel denklemimiz olduğunda, bunu P2(x) denkleminin yapısıyla karşılaştırabiliriz.

Eğer P(U) sınırlayıcı çözüm ise, daha büyük zaman dilimlerinde daha iyi çalışmalıdır, bu kontrol edilebilir.

Ayrıca erf-1(x) hesaplamasının doğruluğunun artırılması da arzu edilir, makalede rasyonel bir yaklaşım kullanılmıştır, bazı noktalarda |x-erf(erf-1(x))|~10^-5.

Rhumbas, rhumbas, parmağını göster :)
 
Urain:
Rumbalar, rumbalar, parmak işaretleri :)
Ben de böyle bir makale okumayı çok isterim :)
 

Bu makalenin ortaya çıkmasından memnunum ve ayrıca belirli bir mesajı olan daha fazla makale olmasından da memnunum.

.

Makalenin konusuna gelelim.

İstatistik uygulamasındaki mütevazı deneyimim, istatistiksel yöntemlerin uygulanmasında sistematik olmanın, bireysel yöntemlerin kullanımında derinlemesine olmaktan daha önemli olduğunu göstermektedir.

Makaleden anlaşıldığı kadarıyla

1. Bu makalenin hangi alıntı sorun(lar)ını çözdüğü.

2. Bu makalenin TS yapısının hangi sorun(lar)ını çözdüğü.

Böyle bir inceleme olmadan, bu makalenin pratik değeri hakkında karar vermek benim için zor.

 
Quantum:

Temel+uygulamalı problemle ilgili olarak - q-Gaussian P2(x) ve Hilhorst ve Scher çözümü P(U)'nun gerçek piyasa verilerini tanımlamada ne kadar iyi olduğunu kontrol etmek ilginç olacaktır.

Bu aynı zamanda P2(x)'e benzer şekilde P(U)'nun öz koordinatlarının oluşturulmasını gerektirecektir (argümanda erf-1(x) vardır, ancak türev ve integral analitik olarak elde edilebilir).

Bunun için bir diferansiyel denklemimiz olduğunda, bunu P2(x) denkleminin yapısıyla karşılaştırabiliriz.

Eğer P(U) sınırlayıcı çözüm ise, daha büyük zaman dilimlerinde daha iyi çalışması gerekir, bu kontrol edilebilir.

Ayrıca erf-1(x) hesaplamasının doğruluğunun iyileştirilmesi de arzu edilir, makalede rasyonel bir yaklaşım kullanılmış, bazı noktalarda |x-erf(erf-1(x))|~10^-5.

Merak ettiğim şey şu. Q-Gaussian, normal dağılımın normal entropiye yaklaştığı gibi q-entropiye yaklaşıyor, yani belirli bir ortalama ve RMS ile (-inf;+inf)'deki tüm dağılımlar arasında. Ancak değerin modülü için entropi minimizasyonunu ele alırsak ne olur (ve piyasaya giren bilginin tam olarak sapmanın modülüyle orantılı olduğu göz önüne alındığında, piyasalar için bu oldukça mantıklı bir adımdır)? Bu varyant için klasik durumda (aralık zaten [0;+inf) ve verilen MO), gerçek verilere oldukça iyi karşılık gelen (en azından düşük TF'lerde - yani çok iyi) bir gösterge dağılımı a*exp(-ax) elde ederiz. Bu durum için q-optimal dağılımın ne olacağı konusunda bir tahmininiz var mı? Belki q-gaussian'dan daha iyi olabilir?
 
Automated-Trading:

Bu durum muhtemelen özel sargı nedeniyle böyledir.

Öz-koordinatlar yöntemi, uygulamalı problemlerin "doğru" çözümü için icat edilmiştir.

Makale [20] bu noktayı daha ayrıntılı olarak ortaya koymaktadır:

Yani "sadece temel ile" ifadesini "temel dahil" şeklinde okumak daha doğru olacaktır.

Tüm bunlarla anlatmak istediğim şudur. Elimizde bir model olduğunu ve buna dayanarak teorik bir fonksiyon elde ettiğimizi varsayalım. Ve bilgisizliğimiz nedeniyle çok önemsiz ama sistematik bazı faktörleri hesaba katamamış olalım. Bu durumda, olağanüstü hassasiyeti nedeniyle öz-koordinatlar yöntemi, gerçek verilerin modele uymadığını söyleyerek bize bir tokat atacaktır. Ancak bu doğru değildir! - Model doğrudur, ancak tek bir faktörü hesaba katmaz ve pratik açıdan bakıldığında bu eksikliğin hiç de önemli olmadığı ortaya çıkabilir (aynı Hilhorst-Schell örneğinde olduğu gibi, farkı gözle bile fark etmek zordur). Bu nedenle, "sadece temelden" ifadesini "daha ziyade temelden" olarak okuyorum, çünkü maksimum doğrulukta karşılık gelme değeri uygulamalı bakış açısından (pratik bir problemi çözmek için) değil, temel bakış açısından (gerçekleşen tüm süreçlerin tam olarak anlaşılması) çok önemli olabilir.

Buna ek olarak, yöntem bize sadece modelin deneysel verilere uymadığına dair bir karar verir, ancak tutarsızlığın nedenleri hakkında bize hiçbir şey söylemez (örneğimde olduğu gibi - modelin küçük kusurlarla "genel olarak" doğru olup olmadığını veya tamamen revize edilmesi gerekip gerekmediğini belirleyemeyiz) ve bu bir dezavantajdır.

1234
Yeni yorum