Bayesian regresyon - Bu algoritmayı kullanarak Uzman Danışman yapan var mı? - sayfa 35
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Ne, yine yetmedi mi????
Daha fazlası için:
Bağımlı: AUDNZD Çoklu R = .83469441 F = 3845.556
R?= .69671476 sd = 1.1674
hayır. vaka sayısı: 1676 düzeltilmiş R?= .69653358 p = 0.000000
Standart tahmin hatası: .053321255
Engelleme: 6.047516031 Std.Error: .0782142 t( 1674) = 77.320 p = 0.0000
Kafadaki kontrol listesi:
Bağımlı: NZDCAD Çoklu R = .87619213 F = 5532.591
R?=.76771265df =1.1674
hayır. vaka sayısı: 1676 düzeltilmiş R?= .76757389 p = 0.000000
Standart tahmin hatası: .032035522
Engelleme: -2.664033151 Std.Error: .0469913 t( 1674) = -56.69 p = 0.0000
Zaten R^2 "çok düşük" mü?
İlişki mevcut mu?
İlişki tanımlanmadı. R zayıf. Öyle oldu ki, stratejilerimin hakkaniyetinin kalitesini değerlendirmede R2'yi çok aktif bir şekilde kullanıyorum ve inanın bana, R2'si burada sunulanla yaklaşık olarak aynı olan yüzlerce tablo gördüm. Bu eksiksiz teneke, SB'den ayırt edilemez.
İlişki tanımlanmadı. R zayıf. Öyle oldu ki, stratejilerimin hakkaniyetinin kalitesini değerlendirmede R2'yi çok aktif bir şekilde kullanıyorum ve inanın bana, R2'si burada sunulanla yaklaşık olarak aynı olan yüzlerce tablo gördüm. Bu eksiksiz teneke, SB'den ayırt edilemez.
R-projesinde şu şeyi yaptığımı hatırlıyorum: Her biri bin ölçüm içeren bin rastgele piyasa yörüngesi oluşturdum. Sonra her birine doğrusal bir regresyon attım ve R ^ 2 elde ettim. Sonuç olarak, elde edilen R^2 değerlerinin vektörü, sıfırdan 0.99'a kadar eşit olarak dağıtılmış bir değer olduğu ortaya çıktı ... Ortalama olarak yaklaşık 0,5. Herkesi aldığım sonucu tekrar etmeye ve inandığımız şeyin özünü düşünmeye davet ediyorum.
ps ne R'nin ne de bu kodların el altında olmaması üzücü, bu yüzden bir resim bin kelimeye bedel olurdu ...
R-projesinde şu şeyi yaptığımı hatırlıyorum: Her biri bin ölçüm içeren bin rastgele piyasa yörüngesi oluşturdum. Sonra her birine doğrusal bir regresyon attım ve R ^ 2 elde ettim. Sonuç olarak, elde edilen R^2 değerlerinin vektörü, sıfırdan 0.99'a kadar eşit olarak dağıtılmış bir değer olduğu ortaya çıktı ... Ortalama olarak yaklaşık 0,5. Herkesi aldığım sonucu tekrar etmeye ve inandığımız şeyin özünü düşünmeye davet ediyorum.
VE?
Yazılanların anlamı nedir? Bu regresyon analizi, üretilen n'inci sayıdaki PRNG serilerinden birinin büyük bir R^2 gösterebileceği gerekçesiyle kullanılmamalıdır.
Bu yüzden tüm matematiksel istatistik ve tahmin yöntemlerini atmak gerekiyor.
Uygulanabilirlik ilkelerinin tamamen yanlış anlaşılmasının arka planına karşı, tartışmaya katılanların matematiksel yöntemlerdeki yüksek ustalık düzeyine hayran kaldım. Herhangi bir regresyon, ilgili verileri analiz eder. İlişki yoksa regresyon uygulanamaz. İncelenen büyüklüklerin dağılımı normalden farklıysa, parametrik istatistik yöntemleri de uygulanamaz. Piyasanın normallik özelliği yoktur. Ayrıca piyasa bir süreç olarak zamana bağlı değildir. Hem bu hem de diğeri, kökünde ne olursa olsun, regresyon analizi fikrini aşıyor.
Sorun şu ki, siz de dahil olmak üzere birçok katılımcı, regresyonun özünü anlamamakta ve nereden hatırlanmayan tanımlar kullanmaktadır. Regresyon analizinin doğru bir tanımında, hataların dağılımında herhangi bir kısıtlama yoktur. Ana şey, toplam regresyon hatasının bireysel hata fonksiyonlarının toplamı olarak gösterilmesine izin vermek için hataların istatistiksel olarak birbirinden bağımsız olması gerektiğidir. Diğer her şey özel bir gerileme durumudur. Örneğin, hata normalliği gereksinimi yalnızca ortalama kare regresyon için geçerlidir, yani. toplam regresyon hatası, bireysel hataların karelerinin toplamı olarak sunulduğunda. Bu, bir lineer denklem sisteminin çözümüne yol açtığı için gerilemenin en basit yoludur. Hataların normalliği hakkında bir varsayımda bulunmak istemiyorsanız, başka bir dağıtım kullanın. Kareler toplamı yerine toplam hata, diğer bazı bireysel hata fonksiyonlarının toplamı olacaktır.
Bunu şu şekilde açıklamaya çalışacağım. Diyelim ki y ölçümlerimiz ve x girdi verilerimiz var. x'ten bir y grafiği oluşturalım. y(x) noktaları bir tür bulut oluşturur. Bu bulut, her yöne eşit bir nokta yoğunluğuna sahip yuvarlaksa, hataların dağılımı ile nasıl bükülür ve bükülürse bükülsün, y ve x bağımsız olduğundan, y(x) modeli mevcut değildir. Bu bulut bir yönde gerilirse, bir model oluşturabiliriz. Bu durumda, birkaç model seçeneğimiz var:
1. Doğrusal y_mod(x) = a + b*x veya doğrusal olmayan y_mod(x) = F(x) = örnek = a0 + a1*x + a2*x^2 +... modelleri oluşturuyoruz.
2. e[i] = y[i] - y_mod[i] ölçüm hatalarının bağımsız olduğunu varsayarak, bunların normalliklerinin err_sum = SUM e[i]^2 veya anormallik err_sum = SUM G(e[i]) olduğunu varsayıyoruz, burada G () herhangi bir "kare olmayan" fonksiyondur, örneğin G(e) = |e| veya genel olarak G(e) = |e|^p. Örneğin y[i]'nin negatif değerlerine daha fazla ağırlık verildiğinde böyle bir hata fonksiyonunu saptırıp yapabilirsiniz. Hangi G(e)'yi seçeceğimiz, x'in bir fonksiyonu olarak y'nin tahmin edilebilirliğini etkilemez. Yalnızca y(x) bulutu boyunca nasıl düz bir çizgi çizdiğimizi etkiler. Örneğin, G(e) = e^10 ise, bu doğru y'nin daha büyük değerlerine daha yakın olacaktır.
Doğrusal y_mod(x) = a + b*x veya polinom y_mod(x) = a0 + a1*x + a2*x^2 +... modelinin seçimi, uzun bulutumuzun şekline bağlıdır. Her iki durumda da, hızlı bir şekilde çözülebilecek bir lineer denklem sistemine yol açacak olan ortalama kare regresyonunu kullanabilirsiniz.
Şimdi zamandan bahsedelim. Eğer y(t) ve x(t) zamana bağlıysa. Hemen hemen tüm regresyon durumlarında olan şudur ki, ölçümler zaman içinde farklı noktalarda yapıldığından, bu konunun özünü değiştirmez. Daha önce olduğu gibi, y(t) = F(x(t)) regresyonundan bahsedebiliriz. y(t) = F(x(t)) işlevi zamana bağlıysa, yani. y(t) = F(x(t),t), o zaman tüm zaman aralığı boyunca statik regresyon y=F(x) uygulanamaz. Dinamik modeli y=F(x,t) kullanmanız gerekir.
Matematikçilerden birinin araştırmasına göre (soyadını hatırlamıyorum, FINAM'da çalışıyor), uzun kuyruklarla dağılım normale yakın (ama nedeni bu anlaşılabilir). Yani doğrusal regresyon , IMHO, oldukça kayalar.
Şüphecilerle konuşuyorum.
Bayanlar ve baylar, bayanlar ve baylar, yoldaşlar! Alkol dolaşım sisteminizde çok fazla kan var (C)
Bayes formülü için kavramsal sorulara karar vermediyseniz, R üzerinde matematiksel olarak ne modellenebilir: sıfır çubuğunun sağındaki piyasa nedir. Ve pazar? Veya uygun algoritmaya sahip iyi bir oyun simülatörü olabilir mi? Hangi dağılım ve olasılık fonksiyonu alınmalı?
Evet, ışık normal dağılımda bir kama gibi yakınsamıyordu. Gauss doğduğunda Bayes zaten ölmüştü. Artışların normal dağılımını almayı önerdim çünkü siz şüpheciler bunu ikna edici bir şekilde gösterdiniz. Ve eğer şüpheciler, bir şeyin uygun olmadığını, uygulanabilir olmadığını söylüyorsanız, lütfen daha önce önerilenlere ek olarak neyin uygulanabilir olduğunu önerin. Olabilirlik fonksiyonunuz, dağıtım yasası, örneğin, buket altında 8 Mart tarihli bir gönderide sayfa 31'de açıkladığım gibi, Bayes formülüne ikame edilebilir. Ve ne olduğunu görün.