Bayesian regresyon - Bu algoritmayı kullanarak Uzman Danışman yapan var mı? - sayfa 42
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
R dilinde dağılımın kısa bir analizi:
Saatlik çubukların açılış fiyatlarındaki mevcut artışlar için normal dağılım parametrelerini tahmin ettik ve orijinal seri ve aynı dağılımlarla normal için frekans ve yoğunluğu karşılaştırmak için gösterdik. Gözle bile görebileceğiniz gibi, orijinal saatlik çubuk artışları dizisi normalden çok uzaktır.
Ve bu arada, Tanrı'nın tapınağında değiliz. İnanmak isteğe bağlıdır ve hatta zararlıdır.
İlk başta "inananlar"ın gözünde bir anlayış parıltısı görmek isterim. Ve sonra, evet, gerekirse dönüştürün. Kalın kuyrukları dönüştürmek mümkün mü, soru bu. Kaliteyi büyük ölçüde etkileyebilirler.
Kendimi tekrar etmeye korkuyorum ama kalın kuyrukları normale çevirmek söz konusu değil.
Sizce hangi kaliteyi etkileyecek?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
Bu aynısı! + veya - işaretlerine dönüştürülen artışlar. Ve bir saat ileride artırmak için böyle bir işaret alabilirsiniz.
Soru nedir?
Bir sınıflandırma modelim var: Al, Sat öğretiyorum. Yönün doğruluğunun eşleşmesi/uyumsuzluğuna göre modelin değerlendirilmesi
Artışın bir güven aralığı olduğundan, örneğin sıfırdan büyük bir artış mutlaka Satın almak zorunda değildir. Ve skor bir hata, MAE gibi
F(x) = a*exp(-b*|x|^p) işlevini dağıtımınıza uydurun. p=2 normal bir dağılım verecektir.
Fikir basitçe devrimcidir. İşte sitede raflarda. Normale yaklaşmak oldukça mümkün, ancak ....
Serilerin sapmalarının dağılımı önceden biliniyorsa ve statik ise Box Cox ile de mümkündür. Bence insanlar burada iki önemli şeyi karıştırıyorlar: regresyon hatalarının dağılımı ve girdi serisinin kendisinin dağılımı. Kök ortalama kare regresyon, girdinin nasıl dağıtıldığıyla ilgilenmez. Ana varsayım, model uyum hatalarının dağılımının normal olması gerektiğidir. Yine, normal ERRORS gerekliliğiyle ortalama kare regresyonundan hoşlanmıyorsanız, o zaman genel regresyonu "anormal" hatalar |hata|^p ile kullanın.
Bazı nedenlerden dolayı, girdi değişkenlerinin durağanlık şartının, prensipte regresyon analizinin uygulanabilirliği sorununu çözmek için temel olduğuna tamamen ikna oldum. ARMA'nın tüm fikri, giriş değişkenlerinin durağanlığı, durağan olmamaları, ARIMA modellerindeki farklılaşma nedeniyle durağan bir forma dönüşmesi takıntısı üzerine kuruludur. Bütün bunlarda, zaman serilerinin durağanlık özelliğini kanıtlamada ciddi zorluklar vardır.
Regresyon uydurma hatasıyla ilgili olarak - bu durağanlık operasındandır. Zaman serisinin farklılaşması, ortalamanın değişkenliğini pratik olarak ortadan kaldırmanıza izin veriyorsa, ARCH aracı varyansın değişkenliği ile mücadele ediyor demektir.
Bu kadar ayrıntılı, çünkü binlerce ve binlerce çok okuryazar insanın nasıl olup da zaman serilerinin durağan olmamasıyla başa çıkmak için bu kadar basit bir yol bulamamış olması tamamen anlaşılmaz ve bir kök-ortalama-kare regresyonu olduğu ortaya çıkıyor. 70'lerin ortalarından beri çalışılan tüm durağanlık problemlerini çözer.
Bazı nedenlerden dolayı, girdi değişkenlerinin durağanlık şartının, prensipte regresyon analizinin uygulanabilirliği sorununu çözmek için temel olduğuna tamamen ikna oldum.
Durağan olmayan veriler, zaman serisi modelleri tarafından tahmin edilmez. Ne istatistiksel modeller (regresyon, otoregresyon, yumuşatma, vb.), ne de yapısal modeller (NN, sınıflandırma, Markov zincirleri, vb.).
Yalnızca alan modelleri
F(x) = a*exp(-b*|x|^p) işlevini dağıtımınıza uydurun. p=2 normal bir dağılım verecektir. p'nin gerçek değerini bildiğinizde, regresyon hatalarının karelerinin toplamının minimizasyonunu toplam |hata|^p ile değiştirin. Çıktıyı daha önce bu başlıkta göstermiştim. |error|^p toplamını en aza indirmenin, hata^2 toplamını en aza indirmekten daha iyi tahmin doğruluğu sağlayacağını düşünüyorsanız, uygulamaya geçin.
Bazı nedenlerden dolayı, girdi değişkenlerinin durağanlık şartının, prensipte regresyon analizinin uygulanabilirliği sorununu çözmek için temel olduğuna tamamen ikna oldum. ARMA'nın tüm fikri, giriş değişkenlerinin durağanlığı, durağan olmamaları, ARIMA modellerindeki farklılaşma nedeniyle durağan bir forma dönüşmesi takıntısı üzerine kuruludur. Bütün bunlarda, zaman serilerinin durağanlık özelliğini kanıtlamada ciddi zorluklar vardır.
Regresyon uydurma hatasıyla ilgili olarak - bu durağanlık operasındandır. Zaman serisinin farklılaşması, ortalamanın değişkenliğini pratik olarak ortadan kaldırmanıza izin veriyorsa, ARCH aracı varyansın değişkenliği ile mücadele ediyor demektir.
Bu kadar ayrıntılı, çünkü binlerce ve binlerce çok okuryazar insanın nasıl olup da zaman serilerinin durağan olmamasıyla başa çıkmak için bu kadar basit bir yol bulamamış olması tamamen anlaşılmaz ve bir kök-ortalama-kare regresyonu olduğu ortaya çıkıyor. 70'lerin ortalarından beri çalışılan tüm durağanlık problemlerini çözer.
Lütfen nihayet açıklayın (biri veya daha iyisi bir kerede), durağanlığa ne diyorsunuz, bunu nasıl anlıyorsunuz?