Sultonov'un regresyon modeli (RMS) - pazarın matematiksel bir modeliymiş gibi davranmak. - sayfa 27
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
Rastgele bir yürüyüşte, fiyat artışları , fiyatın kendisiyle değil, normal bir dağılımla tanımlanır.
Artık belirli bir SB sınıfını karakterize ettiniz. Ve en az üç tane var.
Ve nereden alabilirim?
ona sahip değilim. Bu örneği, örneğin (18), her türlü trigonometrik ve polinom regresyonunun ve sinir ağlarının dayandığı karmaşık piyasa modellerini unutarak, fiyat davranışı istatistiklerini bilerek ticaret yapabileceğinizi göstermek için verdim.
Artık belirli bir SB sınıfını karakterize ettiniz. Ve bunlardan en az üç tane var.
SB'nin en sık kullanılan sınıfını tanımladı. İşte İngilizce Wikipedia'dan (Rusça geçici olarak kapalı):
Normal dağılıma göre değişen adım büyüklüğüne sahip rastgele bir yürüyüş, finansal piyasalar gibi gerçek dünya zaman serisi verileri için bir model olarak kullanılır. Örneğin, opsiyon fiyatlarını modellemek için Black-Scholes formülü, temel varsayım olarak gauss rastgele yürüyüşünü kullanır.
Aslında bir rasgele değişkenin artımlarının bir çeşit dağılımı varsa (normal, üniform vb.), bu rasgele değişkenin kendisinin de aynı dağılıma sahip olduğu anlamına gelmediğini açıklamaya çalışıyordum. Ve o çilek tarlası bile değil :)
SB'nin en sık kullanılan sınıfını tanımladı. İşte İngilizce Wikipedia'dan (Rusça geçici olarak kapalı):
Normal dağılıma göre değişen adım büyüklüğüne sahip rastgele bir yürüyüş, finansal piyasalar gibi gerçek dünya zaman serisi verileri için bir model olarak kullanılır. Örneğin, opsiyon fiyatlarını modellemek için Black-Scholes formülü, temel varsayım olarak gauss rastgele yürüyüşünü kullanır.
Aslında, bir rasgele değişkenin artımlarının bir çeşit dağılımı varsa (normal, tekdüze vb.), bunun rasgele değişkenin kendisinin de aynı dağılıma sahip olduğu anlamına gelmediğini açıklamaya çalışıyordum. Ve o çilek tarlası bile değil :)
ona sahip değilim. Bu örneği, örneğin (18), her türlü trigonometrik ve polinom regresyonunun ve sinir ağlarının dayandığı karmaşık piyasa modellerini unutarak, fiyat davranışı istatistiklerini bilerek ticaret yapabileceğinizi göstermek için verdim.
SB'nin en sık kullanılan sınıfını tanımladı. İşte İngilizce Wikipedia'dan (Rusça geçici olarak kapalı):
Normal dağılıma göre değişen adım büyüklüğüne sahip rastgele bir yürüyüş, finansal piyasalar gibi gerçek dünya zaman serisi verileri için bir model olarak kullanılır. Örneğin, opsiyon fiyatlarını modellemek için Black-Scholes formülü, temel varsayım olarak gauss rastgele yürüyüşünü kullanır.
Aslında, bir rasgele değişkenin artımlarının bir çeşit dağılımı varsa (normal, tekdüze vb.), bunun rasgele değişkenin kendisinin de aynı dağılıma sahip olduğu anlamına gelmediğini açıklamaya çalışıyordum. Ve o çilek tarlası bile değil :)
klasik bir madeni para (yani, tekdüze dağıtılmış ayrık bir yürüyüş değeri) size sonsuz) sayıda uygulama için zaten 120. adımda ideal bir ayrık normal dağılım verecektir. Galton tahtasını hatırla ...)
Ve normal olarak dağıtılan sürekli artışlarla, süreç Wiener olarak adlandırılabilir. ve Brownovsky köprüsüne zaten bir taş atımı var.
;)
Bilgi için, (18)'in fatura döneminin birim fiyatında bir artışla çalıştığını ve her seferinde yeniden hesaplanan koşullu sabit bir bileşen ekleyerek fiyatın kendisine gittiğini not ediyorum.
Doğrusal regresyondan farkların neler olduğunu kısaca açıklarsınız ...
Doğrusal regresyondan nasıl farklı olduğunu kısaca açıklayın...
Bu bağlamda http://www.machinelearning.ru/wiki/index.php?title=%D0%A0%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81 % D0%B8%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C, olabilir şubenin adını değiştirmek?:
Matematiksel bir model ile bir regresyon modeli arasında bir ayrım yapılır. Matematiksel model, bilinen bir düzenliliği tanımlayan bir fonksiyonun inşasında analistin katılımını varsayar. Matematiksel model yorumlanabilir - incelenen düzenlilik çerçevesinde açıklanabilir. Matematiksel bir model oluştururken, önce parametrik bir fonksiyon ailesi oluşturulur, ardından ölçülen veriler kullanılarak model tanımlanır - parametreleri bulunur. Açıklayıcı değişkenin ve yanıt değişkeninin iyi bilinen işlevsel bağımlılığı, matematiksel modelleme ile regresyon analizi arasındaki temel farktır.
Matematiksel modellemenin dezavantajı, ölçülen verilerin doğrulama için kullanılması, ancak modelin oluşturulması için kullanılmaması ve bunun sonucunda yetersiz bir modelin elde edilebilmesidir. Çok sayıda farklı faktörün birbirine bağlı olduğu karmaşık bir fenomenin modelini elde etmek de zordur.
Regresyon modeli, bazı düzenlilikleri tanımlayan geniş bir evrensel işlevler sınıfını birleştirir. Aynı zamanda, ölçülen veriler esas olarak incelenen modelin özelliklerinin bilgisinden ziyade bir model oluşturmak için kullanılır. Böyle bir model genellikle yorumlanamaz, ancak daha doğrudur. Bu, ya optimal modeli oluşturmak için kullanılan çok sayıda aday modelden ya da modelin yüksek karmaşıklığından kaynaklanmaktadır. Bir regresyon modelinin parametrelerini bulmaya, modeli eğitmek denir.
Regresyon analizinin dezavantajları: Çok az karmaşıklığa sahip modeller hatalı olabilir ve çok fazla karmaşıklığa sahip modeller gereğinden fazla takılabilir.
Regresyon modeli örnekleri: doğrusal fonksiyonlar, cebirsel polinomlar, Chebyshev serileri, geri beslemesiz sinir ağları, örneğin Rosenblatt'ın tek katmanlı algılayıcısı, radyal temel fonksiyonlar ve daha fazlası.
Hem regresyon hem de matematiksel model tipik olarak sürekli bir haritalamayı tanımlar. Süreklilik gereksinimi, çözülmekte olan problemlerin sınıfı tarafından belirlenir: çoğunlukla, süreklilik gereksiniminin doğal bir şekilde belirlendiği fiziksel, kimyasal ve diğer olayların bir tanımıdır. Bazen haritalama monotonluk, pürüzsüzlük, ölçülebilirlik ve diğer bazı kısıtlamalara tabidir. Teorik olarak, hiç kimse keyfi türdeki işlevlerle çalışmayı ve modellerde yalnızca kesme noktalarının varlığına izin vermemeyi, aynı zamanda serbest bir değişkenin sonlu, sırasız bir değer kümesini belirlemeyi, yani regresyon problemlerini sınıflandırma problemlerine dönüştürmeyi yasaklamaz. .
Regresyon analizi problemlerini çözerken aşağıdaki sorular ortaya çıkar.
Modelin türü ve yapısı nasıl seçilir, hangi aileye ait olmalıdır?
Veri üretme hipotezi nedir, rastgele değişkenin dağılımı nedir?
Yaklaşımın kalitesini değerlendirmek için amaç fonksiyonu nedir?
Modelin parametreleri nasıl bulunur, parametreleri optimize etmek için algoritma ne olmalıdır?
Doğrusal regresyon, fiyatın zamana doğrusal bir bağımlılığının varlığını varsaydığınızda uygulanır, bu genel durumda açıkça gözlemlenmez, ancak doğrusal bir bağımlılık bazen sınırlı bir zaman aralığında görünebilir, ancak bu varsayımı uygulama girişiminde bulunulur. gelecekte önemli sapmalara yol açacaktır. Bu nedenle, RMS'yi içeren lineer olmayan regresyon uygulamak zorunda kalıyoruz ve daha önce gösterildiği gibi, lineer regresyon durumunu açık bir şekilde kapsıyor.
Gerçekten doğrusal değil mi? Sadece gama fonksiyonunda gerileme mi? Ya da belki hala doğrusal, ama düz bir çizgiyle değil, bir gama işleviyle mi?
Her halükarda Yusuf, hiçbir şey keşfetmedin. Matematik, doğrusal, doğrusal olmayan, düz bir çizgi ile, başka herhangi bir işlevle regresyonu bilir.