文章 "运用 R-平方 评估策略余额曲线的品质" - 页 3 123456789 新评论 Vasiliy Sokolov 2017.10.25 10:00 #21 fxsaber:本文通过 CLinReg::LRLine 考虑了线性回归 的误差。证明结果符号不正确。替代的线性回归实现（CAlglib::LRBuild + CAlglib::LRUnpack）计算正确： 我不知道，我检查过是否相等，系统 LR 平方正好等于 R^2。至于符号--这里似乎很难出错。 Vasiliy Sokolov 2017.10.25 10:01 #22 fxsaber:我错就错在这里。对我来说，这根本不是一个显而易见的说法所以我决定通过动画实验来证实这一点（我不能只听你的一面之词）。看起来这是真的。这真的很酷。这个动画 应该插入到文章中！如果你不介意的话，我来做。 Vasiliy Sokolov 2017.10.25 10:11 #23 一般来说，所有统计都是胡利瓦的领域。不过，这篇文章在两个方面很有意思：改进 R^2：改变 R^2，使随机游走指标生成均值为 0.0 的正态分布。研究非常非难的 arcosine 定理，研究随机趋势。随机趋势与市场趋势之间的相似性。 fxsaber 2017.10.25 10:40 #24 Vasiliy Sokolov: 我不知道，我检查过是否相等，系统 LR 平方正好等于 R^2。至于符号，似乎很难在这里出错。你必须多次运行这段代码，直到你能看出符号的不同。图表专门显示了一个用于自我检查的图形 - R2。R 是您的计算算法。您可以看到，R 有时与完全正确的 R2 不同。有必要调整一下你的回归计算方法，使符号一致，因为它比检查方法快一个数量级。也许您应该提供显示错误的源数组。这样就会一目了然了。Vasiliy Sokolov: 这很酷。应该在文章中插入这个动画！如果您不介意的话，我会做的。如果您不介意的话，我可以帮您完成。然后，动画代码 将很好地完成您的正常状态，因为我是在灌木丛中匆忙用手完成的。和 gifku，分别，使更多的视觉。 Andrey Khatimlianskii 2017.10.25 10:49 #25 fxsaber:计算 R^2 的净值不应按AccountEquity ( == AccountBalance + Sum(Profit[i])) 计算，而应按Sum(Profit[i] / Lots[i]) 计算（对于单字符 TS）。如果策略的 MM 基于 SL 大小，而 SL 本身是动态的，该怎么办？ 两笔相邻的交易可以有不同的手数，因此，在获得相同点数的利润时，也可以有不同的手数。 虽然每笔交易的风险相同。 fxsaber 2017.10.25 13:55 #26 Andrey Khatimlianskii: 两笔相邻的交易可以有不同的手数，并相应地在获取相同点数时获利。 虽然每笔交易的风险相同。我不明白这种情况下有什么变化。 Andrey Khatimlianskii 2017.10.25 14:50 #27 fxsaber:我不明白在这种情况下有什么区别。是啊，我真笨。除以地段的结果是一样的。 СанСаныч Фоменко 2017.10.25 17:02 #28 作者完全不了解偶然过程。文章的所有结论都与偶然性的概念无关，误导了人们。让我来解释一下这个观点。文章一开始就给出了一个定义：线性回归 是一个变量y 与另一个自变量x 的线性关系，用公式y = ax+b 表示。在这个公式中，a 是乘数，b是 偏差系数。线性回归不是 用公式表示的y = ax+b是线性方程式、 而是用公式表示y = ax+b + 误差误差必须是正态分布的，如果不是正态分布，就会产生许多细微差别，从而极大地限制了线性回归的应用。必须认识到，与线性方程不同，线性回归系数 不是常量，而是偶然值，这一点极为重要。如果使用标准线性回归拟合（如 R），那么对于线性回归系数，总是会指定与该系数值的偏差以及概率（在 "没有证据证明该系数 "的零假设中的概率）。再次强调：与线性方程不同，线性回归系数可能根本不存在。这就是为什么文章中讨论的 R2 系数只有在回归系数不存在的概率低于 10%时才有意义。在金融序列中，我从未见过线性回归系数显著的情况，因此，可以使用这种线性回归。 [删除] 2017.10.26 07:03 #29 fxsaber:本文通过 CLinReg::LRLine 考虑了线性回归 的误差。证明结果符号不正确。另一种线性回归实现（CAlglib::LRBuild + CAlglib::LRUnpack）计算正确：是的，有一个错误，您是对的，最佳结果是在有损集中确定的，尽管有相同 R2 的正集。您的版本一切正常： fxsaber 2017.10.29 11:35 #30 fxsaber:找到一个名为 "线性回归 "的线性函数的标准是方差 MNC，或者说是最大化皮尔逊 RQ 的绝对值，也就是MathAbs(LR)。 最大化MathAbs(LR) 与最大化R^2 相同，因为MathAbs(LR) = MathSqrt(R^2)。离群值的 MNC 是MathMin((Sum(X[i] - LR[i])^2)) 。而我们想要的则完全不同--MathMin((Sum(X[i] - LR[i])^2* (i / Length)^2))。也就是说，即使区间开始时的误差较大，对结果的影响也可能小于区间结束时的误差较小。经典 LR 并不考虑这一点，所有误差在这里都是 "相等 "的。请在 R 中推荐一个给误差赋予不同权重的函数。 123456789 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
本文通过 CLinReg::LRLine 考虑了线性回归 的误差。
证明
结果
符号不正确。替代的线性回归实现（CAlglib::LRBuild + CAlglib::LRUnpack）计算正确：
我错就错在这里。对我来说，这根本不是一个显而易见的说法
所以我决定通过动画实验来证实这一点（我不能只听你的一面之词）。
看起来这是真的。
这真的很酷。这个动画 应该插入到文章中！如果你不介意的话，我来做。
一般来说，所有统计都是胡利瓦的领域。
不过，这篇文章在两个方面很有意思：
我不知道，我检查过是否相等，系统 LR 平方正好等于 R^2。至于符号，似乎很难在这里出错。
你必须多次运行这段代码，直到你能看出符号的不同。图表专门显示了一个用于自我检查的图形 - R2。R 是您的计算算法。
您可以看到，R 有时与完全正确的 R2 不同。有必要调整一下你的回归计算方法，使符号一致，因为它比检查方法快一个数量级。
也许您应该提供显示错误的源数组。这样就会一目了然了。
这很酷。应该在文章中插入这个动画！如果您不介意的话，我会做的。
如果您不介意的话，我可以帮您完成。然后，动画代码 将很好地完成您的正常状态，因为我是在灌木丛中匆忙用手完成的。和 gifku，分别，使更多的视觉。
计算 R^2 的净值不应按AccountEquity ( == AccountBalance + Sum(Profit[i])) 计算，而应按Sum(Profit[i] / Lots[i]) 计算（对于单字符 TS）。
如果策略的 MM 基于 SL 大小，而 SL 本身是动态的，该怎么办？
两笔相邻的交易可以有不同的手数，因此，在获得相同点数的利润时，也可以有不同的手数。
虽然每笔交易的风险相同。
两笔相邻的交易可以有不同的手数，并相应地在获取相同点数时获利。
虽然每笔交易的风险相同。
我不明白这种情况下有什么变化。
我不明白在这种情况下有什么区别。
是啊，我真笨。除以地段的结果是一样的。
作者完全不了解偶然过程。文章的所有结论都与偶然性的概念无关，误导了人们。
让我来解释一下这个观点。
文章一开始就给出了一个定义：
线性回归 是一个变量y 与另一个自变量x 的线性关系，用公式y = ax+b 表示。在这个公式中，a 是乘数，b是 偏差系数。
线性回归不是 用公式表示的
y = ax+b是线性方程式、
而是用公式表示
y = ax+b + 误差
误差必须是正态分布的，如果不是正态分布，就会产生许多细微差别，从而极大地限制了线性回归的应用。
必须认识到，与线性方程不同，线性回归系数 不是常量，而是偶然值，这一点极为重要。如果使用标准线性回归拟合（如 R），那么对于线性回归系数，总是会指定与该系数值的偏差以及概率（在 "没有证据证明该系数 "的零假设中的概率）。再次强调：与线性方程不同，线性回归系数可能根本不存在。这就是为什么文章中讨论的 R2 系数只有在回归系数不存在的概率低于 10%时才有意义。在金融序列中，我从未见过线性回归系数显著的情况，因此，可以使用这种线性回归。
本文通过 CLinReg::LRLine 考虑了线性回归 的误差。
证明
结果
符号不正确。另一种线性回归实现（CAlglib::LRBuild + CAlglib::LRUnpack）计算正确：
是的，有一个错误，您是对的，最佳结果是在有损集中确定的，尽管有相同 R2 的正集。
您的版本一切正常：
找到一个名为 "线性回归 "的线性函数的标准是方差 MNC，或者说是最大化皮尔逊 RQ 的绝对值，也就是MathAbs(LR)。 最大化MathAbs(LR) 与最大化R^2 相同，因为MathAbs(LR) = MathSqrt(R^2)。
离群值的 MNC 是MathMin((Sum(X[i] - LR[i])^2)) 。
而我们想要的则完全不同--MathMin((Sum(X[i] - LR[i])^2* (i / Length)^2))。也就是说，即使区间开始时的误差较大，对结果的影响也可能小于区间结束时的误差较小。
经典 LR 并不考虑这一点，所有误差在这里都是 "相等 "的。
请在 R 中推荐一个给误差赋予不同权重的函数。