回归方程 - 页 8 12345678910111213141516 新评论 Alexey Subbotin 2010.09.23 15:39 #71 Andrei01: 用 "之 "字形来寻找一个函数的最小值有什么问题？ 而你要如何建立一个人字形，例如，在十维空间的人字形？))))))那么它将需要多少计算资源 呢？ Prival 2010.09.23 16:01 #72 alsu: 和你如何建立一个人字形，例如，在十维空间？))))))那么它将需要多少计算资源呢？ 不多，你不能闭环。需要一个完整的圆圈)) Andrei01 2010.09.23 21:38 #73 alsu: 和你如何建立一个人字形，例如，在十维空间？))))))那么它将需要多少计算资源呢？ 我认为在这个阶段，资源是次要的，但如果有利可图，那么我们可以考虑优化））。 Neutron 2010.09.24 07:57 #74 j21:我对回归方程感兴趣。然而，我遇到了一个充分描述它们的问题。我们有什么数据：时间（比如M15），高点，低点，开盘，收盘，成交量。对我们来说，它是一组观察。我们有一个指标，我们需要与对象参数（在我们的例子中，汇率的变化）建立功能关系--因素。要求：在指标和因素之间建立数量关系。在这种情况下，回归分析的任务被理解为确定最能描述我们所拥有的数据的函数关系y*=f(x 1, x 2, ..., x t)。描述指标对参数依赖性的函数f(x 1, x 2, ..., x t)被称为回归方程（函数）。 所以。问题1：在我们拥有的数据中，我们应该选择哪一个作为指标，哪一个作为因素？在逻辑上，指标是时间，因素是 H、L、O、C、V在我们的案例中，它是一个时间序列。 下一个任务是选择功能依赖性。描述指标的变化与因素的变化之间关系的方程式。通常这些都是多项式函数。一个特殊的情况是1度的多项式--线性回归方程。 问题2：选择什么是最好的多项式，以及如何在给定的时间序列中充分描述它，应用什么参数，多项式的程度是多少。有人使用过切比雪夫多项式吗？如果是这样，顺序是什么？ 我们的下一个任务是计算回归方程的系数。通常的方法是使用ANC。 问题3：对于我们的情况，计算系数的最佳方法是什么？ 问题4.你需要对数据进行标准化处理吗？ 这个话题无疑是一个重要而有趣的话题。 所以我们有一个 包含 N个 样本的时间序列。在这个阶段，究竟应该把什么理解为样本并不重要--刻度线、OHLC或其他东西。似乎重要的是关于最佳训练样本长度n 不等于 N，最佳可调参数数k<=n（多项式的程度）和预测范围T （以计数为单位）的问题的答案。 在这个阶段，近似函数的特定类型和它对原始序列的近似方法并不重要。获得上述参数对初始BP属性的依赖性很重要。例如，众所周知，如果BP是一个综合随机变量，那么最佳预测是一个等于最后一次读数（零条）值的常数。如果该系列包含规律性，就必须在回归参数方面寻找最佳。 在这种环境下，对这一点有什么常识性的考虑吗？ Prival 2010.09.24 09:29 #75 3.样本数n由一天中的时间和ACF决定。预测范围由实验决定，因为它取决于给定的精度和模型（模型也可以是多项式）。 hrenfx 2010.09.24 09:34 #76 Neutron: 这个话题无疑是一个重要而有趣的话题。 所以我们有一个包含 N个 计数的时间序列。在这个阶段，计数的确切含义并不重要--点数、OHLC或其他东西。似乎重要的是关于最佳训练样本长度n 不等于 N，最佳可调参数数k<=n（多项式程度）和预测范围T （以计数为单位）问题的答案。 在这个阶段，近似函数的特定类型和它对原始序列的近似方法并不重要。获得上述参数对初始BP属性的依赖性是很重要的。例如，众所周知，如果BP是一个综合随机变量，那么最佳预测是一个等于最后一次读数（零条）值的常数。如果该系列包含规律性，就必须通过回归参数来寻找一个最佳状态。 这种提法有什么常识性的考虑吗？ 在这个配方中没有狗屎。他妈的理论化。用一个BP将这种多项式回归踢到墙上。 我们需要利润最大化。去他妈的所有单变量回归。为什么只使用一小部分市场信息？当有大量的信息。 回归分析应该是多变量的，这是最起码的。分析不同的估计方法（IOC，绝对误差值的MO（拉普拉斯或拉格朗日--不记得了），符号，量化等）对效率的回归。 预测范围的估计也是一首有趣的歌。 写了一些关于这个问题的废话。当然，那里没有什么东西。只是最开始。在这之前是估计英国石油公司的利润预测范围和许多有趣的无赖... Neutron 2010.09.24 10:04 #77 hrenfx: 为什么只使用部分市场信息？当有很多信息的时候。在这个问题上写了一些狗屎。 你为何如此兴奋？ 你认为越是堆积不同，最好不要简单透明，会不会更好？ 经验告诉我们一个不同的故事。这是对的--更简单，而且要在所学的科目中正确地彻底理解!还有 "多变量回归"、"量化"...- 这就像扭转作用的自旋体分析。 hrenfx 2010.09.24 10:15 #78 妈的，我没有扔东西，你从哪里得到的。我有一个 简单的多变量LINEAR回归，一般来说。而使用线性回归的理由在于制作最佳投资组合和寻找相关关系的逻辑。这就是起点--从简单开始。 他妈的知道你说的倒退是什么意思，前几天我自己发现了它是什么。我是指回归分析。 Prival 2010.09.24 11:06 #79 hrenfx: ...我有一个简单的多变量LINEAR回归... 但你可以做一个多变量多项式 回归...我不知道，只有一个检查方法--如果预测准确度增加或预测时间增加而准确度不变，那么就是更好......但要检查它，你不仅要了解如何做，你还必须向机器解释 ... Alexey Subbotin 2010.09.24 12:33 #80 Prival: 但你可以做一个多变量多项式 回归...我不知道，只有一个检查方法--如果预测准确率提高了，或者预测时间在相同的准确率下增加了，那么是的，它更好......但要检查它，你不仅要了解如何做，你还必须向机器解释 ... 当然，这将是更好的，但计算机也将被加载。） 12345678910111213141516 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
用 "之 "字形来寻找一个函数的最小值有什么问题？
和你如何建立一个人字形，例如，在十维空间？))))))那么它将需要多少计算资源呢？
和你如何建立一个人字形，例如，在十维空间？))))))那么它将需要多少计算资源呢？
我对回归方程感兴趣。然而，我遇到了一个充分描述它们的问题。我们有什么数据：时间（比如M15），高点，低点，开盘，收盘，成交量。对我们来说，它是一组观察。我们有一个指标，我们需要与对象参数（在我们的例子中，汇率的变化）建立功能关系--因素。要求：在指标和因素之间建立数量关系。在这种情况下，回归分析的任务被理解为确定最能描述我们所拥有的数据的函数关系y*=f(x 1, x 2, ..., x t)。
描述指标对参数依赖性的函数f(x 1, x 2, ..., x t)被称为回归方程（函数）。
所以。问题1：在我们拥有的数据中，我们应该选择哪一个作为指标，哪一个作为因素？在逻辑上，指标是时间，因素是 H、L、O、C、V
在我们的案例中，它是一个时间序列。
下一个任务是选择功能依赖性。描述指标的变化与因素的变化之间关系的方程式。通常这些都是多项式函数。一个特殊的情况是1度的多项式--线性回归方程。
问题2：选择什么是最好的多项式，以及如何在给定的时间序列中充分描述它，应用什么参数，多项式的程度是多少。有人使用过切比雪夫多项式吗？如果是这样，顺序是什么？
我们的下一个任务是计算回归方程的系数。通常的方法是使用ANC。
问题3：对于我们的情况，计算系数的最佳方法是什么？
问题4.你需要对数据进行标准化处理吗？
这个话题无疑是一个重要而有趣的话题。
所以我们有一个 包含 N个 样本的时间序列。在这个阶段，究竟应该把什么理解为样本并不重要--刻度线、OHLC或其他东西。似乎重要的是关于最佳训练样本长度n 不等于 N，最佳可调参数数k<=n（多项式的程度）和预测范围T （以计数为单位）的问题的答案。
在这个阶段，近似函数的特定类型和它对原始序列的近似方法并不重要。获得上述参数对初始BP属性的依赖性很重要。例如，众所周知，如果BP是一个综合随机变量，那么最佳预测是一个等于最后一次读数（零条）值的常数。如果该系列包含规律性，就必须在回归参数方面寻找最佳。
在这种环境下，对这一点有什么常识性的考虑吗？
这个话题无疑是一个重要而有趣的话题。
所以我们有一个包含 N个 计数的时间序列。在这个阶段，计数的确切含义并不重要--点数、OHLC或其他东西。似乎重要的是关于最佳训练样本长度n 不等于 N，最佳可调参数数k<=n（多项式程度）和预测范围T （以计数为单位）问题的答案。
在这个阶段，近似函数的特定类型和它对原始序列的近似方法并不重要。获得上述参数对初始BP属性的依赖性是很重要的。例如，众所周知，如果BP是一个综合随机变量，那么最佳预测是一个等于最后一次读数（零条）值的常数。如果该系列包含规律性，就必须通过回归参数来寻找一个最佳状态。
这种提法有什么常识性的考虑吗？
在这个配方中没有狗屎。他妈的理论化。用一个BP将这种多项式回归踢到墙上。
我们需要利润最大化。去他妈的所有单变量回归。为什么只使用一小部分市场信息？当有大量的信息。
回归分析应该是多变量的，这是最起码的。分析不同的估计方法（IOC，绝对误差值的MO（拉普拉斯或拉格朗日--不记得了），符号，量化等）对效率的回归。
预测范围的估计也是一首有趣的歌。
写了一些关于这个问题的废话。当然，那里没有什么东西。只是最开始。在这之前是估计英国石油公司的利润预测范围和许多有趣的无赖...
在这个问题上写了一些狗屎。
你为何如此兴奋？
你认为越是堆积不同，最好不要简单透明，会不会更好？
经验告诉我们一个不同的故事。这是对的--更简单，而且要在所学的科目中正确地彻底理解!还有 "多变量回归"、"量化"...- 这就像扭转作用的自旋体分析。
妈的，我没有扔东西，你从哪里得到的。我有一个 简单的多变量LINEAR回归，一般来说。而使用线性回归的理由在于制作最佳投资组合和寻找相关关系的逻辑。这就是起点--从简单开始。
他妈的知道你说的倒退是什么意思，前几天我自己发现了它是什么。我是指回归分析。
...我有一个简单的多变量LINEAR回归...
但你可以做一个多变量多项式 回归...我不知道，只有一个检查方法--如果预测准确度增加或预测时间增加而准确度不变，那么就是更好......但要检查它，你不仅要了解如何做，你还必须向机器解释 ...
但你可以做一个多变量多项式 回归...我不知道，只有一个检查方法--如果预测准确率提高了，或者预测时间在相同的准确率下增加了，那么是的，它更好......但要检查它，你不仅要了解如何做，你还必须向机器解释 ...