市场是一个受控的动态系统。 - 页 59

新评论
 
Mathemat:

阿列克谢，我问第一个问题：为什么

1) 恒定的影响，与股价无关（Alpha影响）。
2）与股价成正比的影响（Beta影响）。
3) 与股价的导数成正比（伽马影响）。
4）与股价的平方成正比（引入非线性）（Delta影响）。

如果

只有 "外部 "影响 "共享"，反之亦然。

?我知道你可以减少到等值，但最初用影响程度来表示反应，而不是相反，这不是更符合逻辑吗？

顺便说一下，二阶衍射的线性使得它很容易引入力学的经典概念--行动的动量和拉格朗日函数（能量）。在外部影响的不变性方面，我们也可以说是能量守恒定律的某种相似性。
但在这里，我从根本上不同意：从本质上讲，我们的系统只是通过 "湮灭 "将传入的能量回收为传出的能量，请原谅这个闪光的术语。在卖方和买方就交易达成协议的那一刻，一小部分传入的能量从系统中消散，留下的只是增加的熵值。而通过系统的能量流动，粗略地说是交易量，是一个远非守恒的数量，但它是使系统存在的原因。
 
avtomat:
2）优化标准的选择。这个标准决定了模型的工作频率范围。

我认为，这个标准应该是综合的，并同时考虑以下因素（例如通过惩罚函数的方式）。

- 模型残差的相关时间 -> 分钟

- 残差分布与正态分布的差异 -> 最小值

- 残差向量的常数 -> 最小值

- 不收敛为零的模型参数数量 -> 最小值

这是针对接种的，没有考虑输入模型，我很快就会打破这个模型)

 
alsu:

...在不考虑输入信号模型的情况下，我很快就会提出这个问题)


不由自主地，脑海中浮现出这样一个著名的故事。当拉普拉斯向拿破仑赠送他的《天体力学》时，皇帝说："拉普拉斯先生，他们说你写了这本关于世界体系的伟大著作，却没有提到造物主"。据称拉普拉斯对此回答说："我不需要这个假设。自然界取代了上帝。

;)

 
avtomat:

"我不需要这种假设。自然界已经取代了上帝。

然而，仅仅一百五十年后，这一假设不得不被重新审视，因为事实证明有人在 "每一次测量都在掷骰子"，正如阿尔贝图斯卡所说的那样（尽管他本人直到死都不相信这种 "无稽之谈"）。
 
alsu:

我认为，这个标准应该是综合的，同时考虑到以下因素（例如通过惩罚函数）。

- 模型残差的相关时间 -> 分钟

- 残差分布与正态分布的差异 -> 最小值

- 残差向量的常数 -> 最小值

- 不收敛为零的模型参数数量 -> 最小值

这是针对接种而言的，没有考虑输入模型，我即将打破这个模型)


你可以想出很多不同的标准，也有很多不同的标准。但这样的多重标准，由于其不一致，通常不会导致预期的结果。
 
alsu:

Критерий, я так считаю, должен быть составной и учитывать одновременно следующие факторы (например, с помощью штрафной функции):

- время корреляции остатков модели -> min

- отличие распределения остатков от нормального -> min

- норма вектора остатков -> min

- количество параметров модели, не обращающихся в нуль -> min

Это для затравки, без учета модели входного сигнала, которой я скоро присутствующим плешь проем)


也许更简单--错误是一种损失，正确的预测是一种收获。我们估计收入/亏损。即比如说，PF。即优化标准PF->max
 
avtomat:

有许多不同的标准可以设计出来。但这种多重标准由于其不一致，通常不会导致预期的结果。
这里的一切都很重要：前两点要求使残差更接近GSR--这意味着模型的充分性；第三点本身就很清楚，误差应该尽可能小；第四点--过度的模型复杂化意味着不稳定和拟合，很可能会影响预测质量。我看不出有什么矛盾，你只需要正确选择每个组成部分的重要性权重。
 
alsu:
这里的一切都很重要：前两点要求使残差接近GSR--这意味着模型是充分的；第三点本身就很清楚，误差应该尽可能小；第四点--过度的模型复杂化会闻到不稳定和拟合，很可能会影响预测质量。我看不出有什么矛盾，你只需要正确选择每个组成部分的重要性权重。


在我看来，你所列举的标准中没有一个是

- 模型残差的相关时间 -> 分钟

- 残差分布与正态分布的差异 -> 最小值

- 残差向量的常数 -> 最小值

- 不收敛为零的模型参数的数量 -> 最小值

从模型拟合的角度来看，既没有必要也没有用。

当然也不是第2项，它需要拟合到正态分布。这已经是......恕我直言，胡说八道了。

 
Avals:

也许更简单--错误是一种损失，正确的预测是一种收获。我们估计收入/亏损。 即比如说，PF。即优化标准GF->max

我们可以这样做，但我们也应该考虑如何使用一些算法来调整参数。

有9000种不同的算法，但它们在纯数学方面都有一个共同点：为了达到最佳效果，你需要通过调整参数知道被优化的函数的梯度。当然，人们可以使用PF作为标准，甚至可以实时计算所有的导数（使用自动微分也不是那么困难）。但有一个问题：轮廓因子的值严重依赖于价格序列本身，众所周知，价格序列具有噪声过程的特征。仅仅是1支蜡烛的几个点的波动，就可能导致1个额外的或1个缺失的交易，其结果是不可预测的，这将对利润系数产生巨大的影响（不要忘记，我们必须在尽可能短的时间间隔内优化模型结构，因为最初我们假设模型具有可变的参数）。因此，该标准是非常不平滑的，优化算法可能只是停留在一些局部的最佳状态，我重复一遍，仅仅是受价格波动的影响。

另一方面，误差向量规范（第3点）则没有这样的缺点：1支蜡烛的价格变化1个点，将导致惩罚函数同样不明显的变化。项目1和2是一样的，而项目4则完全与价格无关。


简而言之，标准必须对初始条件（在我们的例子中是优化样本）尽可能地稳定，或者算法必须对找到的最佳状态进行某种检查。否则，我们将得到的不是优化，而是混乱。

 
avtomat:


当然也不是第2点，这需要拟合正态分布。请原谅我，这是胡说八道。

在这里，你已经自相矛盾了：如果过程被表示为信号+噪声，那么残留物最好正好是热噪声，携带的信息正好为0。一般来说，这个前提已经被普遍接受了五十年：SBS的输出（项目1和2）<=>模型充分描述了确定性的部分。

再告诉我第3点，从什么时候开始，从适应的角度来看，最小误差变得无用了？

1...525354555657585960616263646566...551
新评论