Lets generate some data with known slope and intercept and fit a simple linear GLM. The function can be used to generate the output variable y_est and coefficients of the specified linear model. Since there are a couple of general linear models that are being used over and over again (Normally distributed noise, logistic regression etc), the...
好吧，我不应用这些，所以我只是在观察发生了什么。
我只是有一些模糊的想法。
我也不知道它将去哪里，或者它是否会去。这样做只是为了了解这个过程，仅此而已。
我也不知道它将去哪里，或者它是否会去。它只是为了了解这个过程，仅此而已。
我所知道的是，如果你在相同的数据上建立一个广义的模型，它就会更好。
当然，不一定是线性的。
https://docs.pymc.io/notebooks/GLM.html
我知道一个事实，如果你在相同的数据上建立一个泛化的模型，效果会更好。
当然，不一定是线性的。
https://docs.pymc.io/notebooks/GLM.html
所有的明天。
仔细阅读该主题的最新帖子。
我还能说什么呢...尤里，dubeya，尽管如此，还是做了值得 "从理论到实践-2 "主题的重要研究。
因此，他认为，在通道中交易的交易者愚蠢地选择了中心趋势的衡量标准，这是不正确的（MA已经让大家感到厌烦了），并且进入了分布的重尾，这简直是粉碎了他们的策略。如果我们正确地计算这个措施，我们会发现在移动窗口中，我们总是在正态分布之内，并且拥有梦寐以求的圣杯。
让我们来看看2018年欧元兑美元对的CLOSE M1。
上图是相对于移动中位数的通道（时间窗口=24小时）。那里确实有一些沉重的尾巴。
底部图表--窗口=24小时内增量的累积总和，即移动时间窗口内的实际价格。
我们想知道，作为许多独立或弱独立CB的总和，价格是否属于正态分布。
我们看一下这一年的增量之和的分布。
统计数据。
是的，的确，在极限情况下，滑动窗口=24小时内的价格几乎形成高斯分布。
符合逻辑的是，在这个时间点上，对当前价格分布的最佳估计也是相对于移动期望值的正态分布，而我们所认为的重尾根本不是尾巴，而是不超过6西格玛的数值，属于新兴的高斯分布。
我认为，是的--尤里是正确的。
结论：相对于非滞后的中心趋势测量，我们将始终处于正态分布之内。事实上--在圣杯里面。而如果多项式回归线是这种措施，我们需要反复检查，就这样--问题解决了。
谢谢你的关注。
仔细阅读该主题的最新帖子。
我还能说什么呢...尤里，dubeya，尽管如此，还是做了值得 "从理论到实践-2 "主题的重要研究。
因此，他认为，在通道中交易的交易者愚蠢地选择了中心趋势的衡量标准，这是不正确的（MA已经让大家感到厌烦了），并且进入了分布的重尾，这简直是粉碎了他们的策略。如果我们正确地计算这个措施，我们会发现在移动窗口中，我们总是在正态分布之内，并且拥有梦寐以求的圣杯。
让我们来看看2018年欧元兑美元对的CLOSE M1。
上图是相对于移动中位数的通道（时间窗口=24小时）。那里确实有一些沉重的尾巴。
底部图表--窗口=24小时内增量的累积总和，即移动时间窗口内的实际价格。
我们想知道，作为许多独立或弱独立CB的总和，价格是否属于正态分布。
我们看一下这一年的增量之和的分布。
统计数据。
是的，的确，在极限情况下，滑动窗口=24小时内的价格几乎形成高斯分布。
符合逻辑的是，在这个时间点上，对当前价格分布的最佳估计也是相对于移动期望值的正态分布，而我们所认为的重尾根本不是尾巴，而是不超过6西格玛的数值，属于新兴的高斯分布。
我认为，是的--尤里是正确的。
结论：相对于非滞后的中心趋势测量，我们将始终处于正态分布之内。事实上--在圣杯里面。而如果多项式回归线是这种措施，我们需要反复检查，就是这样--问题解决了。
谢谢你的关注。
它在图表上看起来很好!
关于平均数。
你可以计算货币对中每个符号的平均数。 如果你把平均数加起来（欧元+美元）并除以2=价格平均数。
我想说的是什么？.... 我不知道。
p.s. Yuri 对不起，进入了这个话题。
这是怎么一回事呢？
在概念上与欧元的平均数相同，因为你把它们放在同一图表中的同一序数上--所以这就是它们的测量单位？
它是如何衡量美元的平均水平的？
它应该与欧元的平均数相同，因为你把它们放在同一图表的同一坐标上--它们是这样测量的吗？
我不明白你的问题。
我不明白这个问题。
你是如何得到 "欧元/美元平均数"、"美元平均数 "的，它们怎么会有相同的计量单位？
--
ps/上图只是看起来像一对来自幂级数展开的高阶项，但有自制项的误导
结论：相对于中心趋势的非滞后测量，我们将始终处于正态分布之内。事实上--在圣杯里面。而如果这个措施是多项式回归线，我们需要反复检查，那么问题就解决了。
一般来说，多项式回归（PR）不是这样的措施，你对它的希望也是徒劳的。我们确实可以用PR得到一个正态分布，但只是作为小样本和PR线长上的多个BP实现的集合。在长样本上，PR不再能够重建BP线（你想从3-4阶曲线上得到什么？）
唯一的希望是通过某种滤波器--卡尔曼、跟踪或预测--对调节线进行某种近似。我不知道我是否会这样做，因为常态检查结果是对一个用于其他目的的软件的测试。特别是我在《提示》中多次写到，尾巴不是BP的属性，而是数据处理技术的结果，我认为，从一般考虑，这已经很明显了。在那里，除了你自己，你什么都听不到。））。
一般来说，我想，已经先验地知道了正态性并将其考虑在内，你可以尝试在TS中不做确切的reg.line)。
祝你在TA #2中好运）。
将没有TP#2--从2月1日开始将有一个 "商人之战 "的比赛。我和Automat会在那里。你愿意参加吗？
实际上，我的TS仍然有一些弱点，当然了。其中之一是对CT测量的估计。现在我用的是智能WMA，但完美是没有极限的:)这就是为什么我关注你的研究--它很有趣。
所以...还有什么可讨论的呢？我们在一年前就讨论了我们需要的一切 :)