Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 370

 

Ich glaube nicht, dass die Analyse der Korrelation zwischen dem Prädiktor und dem Ziel etwas bringt.
Es gibt viele Beispiele, bei denen eng korrelierte Größen nicht voneinander abhängen, obwohl es scheint, dass die eine die andere vorhersagen kann, wie z. B. dieses -http://pikabu.ru/story/lozhnyie_korrelyatsii_2287154 , es gibt frühere Artikel aus dem Forum zum gleichen Thema.

Es gibt einen noch interessanteren Begriff, die Kreuzentropie. Es handelt sich um eine Methode aus der Statistik, mit der analysiert wird, ob ein Prädiktor zu einer Variablen passt, also eine nichtlineare Beziehung.

 
Dimitri:


Haben Sie ein Beispiel?

Zeilen mit eingehenden und ausgehenden Daten anzeigen - post

Bei XOR kann ein Datensatz aus 4 Stichproben bestehen. {x,y,z} x,y - Merkmale z - Ziel

{-1,1,-1},{1,1,1},{1,-1-1},{-1,-1,1}

Berechnen wir die Kovarianz des ersten Chips mit dem Ziel: unter Berücksichtigung, dass mo = 0 ist, haben wir: ((-1*-1) + (1*-1) + (1*-1) + (-1*1))/4 = (1+1-1-1)/4 = 0 es ist offensichtlich, dass die Korrelation auch Null ist, dasselbe gilt für den zweiten Chip, das kann man überprüfen, aber für den Nileney-Klassifikator sind beide Chips mehr als gültig

 
Dr. Trader:

Ich glaube nicht, dass eine Analyse der Korrelation zwischen dem Prädiktor und dem Ziel irgendetwas bringen wird.
Es gibt viele Beispiele, bei denen eng korrelierte Variablen nicht voneinander abhängen, obwohl es scheint, dass die eine die andere vorhersagen kann, wie z. B. dieses -http://pikabu.ru/story/lozhnyie_korrelyatsii_2287154 , hier im Forum, bevor ich Artikel von Habra zum selben Thema eingestellt habe.

Es gibt einen noch interessanteren Begriff, die Kreuzentropie. Es handelt sich um eine Methode aus der Statistik, mit der analysiert wird, ob ein Prädiktor zu einer Variablen passt, also eine nichtlineare Beziehung.

Dieselbe Meinung: Welchen Unterschied macht es, was diese Kurven zeigen, wenn wir nach nicht-linearen Abhängigkeiten zwischen einer Reihe von Merkmalen und einem Ziel suchen. Und das Entfernen hoch korrelierter Prädiktoren ist nicht offensichtlich. Sie können zwar korreliert sein, sind aber nicht korreliert :) Wenn Sie beispielsweise eine Reihe von Indikatoren mit Verzerrungen füttern, wird die Korrelation hoch sein, aber auch die Aussagekraft.
 
Dr. Trader:

Ich glaube nicht, dass eine Analyse der Korrelation zwischen dem Prädiktor und dem Ziel irgendetwas bringen wird.
Es gibt viele Beispiele dafür, dass eng korrelierte Größen nicht voneinander abhängen, obwohl es scheint, dass die eine die andere vorhersagen kann, wie z. B. dieses -http://pikabu.ru/story/lozhnyie_korrelyatsii_2287154- hier im Forum, bevor ich Artikel von hubra zum selben Thema einfügte.

Es gibt einen noch interessanteren Begriff, die Kreuzentropie. Dies ist eine Methode aus der Statistik, um zu analysieren, ob ein Prädiktor zu einer Variablen passt, also eine nichtlineare Beziehung.


1. Niemand analysiert die Korrelation - es geht um die Wahl der Prädiktoren.

2) Sie wiederholten meinen Standpunkt drei Seiten zuvor: "Abhängigkeit ist ein Spezialfall von Korrelation. Wenn zwei Variablen voneinander abhängig sind, besteht definitiv eine Korrelation. Wenn es eine Korrelation gibt, dann muss nicht unbedingt eine Abhängigkeit bestehen.

3. die Kreuzentropie gibt ebenso wie die Korrelation keine Antwort auf das Vorhandensein einer funktionalen Abhängigkeit

 
Aljoscha:

Bei XOR kann ein Datensatz aus 4 Stichproben bestehen, die Essenz ändert sich nicht. {x,y,z} x,y - Merkmale z - Ziel

{-1,1,-1},{1,1,1},{1,-1-1},{-1,-1,1}

Berechnen wir die Kovarianz des ersten Chips mit dem Ziel: unter Berücksichtigung, dass mo = 0 ist, haben wir: ((-1*-1) + (1*-1) + (1*-1) + (-1*1))/4 = (1+1-1-1)/4 = 0 es ist offensichtlich, dass die Korrelation auch Null ist, das gleiche wird mit dem zweiten Chip sein, Sie können überprüfen, aber für Nileney Klassifikator sind beide Chips mehr als gültig


Zwei gleich korrelierte Prädiktoren - welcher von ihnen wird aufgrund der geringeren Korrelation verworfen? Welche ist weniger korreliert?
 
Dimitri:


1. Niemand analysiert die Korrelation - es geht um die Wahl der Prädiktoren.

2) Sie wiederholten meinen Standpunkt drei Seiten zuvor: "Abhängigkeit ist ein Spezialfall von Korrelation. Wenn zwei Variablen voneinander abhängig sind, besteht definitiv eine Korrelation. Wenn es eine Korrelation gibt, dann muss nicht unbedingt eine Abhängigkeit bestehen.

3. Die Kreuzentropie gibt ebenso wie die Korrelation keine Antwort auf das Vorhandensein einer funktionalen Abhängigkeit.

Umgekehrte Korrelation ist keine Korrelation? Wie kann man bei Korrelationskurven überhaupt von Korrelation sprechen, das verstehe ich nicht... welche Beziehung könnte es zwischen der Kurve des Popcornertrags auf den Feldern und der Anzahl der von fleißigen Händlern ausgebrüteten Küken geben? Warum sollte es für ns besser sein, wenn die zufällige Korrelation zwischen nicht zusammenhängenden Phänomenen hoch ist?
 
Maxim Dmitrievsky:
Wie kann man auf der Grundlage von Korrelationskurven überhaupt von Abhängigkeit sprechen? Wie kann es eine Beziehung zwischen der Kurve des Popcornertrags auf den Feldern und der Zahl der von fleißigen Händlern ausgebrüteten Küken geben? Warum sollte es für ns besser sein, wenn die zufällige Korrelation zwischen nicht zusammenhängenden Phänomenen hoch ist?


Das verstehe ich nicht.

Was hat die inverse Korrelation damit zu tun?

Es gibt korrelierte Größen. Bei einigen von ihnen kann eine funktionale Korrelation bestehen, bei anderen eine falsche Korrelation.

Nochmals:"Abhängigkeit ist ein Spezialfall von Korrelation. Wenn zwei Variablen voneinander abhängig sind, dann besteht definitiv eine Korrelation. Wenn es eine Korrelation gibt, dann muss nicht unbedingt eine Abhängigkeit bestehen.

 

Und noch einmal: Bis heute gibt es keine Methoden, um funktionale Abhängigkeit von falscher Korrelation zu unterscheiden.

Nur analytische.

 
Dimitri:


Das verstehe ich nicht.

Was hat die inverse Korrelation damit zu tun?

Es gibt korrelierte Größen. Bei einigen von ihnen kann eine funktionale Korrelation bestehen, bei anderen eine falsche Korrelation.

Nochmals:"Abhängigkeit ist ein Spezialfall von Korrelation. Wenn zwei Variablen voneinander abhängig sind, dann besteht definitiv eine Korrelation. Wenn es eine Korrelation gibt, dann muss nicht unbedingt eine Abhängigkeit bestehen.


Wenn zwei Variablen eine umgekehrte Korrelation aufweisen, wie z. B. die Notierungen des Franken und des Euro. Es gibt einen Zusammenhang, aber es gibt keinen Zusammenhang.
 
Maxim Dmitrievsky:

Wenn zwei Variablen eine umgekehrte Korrelation aufweisen, wie kann das sein? wie z.B. die Notierungen des Frankens mit dem Euro. Die Korrelation ist sicher, aber es gibt keine Korrelation.


Ich verstehe immer noch nicht - umgekehrte Korrelation oder keine Korrelation?

Oder glauben Sie, dass zwei zufällige Reihen, die einen Korrelationskoeffizienten von -1 haben, "nicht korreliert" sind?

Yoklmn.....