Matstat Ökonometrie Matan - Seite 2
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ja, das ist im Grunde das, was ich als eine mehr oder weniger gute Option anstrebe.
Bei einem anderen, ähnlichen Modell beobachte ich manchmal auch kleine Abweichungen, wie die Divergenz.
Allerdings nicht so lange wie auf dem obigen Screenshot, sondern recht kurzzeitig. Ich habe mich gefragt, warum das so ist.
Ich habe dieses Modell ausprobiert und eine noch längere Divergenz festgestellt.
Ich verstehe also nicht, woher diese Divergenz kommt. Nicht korrektes Modell oder minderwertige Quelldaten.
Ich verstehe die Logik des Handelns nicht.
Entweder sollte ich die Ausgangsdaten annähernd auf normal einstellen,
oder ich sollte andere Modelle schaufeln.
Aber versuchen Sie, dieses Modell zuerst zu schreiben, es ist nicht so leicht zu glauben und es wegzuwerfen ))
Unzureichendes Modell
Ich kann die folgende Anomalie einfach nicht verstehen, warum das passiert.
Ich habe ein orthogonales Modell berechnet, das besser sein soll als MNC.
Ich habe die Startkoeffizienten.
Dann werden die Modellparameter (Koeffizienten) durch den Median-Algorithmus angepasst, d.h. eine Art Robustheit gegenüber Ausreißern.
Das Modell beschreibt die ursprüngliche Reihe qualitativ.
Was ist ein "orthogonales" Modell? Führen Sie eine Zerlegung eines Systems von orthogonalen Funktionen durch? Schauen Sie sich dann an, zu welchem Gewicht sie orthogonal sind - ein anomales Verhalten kann davon abhängen. Zum Beispiel an den Rändern des Orthogonalitätssegments.
Was ist ein "orthogonales" Modell?
Führen Sie eine Zerlegung eines Systems von orthogonalen Funktionen durch?
Schauen Sie sich dann an, wie viel Gewicht sie orthogonal zueinander haben - das anomale Verhalten kann davon abhängen.
Zum Beispiel an den Rändern des Orthogonalitätssegments.
Nein, es handelt sich nicht um eine Funktionsdekomposition.
Es handelt sich um eine orthogonale Regression, bei der bei jedem Berechnungsschritt der Neigungswinkel der Normalen berechnet wird (phi).
Die Normale ist die kürzeste Strecke zwischen einer Linie und einem Punkt.
Dann wird die Steigung des Winkels (phi) verwendet, um die Koeffizienten des Modells zu berechnen.
Kartesisches Koordinatensystem
Orthogonale Anpassung ANC fit
Wahrscheinlich muss man die Werte dieser Winkel an anomalen Orten wirklich überprüfen.
Es handelt sich um eine orthogonale Regression, bei der in jedem Berechnungsschritt der Neigungswinkel der Normalen berechnet wird (phi).
Nennen Sie es also bei seinem Namen, anstatt Namen wie MSRP oder TLS zu erfinden.
Und welchen Sinn hat es, wenn die Achsen unterschiedliche Dimensionen haben?
Nennen Sie es also wie ein menschliches Wesen, anstatt Namen wie INPC oder TLS zu erfinden.
und was nützt es, wenn die Achsen unterschiedlich dimensioniert sind?
Was soll das heißen?
Orthogonale Regression, orthogonales Modell, sind Sie verwirrt?
Ja, es handelt sich um TLS, mit einer Medianverfeinerung.
Die Zahlen dienen als Beispiel. Sie sind für das Problem nicht relevant.
Die Achsen in den Abbildungen haben die gleiche Dimension, nur der Maßstab der Zeichnungen ist etwas anders.
Sie ist für das Verständnis der Orthogonalität nicht entscheidend.
Orthogonale Regression, orthogonales Modell, sind Sie verwirrt?
Ja, ich stimme zu, falsch.
Nein, es handelt sich nicht um eine Funktionszersetzung.
Es handelt sich um eine orthogonale Regression, bei der bei jedem Berechnungsschritt der Neigungswinkel der Normalen berechnet wird (phi).
Die Normale ist die kürzeste Strecke zwischen einer Linie und einem Punkt.
Dann wird die Steigung des Winkels (phi) verwendet, um die Koeffizienten des Modells zu berechnen.
Kartesisches Koordinatensystem
Orthogonale Anpassung ANC fit
Wahrscheinlich müssen die Werte dieser Winkel an den anomalen Stellen wirklich überprüft werden.
https://www.mql5.com/ru/forum/368720#comment_22203978, der untere Teil der Abbildung ist der Ort, an dem die "anomale" Divergenz beginnt, fast ein Kurssprung, an dem die Regression (linear oder nichtlinear - es sind alle die gleichen Darstellungen von Y als Funktion von x) durcheinander gerät, der Versatz nimmt dramatisch zu. Und die Nichtübereinstimmung der Annäherung durch trigonometrische und algebraische Polynome ist proportional zum Modulus der Stetigkeit (durch die Jackson-Stechkin-Ungleichung, siehe Wiki "Modulus_Stetigkeit"). Eigenschaft der Nähe des Verhaltens von Funktionen zu dem von kontinuierlichen Funktionen. In dem in dieser Abbildung gezeigten Fall steigt das diskrete Gegenstück des Diskontinuitätsmoduls um den Nullpunkt herum stark an.
Dann ändert man die Koeffizienten in der Expansion (falls linear - Y wird in zwei Funktionen zerlegt: Y1(x) = 1; Y2(x) = x mit den Koeffizienten a und b: Y(x)=a+bx) ist bereits langsam [kontinuierlich], mit Medianglättung. Und die Werte dieser Koeffizienten, die beim Sprung ermittelt wurden, kehren nicht zu den Werten zurück, die sie gehabt hätten, wenn Ihre Methodik die Annäherung von einem beliebigen Punkt nach dem Sprung begonnen hätte oder wenn Sie den Sprung durch eine nicht so schnelle Kursbewegung zum selben Punkt ersetzen.
Übrigens wäre es interessant, ähnliche Bilder wie die, die Sie auf https://www.mql5.com/ru/forum/368720/page2#comment_22207994 zeigen, für den speziellen Fall zu sehen, in dem sich der Verlauf fast sprunghaft verändert hat.
https://www.mql5.com/ru/forum/368720#comment_22203978, der untere Teil der Abbildung ist der Ort, an dem die "abnormale" Divergenz beginnt, d. h. an der Stelle, an der die Regression (linear oder nichtlinear - es handelt sich immer um dieselben Darstellungen von Y als Funktion von x) gestört wird und der Versatz dramatisch zunimmt. Und die Nichtübereinstimmung der Annäherung durch trigonometrische und algebraische Polynome ist proportional zum Modulus der Stetigkeit (durch die Jackson-Stechkin-Ungleichung, siehe Wiki "Modulus_Stetigkeit"). Eigenschaft der Nähe des Verhaltens von Funktionen zu dem von kontinuierlichen Funktionen. In dem in dieser Abbildung gezeigten Fall steigt das diskrete Gegenstück des Diskontinuitätsmoduls um den Nullpunkt herum stark an.
Dann ändert man die Koeffizienten in der Expansion (falls linear - Y wird in zwei Funktionen zerlegt: Y1(x) = 1; Y2(x) = x mit den Koeffizienten a und b: Y(x)=a+bx) ist bereits langsam [kontinuierlich], mit Medianglättung. Und die Werte dieser Koeffizienten, die beim Sprung ermittelt wurden, kehren nicht zu den Werten zurück, die sie gehabt hätten, wenn Ihre Methodik die Annäherung von einem beliebigen Punkt nach dem Sprung begonnen hätte oder wenn Sie den Sprung durch eine nicht so schnelle Kursbewegung zum selben Punkt ersetzen.
Übrigens wäre es interessant, ähnliche Bilder wie die, die Sie unter https://www.mql5.com/ru/forum/368720/page2#comment_22207994 eingestellt haben, für den speziellen Fall zu sehen, in dem sich der Verlauf fast sprunghaft verändert hat.
Ich danke Ihnen für Ihre klaren und umfassenden Erläuterungen!
Ich hatte auch einen starken Verdacht auf eine Fehlstellung im Moment des Sprungs, war aber nicht in der Lage, ihn richtig zu formulieren.
Da die Median-Glättung wirklich angewendet wird, ist die Erinnerung an den Sprung, abhängig von der Fenstergröße, immer noch da.
Ich habe mich noch nicht mit dem Scatter-Plot auf mql5 vertraut gemacht. Ich bin noch dabei, zu lernen. Es wäre interessant, auch solche Diagramme zu sehen.
Ich weiß nicht, wie schnell ich das Diagramm zeigen kann, aber sobald ich die Koordinaten herausgefunden habe, werde ich es tun.
Ohne Medianglättung scheint es bei reinen Koeffizienten zuzutreffen
aber dann entsteht dieses Erholungsmuster
Hinzugefügt.
Ich habe vergessen klarzustellen, dass die Rohdaten vorerst nur logarithmisch ohne Transformation sind, um die Schwachstellen aufzuzeigen.
Logarithmische Abstufungen - nicht gut genug?
Sie brauchen dort mehrdimensionale Normalität. So billig kann man es nicht kaufen.)