Bayes'sche Regression - Hat jemand einen EA mit diesem Algorithmus erstellt? - Seite 15
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
Offenbar ist dem Markt die Prognose an sich egal, vor allem kurzfristig. Langfristig trägt die Prognose bescheidene Früchte in Form von 10-12% p.a., womit viele nicht zufrieden sind.
Was macht es für einen Unterschied, ob es sich um eine lang- oder kurzfristige Maßnahme handelt? Ändern Sie einfach den Zeitrahmen.
10-12% angesichts der Höhe des Risikos, überhaupt nicht interessant.
Mehr... können Sie das in Ihrem Kopf kurzschließen. Die Anpassung der Yusuf-Krümmung erfolgt auf einem schrägen Segment (fast ein gerades Segment, seine Konvexität ist vernachlässigbar), und die Vorhersage ist letztlich für eine horizontale Bewegung. Denken Sie darüber nach! Es stellt sich heraus, dass die Methodik nicht ein zweites Mal anwendbar ist, ein einmaliger Vorgang dieser Art.
Geben Sie dann alle Daten ein, und die Prognose für 2015 ändert sich nicht. Werfen Sie einen Blick darauf:
... und im Fall von (18) müssen Sie nichts tun, es wird sich von selbst bestmöglich einstellen. Sie haben nur nicht den Mut zuzugeben, dass ein besseres Modell als (18) noch nicht in jeder Hinsicht erfunden wurde.
Was sagt das Nobelkomitee zu (18)? Oder haben sie nicht den Mut, es zuzugeben?
Was macht es für einen Unterschied, ob es sich um eine lang- oder kurzfristige Maßnahme handelt? Ändern Sie einfach den Zeitrahmen.
10-12% angesichts der Höhe des Risikos, überhaupt nicht interessant.
Was sagt das Nobelkomitee zu (18)?
Was und wie kann es hier zu Verwechslungen kommen?
Welche Plausibilität?
Die Wahrscheinlichkeit:
a) die Koeffizienten des Modells
b) das Modell selbst
unter der Annahme, dass die Koeffizienten so und so verteilt sind, z. B. hat der Koeffizient Nr. 1 einen Mittelwert von 0,5, die St.Dev. 0,1. Diese Annahme wird den Ergebnissen der Koeffizienten überlagert, so dass ein Unterschied zu OLS besteht. Es gibt den Begriff der Ridge-Regression, bei der die möglichen Werte der Koeffizienten eingeschränkt werden; nach meinem Verständnis liegt dies in der gleichen Größenordnung.
Und die Normalität von Fehlern, nun ja, sie muss vorhanden sein. Es gibt eine verallgemeinerte lineare Regression, mit der ich mich nicht auskenne, irgendwie werden dort alle Annahmen umgangen.
UPD: Bei der Schätzung der t-Statistik für den Epsilon-(Koeffizienten-)Wert wird die Sigma-Schätzung für die Modellresiduen verwendet. Wenn die Verteilung der Residuen irgendwo stark verzerrt und nicht symmetrisch ist (im Idealfall sollte sie normal sein), dann ist die Signifikanz des Koeffizienten nicht mehr gültig. Mit anderen Worten: Den Modellparametern kann man nicht trauen. Daher wird davon ausgegangen, dass die Fehler normalverteilt sind.
Die Wahrscheinlichkeiten:
1. a) die Koeffizienten des Modells
b) das Modell selbst
2. unter der Annahme, dass die Koeffizienten so und so verteilt sind, z. B. Koeffizient 1 hat einen Mittelwert von 0,5, st.dev. 0,1. Diese Annahme wird den Ergebnissen der Koeffizientenberechnungen überlagert, so dass ein Unterschied zu OLS besteht. Es gibt den Begriff der Ridge-Regression, bei der die möglichen Werte der Koeffizienten eingeschränkt werden; dies ist meines Erachtens derselbe Gesichtspunkt.
3. und die Normalität der Fehler, nun ja, sie muss vorhanden sein. Es gibt eine verallgemeinerte lineare Regression, mit der ich mich nicht auskenne, irgendwie werden dort alle Annahmen umgangen.
4. UPD: Bei der Schätzung der t-Statistiken für den Epsilon-(Koeffizienten-)Wert wird die Sigma-Schätzung für die Modellresiduen verwendet. Wenn die Verteilung der Residuen stark verzerrt und nicht symmetrisch ist (im Idealfall sollte sie normal sein), dann ist die Signifikanz des Koeffizienten nicht mehr gültig. Mit anderen Worten: Den Modellparametern kann man nicht trauen. Daher wird davon ausgegangen, dass die Fehler normalverteilt sind.
1. Daraus ergibt sich "Maximierung der Wahrscheinlichkeit der Modellkoeffizienten" oder "Maximierung der Wahrscheinlichkeit des Modells". Steht das da drin?
2. Was haben die Koeffizienten und die Verteilung damit zu tun? Warum sollte man überhaupt den Mittelwert der Koeffizienten zählen?
3. Wie kommen Sie darauf, dass die Fehler normal sind? Die Symmetrie der Verteilung ist ausreichend. Sie wirkt sich nur auf die Empfindlichkeit zu Beginn der Trends aus.
4. Denken Sie wirklich in diesen Kategorien und verstehen Sie wirklich, worüber Sie schreiben?
Jura, wir haben keine Zeit, darüber nachzudenken, sie werden in 100 Jahren zur Vernunft kommen. Leider nimmt sie niemand ernst und studiert sie nicht. Die Nachkommen sollten es jedoch zu schätzen wissen.
1. Daraus ergibt sich "Maximierung der Wahrscheinlichkeit der Modellkoeffizienten" oder "Maximierung der Wahrscheinlichkeit des Modells". Ist es das, was da steht?
2. Was haben die Koeffizienten und die Verteilung damit zu tun? Warum sollte man überhaupt den Mittelwert der Koeffizienten zählen?
3. Wie kommen Sie darauf, dass die Fehler normal sind? Die Symmetrie der Verteilung ist ausreichend. Sie wirkt sich nur auf die Empfindlichkeit zu Beginn der Trends aus.
4. Denken Sie wirklich in solchen Kategorien und verstehen Sie wirklich, worüber Sie schreiben?
1. die Wahrscheinlichkeit ist maximal bei: weiter gehen die langen Formeln. Wir können sagen, dass wir den minimalen Wert der mittleren quadrierten Residuen erhalten, oder wir können sagen, dass wir die Likelihood maximiert haben.
2. Vielleicht verstehen Sie etwas nicht. Der Koeffizient b1 ist was? Der mathematische Erwartungswert der Stichprobenwerte des Koeffizienten b1, der t-verteilt ist, wenn die Parameter des Koeffizienten b1 in der Grundgesamtheit nicht bekannt sind. Die lineare Regression (gewöhnliche kleinste Quadrate) liefert eine Schätzung von E(b) und sigma(b), dem Standardfehler des Koeffizienten b1. In der Ausgabe des Modells sehen Sie alle diese Schätzungen. Dann gibt es eine Schätzung, wie signifikant E(b) von 0 abweicht, die t-Statistik und die zugehörige Wahrscheinlichkeit.
3. Über Trends kann ich nichts sagen. Symmetrie ist wichtig - Tatsache. Sigma auf den Residuen ist ebenfalls wichtig. Der Wölbungskoeffizient ist ebenfalls wichtig.
4. Ich habe in letzter Zeit viel über Regression gelesen, daher verstehe ich, was ich oben geschrieben habe. Ich berichte meinen Kunden über Regressionsergebnisse und muss etwas verstehen. Ich bevorzuge allerdings nicht-parametrische Methoden.