Bayes'sche Regression - Hat jemand einen EA mit diesem Algorithmus erstellt? - Seite 42
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
Kurze Verteilungsanalyse in R:
Wir schätzten die Parameter der Normalverteilung anhand der verfügbaren Eröffnungskursinkremente der Clock-Bars und zeichneten sie auf, um die Häufigkeit und Dichte für die ursprüngliche Reihe und die Normalreihe mit denselben Verteilungen zu vergleichen. Wie Sie selbst mit bloßem Auge sehen können, ist die ursprüngliche Reihe von Inkrementen von Stundenbalken weit davon entfernt, normal zu sein.
Übrigens befinden wir uns nicht in einem Tempel Gottes. Es ist nicht notwendig und sogar schädlich zu glauben.
Zunächst würde ich gerne einen Schimmer des Verständnisses in den Augen der "Gläubigen" sehen. Und dann, ja, konvertieren, wenn nötig. Ob dicke Schwänze umgewandelt werden können, das ist die Frage. Sie können einen großen Unterschied in der Qualität ausmachen.
Ich habe Angst, mich zu wiederholen, aber die Umwandlung von dicken Schwänzen ist kein Problem.
Auf welche Art von Qualität würde sich dies Ihrer Meinung nach auswirken?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
Das ist das Gleiche! Die Inkremente wurden zu + oder - Zeichen. Und Sie können ein solches Zeichen für Schritte von einer Stunde im Voraus nehmen.
Wie lautet die Frage?
Ich habe ein Klassifizierungsmodell: Kaufen, Verkaufen lernen. Bewertung des Modells durch Koinzidenz/Nicht-Koinzidenz Korrektheit der Richtung
Ein Inkrement, das z. B. größer als Null ist, ist nicht unbedingt ein Kauf, da das Inkrement ein Konfidenzintervall hat. Und die Auswertung ist ein Fehler, z.B. MAE
Schreibe die Funktion F(x) = a*exp(-b*|x|^p) in deine Verteilung. p=2 ergibt eine Normalverteilung.
Der Gedanke ist einfach revolutionär. Es ist hier auf der Website zu finden. Eine Annäherung an den Normalzustand ist durchaus möglich, aber besuchen Sie ....
Sie können auch Box Cox verwenden, wenn die Verteilung der Reihenabweichungen im Voraus bekannt und statisch ist. Ich glaube, man verwechselt hier zwei wichtige Dinge: die Verteilung der Regressionsfehler und die Verteilung der Eingangsreihen selbst. Bei der RMS-Regression spielt es keine Rolle, wie der Input verteilt ist. Die Hauptannahme ist, dass die Verteilung der Modellanpassungsfehler normal sein muss. Auch hier gilt: Wenn Sie die RMS-Regression mit ihrer normalen ERROR-Anforderung nicht mögen, dann verwenden Sie die allgemeine Regression mit "nicht-normalen" Fehlern |error|^p.
Aus irgendeinem Grund bin ich der festen Überzeugung, dass das Erfordernis der Stationarität der Inputvariablen entscheidend für die grundsätzliche Anwendbarkeit der Regressionsanalyse ist. Die gesamte Idee der ARMA beruht auf einer Diskussion über die Stationarität genau der Eingangsvariablen, wobei deren Nicht-Stationarität durch Differenzierung in ARIMA-Modellen in eine stationäre Form umgewandelt wird. Bei all dem gibt es ernsthafte Schwierigkeiten, die Eigenschaft der Stationarität der Zeitreihe selbst zu beweisen.
Was den Fehler bei der Regressionsanpassung betrifft, so liegt dieser im Bereich der Stationarität. Während die Differenzierung der Zeitreihen es ermöglicht, die Variabilität des Mittelwerts praktisch zu beseitigen, wird die Variabilität der Varianz mit dem ARCH-Tool behandelt.
Es ist so ausführlich, dass es absolut unklar ist, wie Tausende und Abertausende von sehr kompetenten Leuten kein so einfaches Mittel zur Bekämpfung der Nicht-Stationarität von Zeitreihen finden konnten, und es stellt sich heraus, dass es eine RMS-Regression gibt, die alle Probleme mit der Stationarität löst, die etwa seit Mitte der 70er Jahre untersucht wurden.
Aus irgendeinem Grund bin ich der festen Überzeugung, dass das Erfordernis der Stationarität der Inputvariablen entscheidend dafür ist, ob die Regressionsanalyse grundsätzlich anwendbar ist.
Nicht-stationäre Daten werden von Zeitreihenmodellen nicht vorhergesagt. Weder statistische Modelle (Regression, Autoregression, Glättung usw.) noch Strukturmodelle (NS, Klassifizierung, Markov-Ketten usw.).
Nur Fachgebietsmodelle
Schreibe die Funktion F(x) = a*exp(-b*|x|^p) in deine Verteilung. p=2 ergibt eine Normalverteilung. Wenn Sie den wahren Wert von p kennen, ersetzen Sie die Minimierung der Summe der Quadrate der Regressionsfehler durch die Summe |error|^p. Ich habe die Ausgabe bereits in diesem Thread gezeigt. Wenn Sie der Meinung sind, dass die Minimierung der Summe |Fehler|^p zu einer besseren Vorhersagegenauigkeit führt als die Minimierung der Summe Fehler^2, dann setzen Sie es um.
Aus irgendeinem Grund bin ich der festen Überzeugung, dass das Erfordernis der Stationarität der Inputvariablen entscheidend für die grundsätzliche Anwendbarkeit der Regressionsanalyse ist. Die gesamte Idee der ARMA beruht auf einer Diskussion über die Stationarität genau der Eingangsvariablen, wobei deren Nicht-Stationarität durch Differenzierung in ARIMA-Modellen in eine stationäre Form umgewandelt wird. Bei all dem gibt es ernsthafte Schwierigkeiten, die Eigenschaft der Stationarität der Zeitreihe selbst zu beweisen.
Was den Fehler bei der Regressionsanpassung betrifft, so liegt dieser im Bereich der Stationarität. Während die Differenzierung der Zeitreihen es ermöglicht, die Variabilität des Mittelwerts praktisch zu beseitigen, wird die Variabilität der Varianz mit dem ARCH-Tool behandelt.
Es ist so detailliert, weil es nicht klar ist, wie Tausende und Abertausende von sehr kompetenten Menschen nicht ein so einfaches Mittel zur Bekämpfung der Nicht-Stationarität der Zeitreihen finden konnten, und es stellt sich heraus, dass es eine RMS-Regression gibt, die alle Probleme mit der Stationarität löst, die seit etwa Mitte der 70er Jahre untersucht werden.
Erklären Sie bitte endlich (jemand oder besser alle auf einmal), was Sie als Stationarität bezeichnen, wie Sie sie verstehen?