Bayes'sche Regression - Hat jemand einen EA mit diesem Algorithmus erstellt? - Seite 43
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
Stationarität ist die Eigenschaft eines Prozesses, seine Merkmale im Laufe der Zeit nicht zu verändern.
Welche Merkmale sind das konkret?
Dispersion
und das war's?
Im weiteren Sinne auch die MO und die Verteilungsfunktion
Wenn MOE, dann würde im Großen und Ganzen eine Stochastik ausreichen. Nein?
Nicht-stationäre Daten werden von Zeitreihenmodellen nicht vorhergesagt. Weder statistische Modelle (Regression, Autoregression, Glättung usw.) noch Strukturmodelle (NS, Klassifizierung, Markov-Ketten usw.).
Nur Fachgebietsmodelle.
Bei der Klassifizierung kann ich Ihnen nicht zustimmen.
Das Problem der Nicht-Stationarität wird dort überhaupt nicht gesehen. Modelle für nominale (kategoriale) Daten sind durchaus akzeptabel. Nicht-Stationarität hat überhaupt nichts mit nominalen Daten zu tun. Darüber hinaus ist die Umwandlung von Zufallsvariablen in Nominalwerte, z. B. RSI in Niveaus, für die Ergebnisse sehr vorteilhaft.
Daraus ergibt sich die Nicht-Stationarität, ein Problem, das für jede Modellierung grundlegend ist - die Überanpassung (overfitting) des Modells. Und um das Problem der Überanpassung zu lösen, muss man sich ernsthaft mit Prädiktoren befassen.
Ich kann Ihnen nicht zustimmen, was die Einstufung betrifft.
Das Problem der Nicht-Stationarität besteht hier überhaupt nicht. Modelle für nominale (kategoriale) Daten sind durchaus akzeptabel. Nicht-Stationarität hat überhaupt nichts mit nominalen Daten zu tun. Außerdem wirkt sich die Umwandlung von Zufallsvariablen in Nominalwerte, z. B. RSI in Niveaus, sehr günstig auf die Ergebnisse aus.
Daraus ergibt sich die Nicht-Stationarität, ein Problem, das für jede Modellierung grundlegend ist - die Überanpassung (overfitting) des Modells. Und um das Problem der Überanpassung zu lösen, muss man sich ernsthaft mit Prädiktoren befassen.