Matstat Econometría Matan - página 2
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Sí, eso es básicamente lo que estoy haciendo como una opción más o menos buena.
En otro modelo similar también observo a veces pequeñas divergencias, como la divergencia.
Pero no tan prolongado como en la captura de pantalla de arriba, sino bastante efímero. Me hizo preguntarme por qué sucede así.
He probado este modelo y he visto una divergencia aún más prolongada.
Así que no entiendo de dónde viene esta divergencia. No es un modelo correcto o los datos de origen son de baja calidad.
No entiendo la lógica de las acciones.
O bien debo ajustar los datos iniciales aproximadamente a la normalidad,
o bien debo palear diferentes modelos.
Pero trata de escribir este modelo primero, no es tan fácil de creer y tirar ))
Modelo inadecuado
No puedo entender la siguiente anomalía, por qué sucede esto.
He calculado un modelo ortogonal, que se supone que es mejor que el MNC.
Tengo los coeficientes de partida.
A continuación, los parámetros del modelo (coeficientes) se ajustan mediante el algoritmo de la mediana, es decir, una especie de robustez frente a los valores atípicos.
El modelo describe cualitativamente la serie inicial.
¿Qué es un modelo "ortogonal"? ¿Estás haciendo una descomposición en un sistema de funciones ortogonales? A continuación, mira a qué peso son ortogonales - el comportamiento anómalo puede depender de eso. Por ejemplo, en los bordes del segmento de ortogonalidad.
¿Qué es un modelo "ortogonal"?
¿Estás haciendo una descomposición en un sistema de funciones ortogonales?
Luego, mira con qué peso son ortogonales: el comportamiento anómalo puede depender de eso.
Por ejemplo, en los bordes del segmento de ortogonalidad.
No, no es una descomposición de funciones.
Se trata de una regresión ortogonal, en la que en cada paso del cálculo se calcula el ángulo de inclinación de la normal (phi).
La normal es el segmento más corto de una línea a un punto.
A continuación, la pendiente del ángulo (phi) se utiliza para calcular los coeficientes del modelo.
Sistema de coordenadas cartesianas
Ajuste ortogonal Ajuste del CNA
Probablemente habrá que comprobar los valores de estos ángulos en lugares anómalos.
Se trata de una regresión ortogonal, donde en cada paso de cálculo se calcula el ángulo de inclinación de la normal (phi).
Así que llámalo por su nombre humano en lugar de inventarte nombres como MSRP o TLS.
¿Y qué sentido tiene si los ejes son de diferentes dimensiones?
Así que llámalo con nombres humanos en lugar de inventarte nombres como INPC o TLS.
¿y qué sentido tiene si los ejes son de diferentes dimensiones?
¿De qué estás hablando?
Regresión ortogonal, modelo ortogonal, ¿te has confundido?
Sí, es TLS, con un refinamiento de la mediana.
Las cifras se toman como ejemplo. No son relevantes para el problema.
Los ejes de las figuras tienen la misma dimensionalidad, sólo que la escala de los dibujos es un poco diferente.
No es fundamental para entender la ortogonalidad.
Regresión ortogonal, modelo ortogonal, ¿te has confundido?
Sí, estoy de acuerdo, equivocado.
No, no es una descomposición de funciones.
Se trata de una regresión ortogonal, en la que en cada paso del cálculo se calcula el ángulo de inclinación de la normal (phi).
La normal es el segmento más corto de una línea a un punto.
A continuación, la pendiente del ángulo (phi) se utiliza para calcular los coeficientes del modelo.
Sistema de coordenadas cartesianas
Ajuste ortogonal Ajuste del CNA
Probablemente habrá que comprobar los valores de estos ángulos en los lugares anómalos.
https://www.mql5.com/ru/forum/368720#comment_22203978, la parte inferior de la figura es el lugar donde comienza la divergencia "anómala", es casi un salto de curso, donde la regresión (lineal o no lineal - son todas las mismas representaciones de Y en función de x) se fastidia, el desajuste aumenta dramáticamente. Y la disconformidad de la aproximación tanto por polinomios trigonométricos como algebraicos es proporcional al módulo de continuidad (por la desigualdad de Jackson-Stechkin, ver wiki "Módulo_continuidad"). Propiedad de proximidad del comportamiento de la función al de las funciones continuas. En el caso mostrado en esta figura, la contraparte discreta del módulo de discontinuidad aumenta bruscamente alrededor de cero.
Entonces se cambian los coeficientes en la expansión (si es lineal - Y se descompone en dos funciones : Y1(x) = 1; Y2(x) = x con coeficientes a y b: Y(x)=a+bx) ya es lento [continuo], con alisamiento mediano. Y los valores de estos coeficientes adquiridos en el salto no se apresuran a volver a los valores que habrían tenido si su metodología comenzara la aproximación desde cualquier punto después del salto, o si sustituye el salto por un movimiento de curso no tan rápido hacia el mismo punto.
Por cierto, sería interesante ver fotos similares a las que das en https://www.mql5.com/ru/forum/368720/page2#comment_22207994 para el caso particular en el que el rumbo ha cambiado casi a pasos agigantados.
https://www.mql5.com/ru/forum/368720#comment_22203978, la parte inferior de las figuras es el lugar donde comienza la divergencia "anormal", es en el salto cercano al curso, donde la regresión (lineal o no lineal - son todas las mismas representaciones de Y en función de x) se estropea, el desajuste aumenta dramáticamente. Y la disconformidad de la aproximación tanto por polinomios trigonométricos como algebraicos es proporcional al módulo de continuidad (por la desigualdad de Jackson-Stechkin, ver wiki "Módulo_continuidad"). Propiedad de proximidad del comportamiento de la función al de las funciones continuas. En el caso mostrado en esta figura, la contraparte discreta del módulo de discontinuidad aumenta bruscamente alrededor de cero.
Entonces se cambian los coeficientes en la expansión (si es lineal - Y se descompone en dos funciones : Y1(x) = 1; Y2(x) = x con coeficientes a y b: Y(x)=a+bx) ya es lento [continuo], con alisamiento mediano. Y los valores de estos coeficientes adquiridos en el salto no se precipitan a los valores que habrían tenido si su metodología comenzara la aproximación desde cualquier punto después del salto, o si sustituye el salto por un movimiento de curso no tan rápido hacia el mismo punto.
Por cierto, sería interesante ver fotos similares a las que has dado en https://www.mql5.com/ru/forum/368720/page2#comment_22207994 para el caso particular en el que el rumbo ha cambiado casi a pasos agigantados.
Gracias por su lúcida y completa explicación.
También sospeché de una desalineación en el momento de un salto, pero no lo formulé correctamente.
Dado que el suavizado de la mediana se aplica realmente, la memoria sobre el salto, dependiendo del tamaño de la ventana, sigue ahí.
Todavía no me he familiarizado con el gráfico de dispersión en mql5. Todavía en proceso de aprendizaje. Sería interesante ver también esos gráficos.
No sé en cuánto tiempo podré mostrar la gráfica, en cuanto averigüe las coordenadas lo haré.
Sin el suavizado de la mediana, en los coeficientes puros, parece ser cierto
pero luego se obtiene este patrón de recuperación
Añadido.
Se me olvidó aclarar, los datos en bruto son sólo logarítmicos sin transformación por ahora, para revelar las debilidades.
Incrementos logarítmicos: ¿no es suficiente?
Ahí se necesita una normalidad multidimensional. No se puede comprar tan barato).