Diálogo del autor. Alexander Smirnov. - página 38

Nuevo comentario
 
Prival:
Yurixx:
lna01:


Puedo darle los cálculos analíticos pertinentes.


aquí desde aquí si no es difícil de elaborar. con nuevos datos los coeficientes A y B pueden cambiar, creo, aunque puedo estar equivocado :-). Para LR parece estar resuelto, pero para la regresión parabólica ¿cómo?

sum=0.0;
for (i=0; i<p; i++)
{
    fx = A*i*i + B*i + C;
    dc = Close[i] - fx;
    sum += dc * dc;
}
sq = MathSqrt(sum / p);
 
Yurixx:


Me gustaría saber qué podría ser superfluo en estas fórmulas. :-)

En cuanto a la "expresión real", ¿de dónde crees que salen todas esas fórmulas? Si se sustituyen las fórmulas finitas derivadas del MNA para A y B en esta "expresión real", se obtiene la expresión anterior para el RMS. Puedo dar los cálculos analíticos correspondientes.

OK, estoy de acuerdo, exactamente en estos - no :)
Por definición, la recursión es el cálculo del siguiente valor utilizando el anterior? Entonces el cálculo de sumas acumulativas es la recursión más natural.
La cuestión es que mi cálculo por "expresión real" da alguna incoherencia con estas fórmulas. Estos son los resultados para N=5 y N=20. Las líneas se contaron como LR + 3*SCO, para la línea blanca el RMS se tomó como sqrt((RMS^2)*N/(N-2)). La línea roja es según mi fórmula, la línea blanca es según tu fórmula. Para N=20 la línea roja es casi invisible, podemos suponer que los resultados coinciden con una buena precisión. Pero para N=5 las diferencias son bastante notables.
 
ANG3110:
Sí, puedes contar la suma una vez al principio y simplemente restar el último elemento y añadir un nuevo primer elemento. Entonces funciona sin ciclo.

El problema es que en LRMA a y b se recalculan en cada barra. Es decir, la simple modificación de la suma de errores no es una opción.
 
ANG3110:
Privado:
Yurixx:
lna01:


Puedo darle los cálculos analíticos pertinentes.


aquí desde aquí si no te importa elaborar. con la llegada de nuevos datos los coeficientes A y B pueden cambiar, creo, aunque podría estar equivocado :-). Para LR parece estar resuelto, pero para la regresión parabólica ¿cómo?

sum=0.0;
for (i=0; i<p; i++)
{
    fx = A*i*i + B*i + C;
    dc = Close[i] - fx;
    sum += dc * dc;
}
sq = MathSqrt(sum / p);


No se calcula el coeficiente B. Aunque si se añade su cálculo, parece volver al valor original. No hay recursión, es decir, añadir al valor anterior uno nuevo, calculado en el paso 0. ANG3110 lo siento no hay recursión
 
lna01:
ANG3110:
Sí, puedes contar la suma una vez al principio y simplemente restar el último elemento y añadir el nuevo primer elemento. Entonces, funciona sin ciclo.

El problema es que LRMA recalcula a y b en cada barra. Así que no puedes salirte con la tuya modificando la suma de errores.
Y ese caso con la expresión LRMA - es para leer inmediatamente los datos finales de LR y no está destinado a calcular el RMS.
Pero al calcular la LRMA, sin utilizar los coeficientes de la línea a y b, no se gana nada en recursos calculados, y se empobrece en posibilidades, porque en la fórmula de regresión lineal b es la posición final, y a*i es el ángulo. Y lo que es más importante, conociendo a y b, se puede calcular fácilmente el RMS. O podemos hacer lo contrario y calcular que la RMS sea constante y que el periodo varíe, entonces obtendremos una regresión, como un traje hecho exactamente a la medida de la tendencia.
 
ANG3110:
y el periodo cambiaría, entonces obtendría una regresión, como un traje cosido exactamente a la medida, bajo la tendencia.

Si hay un indicador que tiene esta propiedad. ¿Sería posible compartirlo? Aunque entiendo que esto no es algo que se publique en el dominio público, pero si de repente lo decides, los pantalones amarillos y dos coo en una reunión + tu bebida favorita a estas horas intentarán conseguirlo :-)

Necesito una parábola, no me interesa LR.

 
Prival:
ANG3110:
Privado:
Yurixx:
lna01:


Puedo darle los cálculos analíticos pertinentes.


aquí desde aquí si no te importa más detalles. con la llegada de nuevos datos los coeficientes A y B pueden cambiar, creo, aunque podría estar equivocado :-). Para LR parece estar resuelto, pero para la regresión parabólica ¿cómo?

sum=0.0;
for (i=0; i<p; i++)
{
    fx = A*i*i + B*i + C;
    dc = Close[i] - fx;
    sum += dc * dc;
}
sq = MathSqrt(sum / p);


No se calcula el coeficiente B. Aunque si se añade su cálculo, parece volver al valor original. No hay recursión, es decir, añadir al valor anterior uno nuevo, calculado en el paso 0. ANG3110 Lo siento, aquí no hay recursión.
Pero, ¿por qué necesitamos la recursividad en este caso? Bueno, entiendo que cuando en los cálculos utilizados 10 - 20 regresiones a la vez, bueno, entonces los métodos de cálculo sin un ciclo, se vuelven relevantes, y resuelto con matrices es muy fácil. Pero para una o dos líneas, es como si no hubiera nada más que hacer que inventar la recursividad. Yo personalmente estoy sentada en la fiesta de cumpleaños de mi hija y realmente no tengo nada más que hacer, así que estoy esperando a que terminen.
 
ANG3110:
...
¿Por qué necesitamos esta recursión en este caso? Bueno, entiendo que cuando en los cálculos se utilizan 10 - 20 regresiones a la vez, bueno, entonces los métodos de cálculo sin ciclo, se vuelven actuales, y se resuelven con arrays muy fácilmente, pero para una - dos líneas. Es como si no hubiera nada más que hacer que componer la recursión. Yo personalmente estoy sentada en la fiesta de cumpleaños de mi hija y realmente no tengo nada más que hacer, así que estoy esperando a que terminen.

análisis multidivisa, con diferentes periodos de ciclo. Si se cuentan ciclos (período de muestra) de 1, 2, 8, 12, 24 y 120 horas + para 12 monedas, la velocidad de cálculo no es lo último. Aunque (lo siento, no hay cara sonriente con una taza o tiro) mi hija cumple 12 años el 14 de febrero, así que estoy escribiendo entre tiros y entreteniendo a los invitados (que se reunieron todos el sábado).
 
ANG3110:
Pero al calcular el LRMA, sin utilizar los coeficientes de las líneas a y b, no se gana nada en recursos computacionales y se empobrecen las posibilidades,
...
Y, lo que es más importante, es posible calcular el RMS. O podemos hacerlo de la forma contraria, y calcular que la RMS sea constante y el periodo varíe, entonces obtendremos la regresión, como un traje hecho exactamente a la medida de la tendencia.
Sólo los algoritmos LRMA de esta rama ganan muchos recursos. Añadir al algoritmo para calcular a, y RMS(b en mi versión cuenta) recursos adicionales, por supuesto, tomará, pero no mucho. Por cierto la imagen de arriba con los "medios canales" fue hecha rápidamente con mi versión de LRMA (que es de MovingLR). En realidad mi interés en esta rama está en pulir el algoritmo forzado de regresión recalculado en cada barra, para que el RMS sea constante ya lo intenté antes y no quedé satisfecho con los resultados.
 
¿Qué hacemos con a y b? Hay una fórmula probada para LR - no hay línea recta k-tipos. Hay mash-ups triviales. Prival, estoy hablando exactamente de LR, vamos a tratarlo primero.
1...3132333435363738394041424344
Nuevo comentario