Ecuación de regresión - página 3
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
Interesante, interesante. Cándido, ¿recuerdas mi hilo en La isla habitada sobre un metamodelo con un proceso cuasi estacionario (difurcas allí, también un conejo sacado de la chistera)? Algo muy parecido. La noosfera existe, después de todo, y los pensamientos en ella son comunes...
Lo recuerdo, cómo no hacerlo.
Pero usted solía llamar a la isla Deshabitada :)
Si lo haces en MQL, tendrás muchos problemas. No hay operaciones matriciales...
https://www.mql5.com/ru/articles/1365
https://www.mql5.com/ru/articles/1365
Lo he visto. Es mucho trabajo. Gracias por ese trabajo. Pero la investigación, y aquí es la investigación, se hace mejor en otro idioma donde realmente hay operaciones matriciales...
Z.I. Debo haberme perdido la Isla del Desierto. Me gustaría leer algo que tuviera sentido...
http://www.nsu.ru/ef/tsy/ecmr/quantile/quantile.htm
Si lo haces en MQL, tendrás problemas. Aquí no hay operaciones matriciales...las operaciones matriciales pueden reducirse a operaciones aritméticas ordinarias en cada caso:)
En general, el artículo sugiere buscar los parámetros del modelo por el método simplex, pero se sabe que es exponencialmente largo en relación con la dimensionalidad del problema. Por tanto, me parece que esta es la primera dirección en la que debemos trabajar. Por cierto, tu artículo parece ser el único sobre este tema en ruso, y en sí mismo es de bastante baja calidad (probablemente, el trabajo de fin de curso o el diploma de alguien:)
Me gustaría que alguien escribiera un simplex en MQL... ¡Yo también soy muy perezoso!
Bueno, los elipsoides serían geniales:)))
Intentaré explicarlo de forma teórica, ya que aún no estoy preparado para dar los datos de cálculo, están en bruto.
...Al aproximar con MNC forzamos al polinomio de regresión a "aferrarse" no sólo a la parte normal del proceso, sino también a los valores atípicos de Poisson, de ahí la baja eficiencia de predicción que, en general, necesitamos para . Por otro lado, al tomar los polinomios de cuantiles nos deshacemos completamente de la segunda parte del proceso, la de Poisson: los cuantiles simplemente no responden a ella, y de forma absoluta. Así, identificando los lugares donde la regresión da intentos significativos, podemos así localizar casi en línea los "fracasos" con un alto grado de confianza(probablemente no podemos predecirlos todavía, ya que no hay un modelo apropiado, al menos, no conmigo:).
Sigo sin entender la crítica constructiva a la "pobreza" de ISC...
;)
Sigo sin entender la crítica constructiva a la "pobreza" del MNC...
;)
No terminé la frase en el medio, supongo que me estoy haciendo viejo:))) simplemente no lo leas empezando por "que".
La crítica, como ya se han dado cuenta algunos lectores del hilo, va dirigida a las peculiaridades de la MNC, que consisten en a) su pobre rendimiento cuando se trata de procesos de naturaleza no gaussiana (la estimación de la MNC no es eficiente en este caso), y b) la incapacidad de la MNC para "separar" dos procesos - gaussianos y no gaussianos: el método responde a la mezcla aditiva en su totalidad, en cambio, el método de mínimos cuadrados o la regresión cuantílica sólo responderán a la parte gaussiana, separando así el segundo componente del proceso.
Y, en general, sólo se utilizan los TPM porque son mucho más fáciles de calcular. Al mismo tiempo, en la vida real, muchos problemas requieren el uso de otros métodos, pero la gente, ya sea por pereza o por ignorancia, mete el MNA en todas partes...
Y, en general, los MOOC sólo se utilizan porque son mucho más fáciles de calcular. Al mismo tiempo, en la vida real, muchos problemas requieren el uso de otros métodos, pero la gente, por pereza o por ignorancia, se aferra al CNA siempre que puede...
Creo que se aprovecha la propiedad de una función cuadrática para encontrar un mínimo... Como que la derivada es cero en el punto 0.
Por ello, todos los métodos derivados analíticamente para calcular los parámetros de las funciones funcionan independientemente del campo de definición de la función. Ya escribí una vez sobre este problema.
Pero si se ajustan los mejores parámetros del MOC para una función con una definición de -1 ....1 - se está en problemas.
Es posible que te toque algo peor. El mínimo de la desviación se convertirá en el máximo.
Una vez más, observo que esto es para los métodos "frontales".
Y ya que está "usando" su propia distribución, y es probablemente ;), en las derivaciones no se reduce a la posibilidad de calcular el mínimo MOC para los parámetros, y lo que es especialmente importante, definido en límites "notables" - la probabilidad mínima tiene un lugar.
Intenta normalizar los datos para que ningún cuadrado de la desviación sea inferior a 1.
;)
Pero la cuestión principal queda fuera del marco: dejar que se recojan los parámetros de la distribución.
¿Cómo se extrapola a los cocientes? ¿Por arctangencia?
DDD