Équation de régression - page 2
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Eh bien, obtenez une distribution empirique des erreurs lorsqu'elles sont approximées par un polynôme. Et comparez-le à celui de la normale. Portez une attention particulière aux queues, et non à la partie centrale.
S'agit-il de choisir les meilleurs paramètres polynomiaux (au sens de MNC) ?
Ou bien parlons-nous de choisir les meilleurs dans un sens différent ?
Ou bien parlons-nous de l'exactitude du polynôme pour l'approximation ?
J'ai demandé une explication de l'inefficacité de MNC pour calculer les paramètres d'une fonction présélectionnée (après tout, la raison de la queue épaisse peut se trouver dans une fonction malheureuse :).
Et s'il existe des procédures tout aussi simples pour déterminer ces paramètres - je suis heureux d'en prendre connaissance.
Mais je suis surpris par la formulation de la question : puisqu'il y a des queues dans les erreurs, ce n'est pas un bon MNC...
;)
Il est préférable d'utiliser la régression LAD ou quantile. C'est plus compliqué (vous devrez coder beaucoup plus, et vous devrez le brancher sur la science), mais ça marche...
Quoi, la vérité pour les travaux de citation ? Existe-t-il des preuves objectives à ce sujet ?
P.S. A mon avis, toute approximation prétendant extrapoler suppose la stationnarité. Les queues de poisson (toujours selon moi) représentent simplement des ruptures de stationnarité, c'est-à-dire que la tentative de les prendre en compte n'ajoutera rien de concret à la prédiction. Cela élargira donc les intervalles de confiance, rendant la prédiction inutile, et à quoi cela nous servira-t-il ?
Mais ce n'est qu'un raisonnement spéculatif, je serais heureux de voir des données réelles pour le réfuter.
P.S. A mon avis, toute approximation prétendant extrapoler suppose la stationnarité. Les queues de pie (encore une fois, selon moi) représentent simplement des discontinuités de stationnarité, c'est-à-dire qu'essayer de les prendre en compte n'ajoutera rien de concret à la prédiction. Cela élargira donc les intervalles de confiance, rendant la prédiction inutile, et à quoi cela nous servira-t-il ?
Mais ce n'est qu'un raisonnement spéculatif, je serais heureux de voir les données réelles pour le réfuter.
L'évaluation des paramètres de régression dans l'analyse multidevise peut ne pas impliquer une extrapolation "directe", et la prise en compte de ces paramètres, par exemple dans le trading sur des paires moins liquides - vous permet d'obtenir un certain avantage statistique (parce que nous ne faisons pas de trading sur le marché, mais sur la base des cotations DT).
Mais l'écart est trop grand...
Mais néanmoins - si les majors bougent de manière significative, les mineurs se comporteront comme "écrit".
;)
FreeLance:
Mais néanmoins - s'il y a un mouvement significatif dans les majeures, les mineures se comporteront comme "écrites".
Quoi, la vérité pour les travaux de citation ? Existe-t-il des preuves objectives à ce sujet ?
P.S. A mon avis, toute approximation prétendant extrapoler suppose la stationnarité. Les queues de poisson (toujours selon moi) représentent simplement des ruptures de stationnarité, c'est-à-dire que la tentative de les prendre en compte n'ajoutera rien de concret à la prédiction. Cela élargira donc les intervalles de confiance, rendant la prédiction inutile, et à quoi cela nous servira-t-il ?
Mais ce n'est qu'un raisonnement spéculatif, j'aimerais bien voir des données réelles qui le réfutent.
Je vais essayer de l'expliquer théoriquement car je ne suis pas prêt à présenter mes calculs tels qu'ils sont bruts.
Au cours de mes recherches, j'ai essayé de présenter la série chronologique des prix comme une somme de deux processus stationnaires ( !): a) gaussien avec des corrélations significatives jusqu'à 2-3 comptes (à proprement parler, il est quasi-stationnaire, car les caractéristiques sont encore un peu "flottantes") et b) flux de Poisson des réponses aux influences externes. La première est celle que nous connaissons tous. La seconde est simplement ce que vous avez appelé les "discontinuités de stationnarité" et qui produit effectivement des queues exponentielles épaisses. Mais si nous prenons en compte ce modèle particulier, il s'avère que la non-stationnarité du flux de cotations que nous voyons à l'écran est apparente - en fait, la somme des deux processus stationnaires est stationnaire à la fois au sens large et au sens étroit.
En faisant l'approximation avec MNC, nous forçons le polynôme de régression à "s'accrocher" non seulement à la partie normale du processus, mais aussi aux valeurs aberrantes de Poisson, d'où la faible efficacité de prédiction dont nous avons généralement besoin pour . D'autre part, en prenant des polynômes quantiles, nous nous débarrassons complètement de la deuxième partie, de Poisson, du processus : les quantiles n'y répondent tout simplement pas, et de manière absolue. Ainsi, en identifiant les endroits où la régression donne des essais significatifs, on peut donc presque en ligne localiser les "échecs" avec un haut degré de certitude (les prédire n'est probablement pas encore possible, car il n'existe pas de modèle approprié, du moins, je n'en ai pas :).
Je vais donner grossièrement (très) mes résultats comparatifs (ils ont été faits à moitié manuellement) : l'efficacité de la localisation de la discontinuité de stationnarité (fréquence de sa détection correcte sur la première barre) à MNC est d'environ 0.55-0.6, aux quantiles - 0.85 et plus (il y a beaucoup de travail à faire ici). C'est le gain.
En faisant une approximation avec ANM, nous forçons le polynôme de régression à "s'accrocher" non seulement à la partie normale du processus, mais aussi aux valeurs aberrantes de Poisson, d'où la faible efficacité de la prédiction, dont nous avons généralement besoin pour . D'autre part, en prenant des polynômes quantiles, nous nous débarrassons complètement de la deuxième partie, de Poisson, du processus : les quantiles n'y répondent tout simplement pas, et de manière absolue. Ainsi, en identifiant les endroits où la régression donne des essais significatifs, nous pouvons donc presque en ligne localiser les "échecs" avec un haut degré de certitude (nous ne pouvons probablement pas encore les prédire, car il n'y a pas de modèle approprié, du moins pour moi :)
Hmmm. Donc c'est exactement le contraire, pas un élargissement de l'intervalle de confiance, mais un rétrécissement. Très intéressant, je dois le lire, merci.
En ce qui concerne la stationnarité et le processus de discontinuité, on peut bien sûr discuter. Mais il n'y a pas d'arguments, donc il ne reste qu'une seule chose à laquelle penser.
Peut-être avez-vous aussi résolu le problème du temps ? :) Je veux parler du problème du choix de la taille de la fenêtre.
Dans mes recherches, j'ai essayé de représenter la série chronologique des prix comme une somme de deux processus stationnaires ( !) : a) une gaussienne avec des corrélations significatives jusqu'à 2-3 comptes (à proprement parler, elle est quasi-stationnaire, car les caractéristiques " flottent " un peu) et b) un flux de Poisson de réponses aux influences externes. La première est celle que nous connaissons tous. La seconde est simplement ce que vous avez appelé les "discontinuités de stationnarité" et ce qui conduit réellement à la formation de queues exponentielles épaisses.
Intéressant, intéressant. Candide, te souviens-tu de mon fil de discussion sur l'île habitée à propos d'un métamodèle avec un processus quasi-stationnaire (diphurs là, également le lapin sorti du chapeau que nous avons tiré) ? Quelque chose de très similaire. La noosphère existe, après tout, et les pensées qui s'y trouvent sont communes...
Peut-être avez-vous aussi résolu le problème du temps ? :) Je fais référence au problème de la sélection de la taille de la fenêtre.