Équation de régression - page 6
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
N'y a-t-il pas d'implémentations logicielles dans les paquets mathématiques ?
La prochaine question sera "où sont les captures d'écran" :-).
Regardez sur Wikipedia, Régression quantile, il y a des liens vers des statpacks.
ou le lien au-dessus du texte. Mais il n'y a pratiquement rien à trouver en russe.
J'ai en quelque sorte décidé de reprendre lentement le programme, je vais répéter la question -
Qui sait où trouver une implémentation de la programmation linéaire, simplex au minimum, mais mieux ceci ou cela??? Peut-être que quelqu'un a des amis/connaissances dans les universités qui s'y adonnent :) Moi-même juste terriblement paresseux à creuser :)
Plus précisément, je suis particulièrement intéressé par la régression multivariée. L'examen des options pour résoudre la régression non linéaire est également intéressant. Je n'ai pas trouvé d'algorithme pour résoudre la régression multivariée dans MQL. Si vous me fournissez des liens et des indicateurs (si vous n'êtes pas trop paresseux bien sûr), ce sera génial !
En raison de mon manque d'éducation, il y a trois heures, je ne savais toujours pas ce qu'étaient la régression, le MNA et la distribution normale...
La régression linéaire multivariée dans MQL peut être vue ici. Cependant, elle semble être plus avancée que la régression linéaire multivariée (pour la trouver, comme la régression non linéaire, il suffit de résoudre un système d'équations différentielles (les dérivées partielles de la fonction cible sont nulles)).
Si je comprends bien MNC, il s'agit simplement de minimiser la fonction cible, qui est la variance. La fonction cible, bien sûr, peut aussi être définie différemment. Par exemple, pas la somme des carrés de la variance, mais la somme des valeurs absolues. Je ne suis pas encore familiarisé avec l'analyse de l'efficacité des différentes fonctions cibles.
Qui sait où trouver une implémentation de la programmation linéaire, simplex au minimum, mais mieux ceci ou cela? Peut-être que certains amis/connaissances dans les universités s'y adonnent :) Moi-même juste terriblement paresseux de creuser :).
....
Qui sait où trouver une implémentation de la programmation linéaire, simplex au minimum, mais mieux ceci ou cela? Peut-être que certains amis/connaissances dans les universités s'y adonnent :) Moi-même juste terriblement paresseux à creuser :)
Vous trouverez ci-dessous des références à des exemples de mise en œuvre de méthodes numériques de minimisation inconditionnelle, qui sont suffisamment simples, claires et nettes pour être immédiatement mises en œuvre dans MQL :
Matcad est OK. Mais, comme il se limite à un problème linéaire, il s'agit apparemment d'un simplex. Je prévois des problèmes liés à la complexité de l'énumération.
En ce qui concerne la descente, cela fonctionne-t-il pour les fonctions non lisses ?
Matcad est OK. Mais comme il est limité à un problème linéaire, il s'agit apparemment d'un simplex. Je prévois des problèmes liés à la complexité de la recherche.
À propos de la descente - fonctionnera-t-elle pour les fonctions non lisses ?
Je suis un praticien, pas un théoricien. Je ne sais pas comment résoudre les problèmes en termes généraux. Les conditions du problème ?
En arrivant à une formalisation claire de la fonction cible, il sera plus facile de chercher une méthode de travail appropriée pour trouver une solution.
Je suis un praticien, pas un théoricien. Je ne sais pas comment résoudre les problèmes en termes généraux. Les conditions du problème ?
Si vous parvenez à une formalisation claire de la fonction cible, il sera alors plus facile de rechercher une méthode de travail appropriée pour trouver une solution.
Tout est déjà formalisé, lisez le lien, celui en russe (le premier de la page 3). Le problème de la régression quantile se réduit à un problème de programmation linéaire : trouver le minimum d'une fonction linéaire sous des contraintes linéaires.
Je pensais ici que la descente de gradient fonctionnerait moins bien que la méthode simplex, puisque la méthode grad-t est plus générale. Toutes choses étant égales par ailleurs, il n'y a sciemment pas moins d'itérations.
L'article donne essentiellement une indication sur la manière de réduire le nombre d'itérations. Je vais donc probablement écrire un simplex "optimisé" pour le moment. Si j'atteins une limite de calcul, je réfléchirai davantage : ))))).