Équation de régression - page 14
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
C'est une question étrange, bien sûr en ce qui concerne le pourcentage de profit par dollar investi. Existe-t-il une autre mesure sur le marché ?
Si on donne à un Chinois une fourchette au lieu de bâtons, il ne verra pas non plus l'avantage de la fourchette...
Je vous ai dit que les quantiles et les MNC sont des choses complètement différentes. Vous prenez la méthode de négociation pour les MNC et vous remplacez la régression MNC par une régression quantile. Et le but ?
Vous pouvez donc faire entrer n'importe quelle régression dans votre TS et parler de manque d'avantage. Il ne s'agit pas de substituer purement et simplement d'autres formules, mais de changer la méthode elle-même, en partant de la nature de la construction de l'outil principal - la régression.
Je vous ai dit que les quantiles et les MNC sont des choses complètement différentes. Vous prenez la méthode de négociation pour les MNC et vous remplacez la régression des MNC par une régression quantile. Et le but ?
Je suppose que je sais comment et ce que j'utilise dans mes stratégies. Les MCO et les quantiles sont des choses différentes, mais une régression est une régression de toute façon.
Il y a aussi l'agressivité stupide, que vous démontrez maintenant.
Il y a aussi l'agressivité débile, vous la montrez maintenant.
Je suis d'accord.
Je suis d'accord avec vous. Je vais exercer mon droit d'être un nerd et écrire quelque chose, et vous pouvez me corriger si je divague.
L'idée derrière l'utilisation d'une régression est qu'une régression de quelques échantillons en avant (en arrière) d'un échantillon de sa construction montrera des résultats proches de BP. Une régression construite en utilisant l'ANC sur des distributions normales est la meilleure solution - elle montre les résultats les plus proches. Ce n'est pas le cas pour les BP de prix. De plus, pour qu'une régression sur un RV de prix montre des résultats proches en dehors de l'échantillon de sa construction, elle ne doit pas nécessairement montrer des valeurs proches sur l'échantillon de sa construction lui-même. Il s'agit d'une observation très importante. C'est-à-dire qu'il est possible de construire une régression telle qu'elle donnera de mauvais résultats dans l'échantillon de sa construction et d'excellents résultats en dehors de cet échantillon.
Mais il s'agit plutôt d'une théorie. Il est très important de comprendre la signification du mot "proche". La proximité hors échantillon peut être évaluée à l'aide de différentes méthodes. Vous pouvez utiliser la RMS, la médiane, l'erreur moyenne absolue, etc. Il existe de nombreuses méthodes.
Alors comment enquêter sur la régression ? C'est bon ou pas ? Correct, comme je l'ai écrit ci-dessus, la qualité de la régression est mesurée par la proximité de ses valeurs (par rapport à la BP) hors échantillon (pour un certain nombre d'échantillons) de sa construction.
Décidons d'abord d'une méthode pour déterminer la proximité. Que ce soit d'abord le RMS.
Nous avons WR EURUSD de 100 000 échantillons. Nous construisons la régression sur 100 échantillons. Et nous compterons la proximité pour 10 échantillons en avant (en arrière) derrière l'échantillon de son bâtiment.
Ainsi, nous avons construit la régression sur EURUSD en utilisant les données BP de 1 à 100. Nous avons comparé sa lecture avec celle de BP sur les données de la 101e à la 110e - calculée RMS (que ce soit RMS1).
Nous avons maintenant construit une régression sur EURUSD en utilisant les données BP du 2 au 101. Nous avons comparé ses relevés à ceux de BP sur les données de la 102e à la 111e - nous avons calculé RMS (disons RMS2).
Et ainsi de suite jusqu'à la fin de la BP EURUSD - 100 000 lectures.
J'ai obtenu beaucoup de résultats RMS : RMS1, RMS2, ..... - C'est BP. Nous devrions enquêter. Regardez l'espérance mathématique (médiane) et la variance (variance médiane). Construire la distribution. Ce résultat nous indique la qualité de notre régression. Permettez-moi de vous rappeler que nous avons mesuré la proximité par le biais du RMS, nous aurions pu le faire différemment.
Prenons maintenant une autre régression, et obtenons également, comme écrit ci-dessus, son BP RMS.
Et lorsque vous comparez différentes régressions avec leur ORR RMS, nous pouvons alors parler des avantages ou des inconvénients d'une régression par rapport à une autre.
P.S. L'EURUSD a été pris comme exemple. Bien sûr, on pourrait prendre des BP de n'importe quelle nature, pas nécessairement des prix. Par exemple, BP of Equity TS ou autre chose.
Je suis d'accord ici aussi. Je vais exercer mon droit d'être un nerd et écrire quelque chose, et vous pouvez me corriger si je divague.
Tu penses de façon étroite. Tout ce que vous dites, c'est qu'il s'agit d'un BP autorégressif, mais ce n'est qu'un cas spécial très étroit d'utilisation de l'analyse de régression. En conséquence, tout dépend de ce sur quoi vous régressez et de la distribution du ou des paramètres qui en résultent. Si la distribution est normale, alors la CNA est excellente. Et si ce n'est pas normal... Et si ce n'est pas symétrique... Et si l'on s'intéresse soudain aux limites de ces paramètres... C'est là que les options entrent en jeu. La question portait sur l'ISC à la décharge. Non, elle n'a pas été supprimée, car il existe encore de véritables problèmes commerciaux pour lesquels elle fonctionne mieux que d'autres à un coût de calcul bien inférieur.
Vous pensez de façon étroite. Tout ce que vous dites, c'est qu'il s'agit d'une autorégression d'une seule BP, mais ce n'est qu'un cas spécial très étroit d'utilisation de l'analyse de régression. Cela dépend donc de ce sur quoi vous régressez et de la distribution du ou des paramètres résultants. Si la distribution est normale, alors la CNA est excellente. Et si ce n'est pas normal... Et si ce n'est pas symétrique... Et si l'on s'intéresse soudain aux limites de ces paramètres... C'est là que les options entrent en jeu. La question portait sur l'ISC à la décharge. Non, ne le jetez pas, car il existe encore de vrais problèmes commerciaux pour lesquels il fonctionne mieux que d'autres avec un coût de calcul bien moindre.
Vous voyez combien vous avez écrit, en mentionnant diverses nuances en passant. Je n'aurais pas pu les découvrir tous ici. On vous donne un exemple, et vous tirez des conclusions sur l'étroitesse.
Je n'ai parlé de l'auto-régression que parce qu'Alsu a fourni des images de son utilisation.
Mon message ne portait pas sur les particularités de l'analyse de régression, mais sur l'estimation de divers modèles de régression. Vous devez comparer les estimations de régression. Et vous ne pouvez pas dire sans ambiguïté que quelque chose est mauvais et que quelque chose ne l'est pas. Le résultat de l'application de la régression montre, en particulier, le BP du RMS, comme je l'ai écrit plus haut.
Il est possible d'appliquer la régression à n'importe quelle BP, comme je l'ai écrit plus haut. Aux résidus d'autocorrélation, aux queues, etc. En général à tout. Mais les méthodes d'estimation de la régression ne changent pas par rapport à la nature de la BP initiale.
Mais les méthodes d'estimation de la régression ne changent pas de la nature de la BP originale.
La méthode d'estimation de la régression - oui, mais la méthode elle-même ne peut intéresser que les esthètes profonds des mathématiques pures. Personnellement, en tant que praticien, je m'intéresse à l'estimation combinée, qui comprend l'estimation de la régression et en même temps l'adéquation de son application. Cette estimation combinée est donc mesurée en dollars. Et dans mon cas, cela a montré l'avantage de la régression MNC par rapport à la régression par quintile, même avec des distributions à queue épaisse. Pour quelqu'un, une régression par quintile peut être plus adéquate, s'il peut la convertir en argent.
- Vous aimez les chats ?
- Non.
- Tu ne sais juste pas comment les cuisiner.
Il ne s'agit donc pas de l'adéquation des méthodes d'estimation de la régression. Il s'agissait de l'adéquation de l'application du modèle de régression lui-même aux BP d'origine.
L'applicabilité de la régression quantile et de la régression MNA directement aux BP de prix peut être évaluée par les méthodes, dont une que j'ai citée. Il est évident que plus la régression est proche, plus vous obtenez de bénéfices en termes monétaires, car une meilleure proximité indique une estimation plus précise (adéquate) des relevés futurs.
Vous avez comparé les régressions d'une manière plutôt subjective, simplement en les substituant dans votre TS. J'ai, quant à moi, suggéré un moyen objectif de comparer l'adéquation de leur applicabilité aux BP d'origine.
Et si ce n'est pas normal... Et s'il n'est pas non plus symétrique...
Je suis intéressé par votre opinion. Si nous avons réussi à transformer le prix VR à un point tel que sa distribution est symétrique et très proche de la normale (je ne peux pas l'affirmer, car l'échantillon est toujours fini), que pouvons-nous en faire ? C'est-à-dire que nous pouvons dire que le problème de cointégration est résolu. Comment envisagez-vous la suite des événements dans cette affaire ?
Il n'y a pas assez d'informations disponibles. La marche aléatoire a une distribution normale. Mais il n'y a pas d'argent à gagner avec ça.
Que voulez-vous dire par "problème de co-intégration résolu" ? L'objectif de l'utilisation de la cointégration est d'obtenir une BP stationnaire. Si cela réussit, vous pouvez commencer à couper les choux. Et il importe peu que cette TA soit normale ou non.