Équation de régression - page 3
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
Intéressant, intéressant. Candid, vous vous souvenez de mon fil de discussion sur l'île habitée à propos d'un métamodèle avec un processus quasi-stationnaire (diffurcas là, également un lapin sorti d'un chapeau que nous avons tiré) ? Quelque chose de très similaire. La noosphère existe, après tout, et les pensées qui s'y trouvent sont communes...
Je me souviens, comment ne pas le faire.
Mais vous aviez l'habitude d'appeler l'île Inhabitée :)
Si vous le faites en MQL, vous aurez de gros problèmes. Il n'y a pas d'opérations matricielles...
https://www.mql5.com/ru/articles/1365
https://www.mql5.com/ru/articles/1365
Je l'ai vu. C'est beaucoup de travail. Merci pour ce travail. Mais la recherche, et là il s'agit de recherche, est mieux faite dans une autre langue où il y a vraiment des opérations matricielles...
Z.I. J'ai dû manquer Desert Island. J'aimerais lire quelque chose qui aurait un sens...
http://www.nsu.ru/ef/tsy/ecmr/quantile/quantile.htm
Si vous le faites en MQL, vous aurez des problèmes. Il n'y a pas d'opérations matricielles ici...les opérations matricielles peuvent être réduites à des opérations arithmétiques ordinaires dans chaque cas :)
En général, l'article suggère de rechercher les paramètres du modèle par la méthode du simplexe, mais on sait qu'elle est exponentiellement longue par rapport à la dimensionnalité du problème. Il me semble donc que c'est la première direction dans laquelle nous devrions travailler. A propos, votre article semble être le seul sur ce sujet en russe, et en soi, il est d'assez mauvaise qualité (probablement, le travail de fin d'études ou le diplôme de quelqu'un :).
J'aimerais que quelqu'un écrive un simplex en MQL... Je suis tellement paresseux moi-même !
Eh bien, des ellipsoïdes seraient parfaits :))))
Je vais essayer de l'expliquer théoriquement, car je ne suis pas encore prêt à donner les données de calcul, elles sont brutes.
...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, nous pouvons donc presque en ligne localiser les "échecs" avec un haut degré de confiance(nous ne pouvons probablement pas encore les prédire, car il n'y a pas de modèle approprié, du moins, pas avec moi :).
Je ne comprends toujours pas la critique constructive de la "pauvreté" de l'ISC...
;)
Je ne comprends toujours pas la critique constructive de la "pauvreté" du MNC...
;)
Je n'ai pas fini la phrase au milieu, je suppose que je deviens vieux :))) il suffit de ne pas la lire en commençant par "lequel".
La critique, comme certains lecteurs du fil de discussion l'ont déjà compris, vise les particularités de MNC, qui consistent en a) sa mauvaise performance lorsqu'il s'agit de processus de nature non gaussienne (l'estimation de MNC n'est pas efficace dans ce cas), et b) l'incapacité de MNC à "séparer" deux processus - gaussien et non gaussien : la méthode répond au mélange additif dans son intégralité, alors que la méthode des moindres carrés ou la régression quantile ne répondront qu'à la partie gaussienne, séparant ainsi la deuxième composante du processus.
Et en général, les MNC ne sont utilisés que parce qu'ils sont beaucoup plus faciles à calculer. En même temps, dans la vie réelle, de nombreux problèmes nécessitent l'utilisation d'autres méthodes, mais les gens, soit par paresse, soit par ignorance, mettent des MNA partout...
Et en général, les MOOC ne sont utilisés que parce qu'ils sont beaucoup plus faciles à calculer. En même temps, dans la vie réelle, de nombreux problèmes nécessitent l'utilisation d'autres méthodes, mais les gens, par paresse ou par ignorance, s'en tiennent à la CNA partout où ils le peuvent...
Je pense que la propriété d'une fonction quadratique de trouver un minimum est exploitée... Comme la dérivée est nulle au point 0.
C'est pourquoi toutes les méthodes dérivées analytiquement du calcul des paramètres des fonctions fonctionnent quel que soit le domaine de définition de la fonction. J'ai déjà écrit sur ce problème.
Mais si vous ajustez les meilleurs paramètres MNC pour une fonction dont la définition est -1 ....1, vous allez avoir des problèmes.
Vous pouvez en avoir de pires. Le minimum de l'écart deviendra le maximum.
Je le répète, il s'agit de méthodes "frontales".
Et puisque vous "utilisez" votre propre distribution, et elle l'est probablement ;), dans les dérivations, elle ne se réduit pas à la possibilité de calculer le minimum MOC pour les paramètres, et surtout, définie dans les limites "remarquables" - le minimum de vraisemblance a sa place.
Essayez de normaliser les données pour que le carré de l'écart ne soit pas inférieur à 1.
;)
Mais la question principale est laissée en dehors du cadre - laissez vous prendre les paramètres de distribution.
Comment l'extrapoler aux quotients ? Par arctangence ?
DDD