Le modèle de régression de Sultonov (SRM) - qui prétend être un modèle mathématique du marché. - page 10
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
le modèle de prédiction est correct si les résidus sont normalement distribués.
Si le modèle de régression choisi décrit bien la relation réelle, alors les résidus devraient être des variables aléatoires indépendantes normalement distribuées avec une moyenne de zéro, et il ne devrait pas y avoir de tendance dans leurs valeurs.
Quel genre de stationnaire y a-t-il ?
P.S. Je suis allé voir les mammouths, je reviens, je reviens avec vous...
Oui, bien sûr. Mais le reste est testé par le test de racine unitaire, qui est la stationnarité.
Un autre problème. Et si ce n'est pas exactement comme tu l'as écrit ? Et si c'est comme vous l'avez écrit, peut-on se fier au pronostic ?
Hum, donc il s'avère que le modèle sans résidu est une composante déterministe ?
cela signifie que les variables sont déterministes et non aléatoires
Oui, bien sûr. Mais le résidu est testé par le test de racine unitaire, qui est la stationnarité.
Un autre problème. Et si ce n'est pas exactement comme vous l'avez écrit ? Et si c'est comme vous l'avez écrit, peut-on se fier au pronostic ?
Si les variables d'entrée sont normalement distribuées, stationnaires, que les résidus du modèle sont normalement distribués et que la précision de prédiction R ou R2 est satisfaisante - nous pouvons ! Et nous en avons besoin !
Hum, donc il s'avère que le modèle sans résidu est une composante déterministe ?
Un modèle sans résidus est un modèle qui prédit les valeurs de la série sans erreur. Les résidus sont l'erreur (la différence entre la valeur prédite et la valeur réelle). Il y a donc en fait une décomposition en une composante déterministe (modèle de prévision) + le bruit (résidus normalement distribués).
Je ne comprends pas ce que vous entendez par prédiction de séries discrètes ? Le résultat du traitement des données présentées est que la série discrète a MO = 0,878649833 et est significativement asymétrique vers 1. Suis-je toujours censé déterminer l'alternance prédictive de uns et/ou de zéros ? Une exigence absurde lorsqu'on traite des séries discrètes. Je suis sûr que si vous calculez la somme de cette série et que vous la divisez par le nombre de "lancers", vous obtiendrez le résultat ci-dessus.
Cette série contient 45 zéros et 45 uns. Espérance de vie = 0,5.
18 est une formule analytique. Calculez la valeur de la fonction à partir de celle-ci et prenez la différence du quotient. On obtient l'erreur de lissage. Commençons à travailler avec cette erreur. Ou ai-je manqué quelque chose ?
Si les variables d'entrée sont normalement distribuées, stationnaires, que les résidus du modèle sont normalement distribués et que la précision de prédiction R ou R2 est satisfaisante - nous pouvons ! Et nous en avons besoin !
Cela ne se produit pas sur le marché. Cotier est non-stationnaire, et la définition de non-stationnarité que nous utilisons est trop étroite pour une série réelle.
Cette ligne contient 45 zéros et 45 uns. L'attente est de 0,5.
Le marché n'existe pas. Kotier est non-stationnaire, et la définition de non-stationnarité que nous utilisons est trop étroite pour une série réelle.
Eh bien, un modèle de régression serait un signe évident. Il y a beaucoup de spécialistes qui connaissent l'analyse de régression, mais seuls quelques-uns gagnent de l'argent sur le marché.