Regressione bayesiana - Qualcuno ha fatto un EA usando questo algoritmo? - pagina 43
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
La stazionarietà è la proprietà di un processo di non cambiare le sue caratteristiche nel tempo.
Quali caratteristiche in particolare?
Dispersione
e questo è tutto?
In senso lato anche il MO e la funzione di distribuzione
Poi, a grandi linee, se MOE, uno stocastico sarebbe sufficiente. No?
I dati non stazionari non sono previsti da modelli di serie temporali. Né modelli statistici (regressione, autoregressione, smoothing, ecc.) né modelli strutturali (NS, classificazione, catene di Markov, ecc.).
Solo modelli di aree tematiche.
Non posso essere d'accordo con te sulla classificazione.
Il problema della non stazionarietà non si vede affatto. I modelli su dati nominali (categorici) sono abbastanza accettabili. La non stazionarietà non ha niente a che fare con i dati nominali. Inoltre, la conversione di variabili casuali in nominali, ad esempio RSI in livelli, ha un effetto molto favorevole sui risultati.
Ne consegue la non stazionarietà, un problema che è fondamentale per qualsiasi modellazione - l'overfitting (adattamento eccessivo) del modello. E per risolvere il problema dell'overfitting bisogna occuparsi seriamente dei predittori.
Non posso essere d'accordo con te sulla classificazione.
Non c'è affatto un problema di non stazionarietà. I modelli su dati nominali (categorici) sono perfettamente accettabili. La non stazionarietà non ha niente a che fare con i dati nominali. Inoltre, la conversione di variabili casuali in nominali, ad esempio RSI in livelli, ha un effetto molto favorevole sui risultati.
Ne consegue la non stazionarietà, un problema che è fondamentale per qualsiasi modellazione - l'overfitting (adattamento eccessivo) del modello. E per risolvere il problema dell'overfitting bisogna occuparsi seriamente dei predittori.