Equazione di regressione - pagina 3
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
Interessante, interessante. Candido, ricordi il mio thread su Inhabited Island su un metamodello con un processo quasi-stazionario (diffurcas lì, anche un coniglio dal cappello che abbiamo tirato fuori)? Qualcosa di molto simile. La noosfera esiste, dopo tutto, e i pensieri in essa sono comuni...
Mi ricordo, come non potrei.
Ma tu chiamavi l'isola Disabitata :)
Se lo fai in MQL, avrai un sacco di problemi. Non ci sono operazioni di matrice...
https://www.mql5.com/ru/articles/1365
https://www.mql5.com/ru/articles/1365
L'ho visto, è un sacco di lavoro. Grazie per questo lavoro. Ma la ricerca, e qui si tratta di ricerca, è meglio farla in un'altra lingua dove ci sono davvero operazioni di matrice...
Z.I. Devo essermi perso Desert Island. Vorrei leggere qualcosa che abbia un senso...
http://www.nsu.ru/ef/tsy/ecmr/quantile/quantile.htm
Se lo fate in MQL, sarete nei guai. Non ci sono operazioni di matrice qui...le operazioni di matrice possono essere ridotte a operazioni aritmetiche ordinarie in ogni caso:)
In generale, l'articolo suggerisce di cercare i parametri del modello con il metodo simplex, ma è noto che è esponenzialmente lungo rispetto alla dimensionalità del problema. Quindi, mi sembra che questa sia la prima direzione in cui dovremmo lavorare. A proposito, il tuo articolo sembra essere l'unico su questo argomento in russo, e di per sé è di qualità piuttosto bassa (probabilmente, la tesina o il diploma di qualcuno:)
Vorrei che qualcuno scrivesse un simplex in MQL... Anch'io sono così pigro!
Beh, gli ellissoidi sarebbero fantastici:)))
Cercherò di spiegarlo teoricamente, dato che non sono ancora pronto a dare i dati di calcolo, sono grezzi.
...Approssimando con MNC costringiamo il polinomio di regressione ad "aggrapparsi" non solo alla parte normale del processo, ma anche agli outlier di Poisson, da qui la bassa efficienza di predizione che, in generale, ci serve per . D'altra parte, prendendo i polinomi quantili ci liberiamo completamente della seconda parte del processo, quella di Poisson: i quantili semplicemente non rispondono, e in modo assoluto. Così, identificando i luoghi dove la regressione dà tentativi significativi, possiamo quindi quasi online localizzare i "fallimenti" con un alto grado di fiducia(probabilmente non possiamo ancora prevederli, poiché non esiste un modello appropriato, almeno, non con me:).
Continuo a non capire la critica costruttiva della "povertà" di ISC...
;)
Ancora non capisco la critica costruttiva della "povertà" della MNC...
;)
Non ho finito la frase nel mezzo, immagino che sto diventando vecchio:))) basta non leggerlo iniziando con "che".
La critica, come alcuni lettori del thread hanno già capito, è rivolta alle peculiarità di MNC, che consistono in a) le sue scarse prestazioni quando si tratta di processi di natura non gaussiana (la stima MNC non è efficiente in questo caso), e b) l'incapacità di MNC di "separare" due processi - gaussiano e non gaussiano: il metodo risponde alla miscela additiva nella sua interezza, al contrario, il metodo dei minimi quadrati o la regressione quantile rispondono solo alla parte gaussiana, separando così la seconda componente dal processo.
E in generale, le MNC sono generalmente utilizzate solo perché sono molto più facili da calcolare. Allo stesso tempo, nella vita reale, molti problemi richiedono l'uso di altri metodi, ma le persone o per pigrizia o per ignoranza infilano MNA ovunque...
E in generale, i MOOC sono generalmente utilizzati solo perché sono molto più facili da calcolare. Allo stesso tempo, nella vita reale, molti problemi richiedono l'uso di altri metodi, ma la gente o per pigrizia o per ignoranza si attacca all'ANC quando può...
Penso che si sfrutti la proprietà di una funzione quadratica di trovare un minimo... Come se la derivata fosse zero nel punto 0.
Ecco perché tutti i metodi analiticamente derivati per calcolare i parametri delle funzioni funzionano indipendentemente dal campo di definizione della funzione. Ho scritto una volta su questo problema.
Ma se si adattano i migliori parametri MNC per una funzione con una definizione di -1 ....1 - si è nei guai.
Potresti averne di peggiori. Il minimo della deviazione diventerà il massimo.
Ancora una volta noto - questo è per i metodi "frontali".
E dato che stai "usando" la tua distribuzione, ed è probabilmente ;), nelle derivazioni non si riduce alla possibilità di calcolare il minimo MOC per i parametri, e soprattutto, definito entro i limiti "notevoli" - la minima verosimiglianza ha un posto.
Cerca di normalizzare i dati in modo che nessun quadrato della deviazione sia inferiore a 1.
;)
Ma la questione principale è lasciata fuori dall'inquadratura - lascia che tu prenda i parametri della distribuzione.
Come si estrapola ai quozienti? Da arctangence?
DDD