3）MLEの標準版。 MLEの定義としてよく使われるが、これは手法の適用範囲を狭めすぎている。 使用される仮定は、サンプル内のすべての確率変数 a) は独立で、 b) は密度 p(x,a), (a は推定されるパラメータ)を持つ同じ一変量分布を持つというものである。 すると尤度関数L=p(x1,a)*p(x2,a)*...*p(xn,a)、ここでnはサンプルサイズです。 サンプル(第一義)をxに代入し、L=L(a)を求め、Lが最大となるamaxを 探せばよい。 なお、LL(a)=log(L(a))はL(a)の代わりに最大化できる。対数は単調関数で、便利なことに積を加算に置き換えるからである。
トピックスターターからの要望で、最尤法の原理について続けます。簡潔にするため、英語ではMLE（maximum likelihood estimation）と表記する。
定義によれば、尤度は結合分布の密度である。サイズNの標本では、数値N次元空間の数値関数である。その上、決定（推定）されるパラメータにも依存する。
その結果、この機能はどこから来るのだろうかという疑問が生じます。答えは「たまたま」です）、多様な方法をすべて網羅することは不可能だからです。
信憑性とは、信頼区間 内に収まる確率のことである。また、もっともらしいとは何でしょうか？簡単に言えば、結合分布の密度がなければ。
信憑性とは、信頼区間 内に収まる確率のことである。もっともらしいとは？簡単に言えば、結合分布の密度がなければ。
密度の概念について、具体的にどのようなことが難しいのでしょうか？
いつものように-まず正規性、次に定常性、そして...。あいもかわらず
ところで、誰もがガウスノイズをホワイトと呼ぶわけではありません。白は白、ガウシアンはガウシアン。
あなたの作品を読むと、チック操作をいくらしても列の永続性が変わらないことが実質的に証明されています。(笑) おめでとうございます。
こだわりと何の関係があるのですか？その言葉には全く触れていないのですが...。ドク、悪いけど、思ったよりバカなんだね...。それは、シリーズの構造を最大限に維持することであり、構造はご存知のように、非エントロピー（またはエントロピー）を担っています。
M1以上を扱うことは、デモリッションのないWienerプロセスを扱うことと変わらないことが示されている。また、ダニや 間引いたダニを扱うときとは、まったく異なる方法を適用する必要があります。
ワーロック方式で、ある工夫をすることで成功したという報告があるのですが......。
彼らには彼らのたまり場があり、あなたは何も理解していないため、その中でかなり余計な存在になっています。
市場には一切手を出すべきではない、あなたは市場を嫌い、市場もあなたを嫌っているのです。
話すのをやめよう
3）MLEの標準版。
MLEの定義としてよく使われるが、これは手法の適用範囲を狭めすぎている。
使用される仮定は、サンプル内のすべての確率変数
a) は独立で、
b) は密度 p(x,a),
(a は推定されるパラメータ)を持つ同じ一変量分布を持つというものである。
すると尤度関数L=p(x1,a)*p(x2,a)*...*p(xn,a)、ここでnはサンプルサイズです。
サンプル(第一義)をxに代入し、L=L(a)を求め、Lが最大となるamaxを 探せばよい。
なお、LL(a)=log(L(a))はL(a)の代わりに最大化できる。対数は単調関数で、便利なことに積を加算に置き換えるからである。
例えば、指数 分布 p(x,a)=a*exp(-a*x), log(p(x,a))=log(a)-a*x,
パラメータ d(log(p(x,a)))/da=1/a-x による微分を考えてみてください。
したがって、1/a-x1+1/a-x2+...+1/a-xn=0→amax=n/(x1+x2+...+xn)という方程式を解けばよいことになる。
4) 次回は、MNCの代わりにモジュールの総和を最小化する方法が得られることを説明します)
つまり、分布の中心を最大にするということですね？
それとも、最大値が常にゼロシグマに 近いとは限らないのでしょうか？
トレーディング、自動売買システム、ストラテジーテストに関するフォーラム
統計学-計量経済学-数学
アレクセイ・タラバーノフ, 2021.05.14 22:25
信憑性とは、信頼区間 内に収まる確率のことです。また、もっともらしいとは何でしょうか？わかりやすく言うと、共同分布密度がないと
変数が正規分布に由来する確率 == 最尤法 ?
そして、計量経済学、マットスタット、マタン（神よ、なんという名前！）について、私はオートマットを支持します。このナンセンスは、個人がプロセスの物理を把握した場合にのみ適用されます。そうでなければ、すべて無意味であり、注意を払う価値はない。
アーメン。
悪気はないんです。
これを理解していないのです。さらに言えば、彼らは物理をまったく理解していない。それは仕方がないことです。
そっとしておいてあげましょう。はしゃがせてあげましょう。見ていよう。
実のところ、クォンツの出版物でSBなどのノイズを使ってトレード可能なものを作るという話は、テスト用のシミュレーション以外では見たことがない。そして、その方法は効果がないと認識されています。まあ、また、現実と比較するために非現実的な何かをシミュレートし、それが目に似ていることを示すために、しかし、絶対に役に立たない。クオンツは、より現実的に考え、本当にあるものを探すことに慣れています。計量経済学は 正弦波を予測できる点で非常に有用であり、機械学習で簡単に置き換えられる。そして、機械学習を何に置き換えたらいいのか、まだ誰も考えていないのです。この時点で、このトピックに関するすべての哲学は、非生産的でどこにもつながらないものとして、終了することができます😁
どんなクオンツも、ワーキングモデルやアプローチを公開することはない。一般的に、彼らは採用時にNDAにサインします。
彼らが発表するものは、もう通用しないか、あるいは一度も通用したことがないが、理論的には興味深いものである。
では、分布の中心を最大化するのか、要するにゼロシグマなのか？
それとも、最大値がゼロシグマ 付近になるとは限らないのでしょうか？
正規分布のことは忘れてください) 永久に忘れてはいけません、しばらくの間だけです) どんどん出てきますが、実は表形式でも無名でもたくさんの分布があるのです)
MLEのポイントは、パラメータで「番号付け」されたモデルを無限に用意することです。その中から実験結果に従って（数値的な意味でのサンプリング）、尤度を最大化するものを選ぶのです。尤度（分布の密度）は理論家の基本概念であり（科学の公理から直接導かれる）、他の基本的でない概念を通して説明しようとしない限り、その適用に慣れることはできない。
MLE法は非常に基本的な手法であるため、機械学習にも移行している（形質と反応の共同分布の暗黙の概念とともに） ) 。
そのため、どのパラメトリックモデルのファミリーを扱うかという問題が残る。この質問は通常、実用的であり、問題となっているオブジェクトに依存します。
そして、それは同じなのでしょうか？
正規分布からの変数が最尤である確率 == 最尤 ?信頼区間は、パラメータの区間推定の領域で、パラメータの特定の値を見つけるのではなく、それが与えられた確率で入る区間を見つけるものです。例えば、誰もがハーストの数値だけを考え、それが0.5と等しくないことをとても喜びます。しかし、実際には、高い確率でHirstが0.5を含まない区間に入ることを示さなければならない。これは通常、大きな問題である)。
MLEは、パラメータの点推定の領域からです。問題は少し異なるが、前の問題と同様に、その解決は（第二の意味での）合同サンプリング分布の概念に依存している。したがって、「信頼区間は知っているが、共同分布密度は知らない」という文は、次の2つの相互に排他的な文から構成されます)
わけのわからないごちゃごちゃにするのではなく、一つずつメソッドを見ていくことをお勧めします。
どんなクオンツも、ワーキングモデルやアプローチを公開することはない。一般的には、採用時にNDAにサインをします。
彼らが発表するものは、もう通用しないか、あるいは一度も通用したことがないが、理論的には興味深いものである。