マクロ経済指標に基づく市場予測 - ページ 10 1...34567891011121314151617...61 新しいコメント СанСаныч Фоменко 2015.02.26 09:26 #91 avtomat: 少なくとも、「予測」「予知」などの意味を明確に定義することは問題ないでしょう。 「予測」の地平とは何か。 それがなければ、「予測」は意味を持ちません。なぜなら、地平線によって、同じ「予測」がある地平線では正しく、別の地平線では不正確になる可能性があるからです。しかも、そのようなプロットは何度も交互に繰り返されることがあります。私は普遍的な一般化はしないが、予知と予測の定義を次のように述べることにする。これらの定義は、Rで利用可能なアルゴリズムに基づいています（それだけではありません）。他の定義も可能でしょうが、私の定義は、プログラムコードを持つという意味で建設的です。だから1.予想です。 原則は、常に直前の値を予測に使用することである。すなわち、1ステップの予測には実履歴のバーが使用されます。そして、次のようなニュアンスです。2段階予測では、常に1段階前の値が使用されます。3ステップの予測では、前の2ステップの値が使用される、など。これは、予測の前のすべてのステップの誤差を加算するため、基本的なものです。つまり、拡大する漏斗型のエラーグラフになるわけです。nステップ先の誤差は、n-1ステップ先の誤差より常に大きい。この方向性の代表として最も広く知られているのが、フォーキャストパッケージである。2.予想 です。ここでは、1つのバーのセットを使って1ステップ、2ステップ、またはnステップの予測を行うことができるため、それを区別するために予測と呼ばれる予測を行う値のセットを指定します。予測値を使うかどうかは、アルゴリズムが決めているわけではなく、開発者が決めている。予測誤差の挙動は不明である。人は、自分の心を決めることができます。H1からの予測変数の集合の中に、本来H4での予測能力を持つものがあれば、3時間目より4時間目ごとの方が誤差が少ないかもしれません。予測変数はすべて分類型モデルである。 削除済み 2015.02.26 11:05 #92 faa1947:普遍的な一般化はしないが、予知と予測の定義を次のようにする。 この場合、（あらゆる場面で）普遍的な一般化は必要ありません。 トピックの中で、理解し、同じ言葉で話すための基本的な基礎点があれば十分なのです。 削除済み 2015.02.26 11:28 #93 faa1947:回帰分析の場合 - 金融系列の非定常性は基本的な問題である。したがって、ツールを選択する際には、選択したツールが非定常性の問題をどのように解決するのかを確認する必要があります。私が述べたARIMAは非定常性の問題をある程度解決してくれますが、テイラー級数が非定常性の問題を解決するというのは聞いたことがありません。 非定常性を問題視するのは定常モデルを適用する場合であり、非定常モデルを用いる場合は、非定常性は問題ではなく、解決すべき課題である。ARIMAはいわゆる「非定常性問題」を解決するものではなく、そのために設計されたものではありません。Taylor級数はある意味で普遍的で、係数が一定なら定常モデル（ARIMAもそう）、係数が時間や状態の関数なら非定常モデルとなる。 これが、簡単に言えば、エッセンスである。 Vladimir 2015.02.26 14:22 #94 私の場合、日付Eから1ステップ（四半期）先の予測は、日付e=0からe=D-1までの入力の利用可能なすべての値を使用します。日付Eから2ステップ先の予測は、日付e=0からe=D-2までの入力のうち、利用可能なすべての値を使用します。といった具合に。言い換えれば、日付Eの2段階予測は日付D-1の予測を使わないということです。なぜなら、日付D-1の予測が日付0・・・D-2で入力のセットを使ったなら、日付D-1の中間予測なしで日付Dの2段階予測に同じ入力が直接使えるということです。 СанСаныч Фоменко 2015.02.26 16:22 #95 gpwr: 私の場合、日付Eから1ステップ（四半期）先の予測は、日付e=0からe=D-1までの入力の利用可能なすべての値を使用します。日付Eから2ステップ先の予測は、日付e=0からe=D-2までの入力のうち、利用可能なすべての値を使用します。といった具合に。言い換えれば、日付Eでの2段階予測は日付D-1での予測を使用しません。これは、日付D-1での予測が日付0・・・D-2で入力のセットを使用した場合、同じ入力は日付D-1で中間予測をせずに日付Dの2段階予測に直接使用できることを意味します。 私の定義では、1を通して何があるかは重要ではありません。重要なのはもう一つ、予測式の中に以前に予測した値があるかないかです。最初のステップでは、forecastとpredictionという用語が一致していることは明らかである。あなたのスキームでは、2段階での予測は一致するが、3段階、4段階先での予測は一致しないのでしょうか？このような詭弁は、もし我々が誤りの原因に対処しようとしないのであれば、すべて捨て去ることができるだろう。予測では、誤差は他の予測に依存しないが、予測では、予測誤差は過去の予測に依存する。さて、これは原則的な問題である。 СанСаныч Фоменко 2015.02.26 16:35 #96 avtomat:非定常性を問題視するのは定常モデルを適用する場合であり、非定常モデルを用いる場合は、非定常性は問題ではなく、解決すべき課題である。ARIMAはいわゆる「非定常性問題」を解決するものではなく、そのために設計されたものではありません。. 非定常性の存在を認めるか、認めないか、どちらかです。もしそうであれば、モデルはすぐに非定常データを食べるか、あるいは、生データをモデルに適した状態にするために、いくつかの予備的な処置が必要になるはずです。そして、ここではARIMAが典型的な例である。まさに、非定常データのためのモデルである。最 初のステップでは、元の非定常系列を定常に変換し、その結果の系列をモデル化する。 具体的には定常データに対しては、Iの文字がないモデルで、元のデータを何回微分（差分をとる）すれば定常となり、ARMAモデルが適用できるかを意味しています。もう一つは、ARIMAモデルで定常性を判断するために使用されている基準は、微分の結果に適用されるARMAモデルは、これらの結果には適用されず、追加の研究を必要とする、通常、分散のモデリングに - ARCH、とニュアンスもある......ということです。その結果、入力で引用して、分解したものをモデリングするのですが、その結果をどこに置けばいいのかが分からなくなるのです。 削除済み 2015.02.26 17:04 #97 faa1947:非定常性の存在を認めるか、認めないか、どちらかです。もし、そうであれば、モデルはすぐに非定常データを読み込まなければならないか、あるいは、モデルに適した生データを準備するために、多くの予備的な作業が必要であると思われる。そして、ここではARIMAが典型的な例である。まさに、非定常データのためのモデルである。最 初のステップでは、元の非定常系列を定常に 変換し、その結果の系列をモデル化する。 具体的には定常データに対しては、Iの文字がないモデルで、元のデータを何回微分（差分をとる）すれば定常となり、ARMAモデルが適用できるかを意味しています。もう一つは、ARIMAモデルで定常性を判断するために使用されている基準は、微分の結果に適用されるARMAモデルは、これらの結果には適用されず、追加の研究を必要とする、通常、分散のモデリングに - ARCH、とニュアンスもある......ということです。その結果、入力で引用して、分解したものをモデリングするのですが、その結果をどこに置けばいいのかが分からなくなるのです。あなたはまた古い過ちを繰り返している、それについては以前からよく言われていることだが......。元の非定常系列を等価な定常系列に変換することは不可能である。初期級数に対していろいろな操作を行うことは可能ですが、得られた結果が初期級数と等価でない場合があることを理解する必要があります。 これはまさに「非定常級数の定常級数への変換」を行った場合に起こることです。これについては、すでに多くのことが語られています。しかし、原理的なポイントには気づいていないようですね。比喩的に言えば、猫をリードで操って犬に変えても、うまくいかないということです。 СанСаныч Фоменко 2015.02.26 18:09 #98 avtomat:あなたはまた、以前から何度も言われているような過ちを繰り返している...。初期の非定常系列を等価な定常系列に変換することは不可能である。初期級数に対していろいろな操作を行うことは可能ですが、得られた結果が初期級数と等価でない場合があることを理解する必要があります。 これはまさに「非定常級数の定常級数への変換」を行った場合に起こることです。これについては、すでに多くのことが語られています。しかし、原理的なポイントには気づいていないようですね。比喩的に言えば、猫をリードで操って犬に変えても、うまくいかないということです。 なぜ見えないのだろう？全く同感です!私の投稿の最後を読み直してみてください。 Yousufkhodja Sultonov 2015.02.26 20:57 #99 本トピックの議論に参加された皆様へ私の研究によって、フーリエ変換、ニューラルネットワーク、線形回帰モデル、非線形回帰モデルなど、市場価格の流れを含む数値系列の挙動を記述および／または予測するために用いられる既知の回帰分析のどの方法も、私が提案し、誰もが知っている万能回帰モデルhttps://www.mql5.com/ru/articles/250 と競合できないことが、あえて皆さんに保証されます。どの評価パラメータによっても、この回帰モデルには勝てません。私は、どのようなシリーズ分析であっても、具体的な比較例で異論に挑戦するつもりです。私のモデルの欠点があれば、皆さんの助けを借りて見つけたいと思います。このモデルを真剣に勉強し、理解すれば、きっとそのパワーと雑食性を実感していただけると思います。原始的に説明すると、このモデルはガウス型MOCを非線形領域に拡張したものであり、特殊なケースとしてガウス型MOCもカバーするものである。その結果、線形領域ではガウス型MNAが好評であれば、一般的なケースでも提案手法がそうであることが証明されるかもしれません。異論があれば、反論する用意がある。敬称略、ユスフコヤ。 Vasiliy Smirnov 2015.02.26 21:29 #100 yosuf: 本トピックの議論に参加された皆様へ私の研究では、フーリエ変換、ニューラルネットワーク、線形回帰モデル、非線形回帰モデルなど、市場価格の流れを含む数値系列の挙動を記述および/または予測するために用いられる既知の回帰分析の手法は、いずれも私が提案し、あらゆる評価パラメータで万人に知られている普遍的回帰モデルに対抗できないことが示されたことを敢えて断言するものである。私は、どのようなシリーズ分析であっても、具体的な比較例で反論する用意があります。私のモデルの欠点があれば、皆さんの助けを借りて見つけたいと思います。このモデルを真剣に勉強し、理解すれば、きっとそのパワーと雑食性を実感していただけると思います。原始的に説明すると、このモデルはガウス型MOCを非線形領域に拡張したものであり、特殊なケースとしてガウス型MOCもカバーするものである。その結果、線形領域ではガウス型MNAが好評であれば、一般的なケースでも提案手法がそうであることが証明されるかもしれません。異論があれば反論する用意がある。敬称略、ユスフホヤ。 おそらくこの甘さは、このモデルが実装されていないことに起因しているのではないでしょうか？ 1...34567891011121314151617...61 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
少なくとも、「予測」「予知」などの意味を明確に定義することは問題ないでしょう。 「予測」の地平とは何か。 それがなければ、「予測」は意味を持ちません。なぜなら、地平線によって、同じ「予測」がある地平線では正しく、別の地平線では不正確になる可能性があるからです。しかも、そのようなプロットは何度も交互に繰り返されることがあります。
私は普遍的な一般化はしないが、予知と予測の定義を次のように述べることにする。これらの定義は、Rで利用可能なアルゴリズムに基づいています（それだけではありません）。他の定義も可能でしょうが、私の定義は、プログラムコードを持つという意味で建設的です。
だから
1.予想です。 原則は、常に直前の値を予測に使用することである。すなわち、1ステップの予測には実履歴のバーが使用されます。そして、次のようなニュアンスです。2段階予測では、常に1段階前の値が使用されます。3ステップの予測では、前の2ステップの値が使用される、など。これは、予測の前のすべてのステップの誤差を加算するため、基本的なものです。つまり、拡大する漏斗型のエラーグラフになるわけです。nステップ先の誤差は、n-1ステップ先の誤差より常に大きい。この方向性の代表として最も広く知られているのが、フォーキャストパッケージである。
2.予想 です。ここでは、1つのバーのセットを使って1ステップ、2ステップ、またはnステップの予測を行うことができるため、それを区別するために予測と呼ばれる予測を行う値のセットを指定します。予測値を使うかどうかは、アルゴリズムが決めているわけではなく、開発者が決めている。予測誤差の挙動は不明である。人は、自分の心を決めることができます。H1からの予測変数の集合の中に、本来H4での予測能力を持つものがあれば、3時間目より4時間目ごとの方が誤差が少ないかもしれません。予測変数はすべて分類型モデルである。
普遍的な一般化はしないが、予知と予測の定義を次のようにする。
回帰分析の場合 - 金融系列の非定常性は基本的な問題である。したがって、ツールを選択する際には、選択したツールが非定常性の問題をどのように解決するのかを確認する必要があります。私が述べたARIMAは非定常性の問題をある程度解決してくれますが、テイラー級数が非定常性の問題を解決するというのは聞いたことがありません。
非定常性を問題視するのは定常モデルを適用する場合であり、非定常モデルを用いる場合は、非定常性は問題ではなく、解決すべき課題である。
ARIMAはいわゆる「非定常性問題」を解決するものではなく、そのために設計されたものではありません。
Taylor級数はある意味で普遍的で、係数が一定なら定常モデル（ARIMAもそう）、係数が時間や状態の関数なら非定常モデルとなる。 これが、簡単に言えば、エッセンスである。
私の場合、日付Eから1ステップ（四半期）先の予測は、日付e=0からe=D-1までの入力の利用可能なすべての値を使用します。日付Eから2ステップ先の予測は、日付e=0からe=D-2までの入力のうち、利用可能なすべての値を使用します。といった具合に。言い換えれば、日付Eでの2段階予測は日付D-1での予測を使用しません。これは、日付D-1での予測が日付0・・・D-2で入力のセットを使用した場合、同じ入力は日付D-1で中間予測をせずに日付Dの2段階予測に直接使用できることを意味します。
非定常性を問題視するのは定常モデルを適用する場合であり、非定常モデルを用いる場合は、非定常性は問題ではなく、解決すべき課題である。
ARIMAはいわゆる「非定常性問題」を解決するものではなく、そのために設計されたものではありません。
.
非定常性の存在を認めるか、認めないか、どちらかです。
もしそうであれば、モデルはすぐに非定常データを食べるか、あるいは、生データをモデルに適した状態にするために、いくつかの予備的な処置が必要になるはずです。
そして、ここではARIMAが典型的な例である。まさに、非定常データのためのモデルである。最 初のステップでは、元の非定常系列を定常に変換し、その結果の系列をモデル化する。
具体的には
定常データに対しては、Iの文字がないモデルで、元のデータを何回微分（差分をとる）すれば定常となり、ARMAモデルが適用できるかを意味しています。もう一つは、ARIMAモデルで定常性を判断するために使用されている基準は、微分の結果に適用されるARMAモデルは、これらの結果には適用されず、追加の研究を必要とする、通常、分散のモデリングに - ARCH、とニュアンスもある......ということです。その結果、入力で引用して、分解したものをモデリングするのですが、その結果をどこに置けばいいのかが分からなくなるのです。
非定常性の存在を認めるか、認めないか、どちらかです。
もし、そうであれば、モデルはすぐに非定常データを読み込まなければならないか、あるいは、モデルに適した生データを準備するために、多くの予備的な作業が必要であると思われる。
そして、ここではARIMAが典型的な例である。まさに、非定常データのためのモデルである。最 初のステップでは、元の非定常系列を定常に 変換し、その結果の系列をモデル化する。
具体的には
定常データに対しては、Iの文字がないモデルで、元のデータを何回微分（差分をとる）すれば定常となり、ARMAモデルが適用できるかを意味しています。もう一つは、ARIMAモデルで定常性を判断するために使用されている基準は、微分の結果に適用されるARMAモデルは、これらの結果には適用されず、追加の研究を必要とする、通常、分散のモデリングに - ARCH、とニュアンスもある......ということです。その結果、入力で引用して、分解したものをモデリングするのですが、その結果をどこに置けばいいのかが分からなくなるのです。
あなたはまた古い過ちを繰り返している、それについては以前からよく言われていることだが......。
元の非定常系列を等価な定常系列に変換することは不可能である。初期級数に対していろいろな操作を行うことは可能ですが、得られた結果が初期級数と等価でない場合があることを理解する必要があります。 これはまさに「非定常級数の定常級数への変換」を行った場合に起こることです。
これについては、すでに多くのことが語られています。しかし、原理的なポイントには気づいていないようですね。比喩的に言えば、猫をリードで操って犬に変えても、うまくいかないということです。
あなたはまた、以前から何度も言われているような過ちを繰り返している...。
初期の非定常系列を等価な定常系列に変換することは不可能である。初期級数に対していろいろな操作を行うことは可能ですが、得られた結果が初期級数と等価でない場合があることを理解する必要があります。 これはまさに「非定常級数の定常級数への変換」を行った場合に起こることです。
これについては、すでに多くのことが語られています。しかし、原理的なポイントには気づいていないようですね。比喩的に言えば、猫をリードで操って犬に変えても、うまくいかないということです。
本トピックの議論に参加された皆様へ私の研究では、フーリエ変換、ニューラルネットワーク、線形回帰モデル、非線形回帰モデルなど、市場価格の流れを含む数値系列の挙動を記述および/または予測するために用いられる既知の回帰分析の手法は、いずれも私が提案し、あらゆる評価パラメータで万人に知られている普遍的回帰モデルに対抗できないことが示されたことを敢えて断言するものである。私は、どのようなシリーズ分析であっても、具体的な比較例で反論する用意があります。私のモデルの欠点があれば、皆さんの助けを借りて見つけたいと思います。このモデルを真剣に勉強し、理解すれば、きっとそのパワーと雑食性を実感していただけると思います。原始的に説明すると、このモデルはガウス型MOCを非線形領域に拡張したものであり、特殊なケースとしてガウス型MOCもカバーするものである。その結果、線形領域ではガウス型MNAが好評であれば、一般的なケースでも提案手法がそうであることが証明されるかもしれません。異論があれば反論する用意がある。敬称略、ユスフホヤ。