引用における依存性統計（情報理論、相関などの特徴選択法） - ページ 28

新しいコメント
 

Та же возвратность тоже является установленным свойством ценовых рядов

市場分布がParreto-Levy型だからといって、リターナブルであるとは限らない。同じHMTによって，投入の非一様 性がボラティリティの集積を決定し，その結果，正規分布を超えるリターンの小さな変化率の集積が増加する。しかし、いずれも返品について何も言っていない。単に情報（外部からの影響）がないから取引がない（市場が均衡している）、だから動きがない、動きがないというだけで、価格が戻る準備が整っているわけではないのである。

しかし、これらはすべて、このトピックとは無関係である。

 
C-4:

市場分布がParreto-Levy型だからといって、リターナブルであるとは限らない。同じHMTによって，投入の非一様性がボラティリティの集積を決定し，その結果，正規分布を超えるリターンの小さな変化率の集積が増加する。しかし、いずれも返品について何も言っていない。単に情報（外部からの影響）がないから取引がない（市場が均衡している）、だから動きがない、動きがないというだけで、価格が戻る準備が整っているわけではないのである。

しかし、これらはすべて、このトピックとは無関係である。

おそらく、復帰の定義について合意する必要があるのでしょう :)
 

この場合、過去の価格に戻りたいという市場の欲求（リターン）という意味だと理解した。

リターンは 収益率を 意味し、この意味でも期間tにおける価格の変化率を意味する。

リターン-返り、戻りという意味で、市場においては、過去の価格に戻ろうとする市場の欲求と解釈できる。

リターンに言及するときは「リターン」という言葉を使うか、「リターン」と言うのがよく、リターンに言及するときは「リターン」と言うのがよいでしょう。

 
C-4:

この場合、過去の価格に戻りたいという市場の欲求（リターン）という意味だと理解した。

リターンは 戻りという

意味で、これも我々の感覚ではt期の価格の変化率です。

リターンは 戻り

、戻りという意味で、市場の文脈では過去の価格に戻りたいという市場の欲求と解釈できます。

リターンに言及するときは「戻り」を使うか「戻り」と言い、戻りというときは「戻り」と言います。

 正しくは、通常リターンは 過去の価格に戻りたいという欲求のことですが、文献学は間違っています。単純に継続と反転の確率（頻度でもよい）が決まっていて、少ない時間では後者が優勢であることは、広く知られている事実である。
 
価格の動きを、フロア間の交通量が多い高層ビルのエレベーターの動きに例えることはできないか、と考えたことがある人はいるだろうか。バー」「TF」「トレンド」「フラット」「レベル」「トレンド」...という概念を用いて、リフトの位置を予測することは可能でしょうか？
 
yosuf:
価格の動きを、フロア間の交通量が多い高層ビルのエレベーターの動きに例えることはできないか、と考えたことがある人はいるだろうか。バー」「TF」「トレンド」「フラット」「レベル」「トレンド」...という概念を用いて、リフトの位置を予測 することは可能でしょうか？

1階の電気はついているのに、2階の電気はつかない。
 
faa1947: 非定常なプロセスに対してモデルを構築することは意味がありませんが、1つのモデルを取って構築しますが、一貫して問題を単純化することです。非定常なプロセスから、ある部分、例えばトレンドを抽出し、残差がどうなるかを見る。そして、次のステップに進みます。目的は残差の定常過程を得ることで、これは予測の安定性を確保するためにのみ行われます。
この情報処理の定常性をチェックし、すべてのエコノメトリックスを 一度に適用することを妨げるものはない。
 
Candid:
C-4：
この場合、

過去の価格に戻りたいという市場の欲求（リターン）という意味と理解

した。

リターンは

 英語では

return

 と訳されるが、

これも我々の感覚では t 期における価格の変化率である。

リターンは

 英語では

return

 または return と訳されるが、市場の文脈では以前の価格に戻りたいという市場の欲求と解釈できる
。

我々がリターンを意味するときは return を使うか return と言うべきである。

 そう、リターンは通常 以前の価格に戻りたいという市場の欲求を意味するが、フィロロジーは間違いである。単純に継続と反転の確率（頻度でもよい）が決まっていて、少ない時間では後者が優勢であることは、広く知られている事実である。

という可能性もあります。しかし、X[t]-X[t-1]という形の帰線列を作ると、ほとんど表示されない。私はリターン、インクリメント、リターンという言葉を使っていますが、これらはすべて微分された価格系列です。

符号の変化方向への確率の偏りはごくわずかであり、重要ではない。しかし、2つ以上のラグで従属変数とリターンの間の条件付きエントロピーを計算すると、結果の図にすべてのムラが説明されるので、エントロピーが減少する。

NSを1時間ごとのデータで学習させようと、最も情報量の多いラグだけを取りました（42変数、ラグ1, 2, 23, 25,... 479, 480, 481にあります）。残念ながら、結果はあまりうまくいきませんでした。分位数の予測精度 - 30-40%の領域で。しかし、ニューラルネットワークは不規則性を出力に変換することはできたが、その依存関係は予測には十分ではない。全体の問題は、独立変数がラグ1、2、24...で相互に情報を持っていることである。と、ゼロバーに関する情報の総量は本当に少ない。日足や古い時間枠を取ることも選択肢の一つとして考えるべきだろう。

 
Mathemat:
この情報過程に定常性を確認し、一気にエコノメトリックスを適用することを妨げるものはない。

よくわからないのです。

計量経済学は非定常過程を扱うので、近似的なアルゴリズムは投稿で説明されています。なぜなら、非定常性により、TS（PF、ドローダウン、その他）のいかなる推定も架空のものであり、将来、TSが預金を売り払うような商の領域が現れるであろうからです。

経済データを測定する科学である計量経済学は、他の非常に立派な科学との違いがありますが、独立した科学であり、一貫して行動することを提案し、それぞれの中間結果をモデルとして固定し、定常残差を得ることを目指し、非定常市場で働くときに将来のTSの安定推定値を与えるのです。

ここでは、EURUSDと3つの指標（直線、指数平滑化、Hodrick-Prescottフィルター）の例を示しています。

みんな、経済データの測定には別の科学を使おうよ。計量経済学の教科書を読むのが面倒だからといって、隣の科学から何かを引っ張ってこようとするのはやめよう。わが国では、2000年からそのような教科書がある。つまり、10年以上前から、大学は、経済データを科学的に測定し、「情報依存症」という名のたわごとに悩まされない専門家を輩出してきたのである。

そして、一般的には、平和に暮らそう。

 
faa1947:

よくわからなかった。

計量経済学は非定常過程を扱うので、近似的なアルゴリズムは投稿で説明されています。なぜなら、非定常性により、TS（PF、ドローダウン、その他）のいかなる推定も架空のものであり、将来、TSが預金を売り払うような商の領域が現れるであろうからです。

経済データを測定する科学である計量経済学は、他の非常に立派な科学との違いがありますが、独立した科学であり、一貫して行動することを提案し、それぞれの中間結果をモデルとして固定し、定常残差を得ることを目指し、非定常市場で働くときに将来のTSの安定性推定値を与えます。

ここでは、EURUSDと3つの指標（直線、指数平滑化、Hodrick-Prescottフィルター）の例を示しています。

みんな、経済データの測定には別の科学を使おうよ。計量経済学の教科書を読むのが面倒だからといって、隣の科学から何かを引っ張ってこようとするのはやめよう。わが国では、2000年からこのような教科書がある。つまり、10年以上前から、大学は経済データを科学的に測定し、「情報依存症」というくだらない病気にならない専門家を輩出してきたのである。

そして、一般的には、友好的に生きましょう。

ところで、あなたの記事、読みましたよ。貴重な記事であり、そこでは非定常性の問題がよく取り上げられている。また、金融データの非定常性が現実的で差し迫った問題であることは、私も同意見です。NSはこの現象に敏感で学習が不十分なため、ニューラルネットワークをマスターしていた何ヶ月もの間、初期の時系列の定常性を改善するために様々な変換を試していました。また、より正確には、出力データの誤差密度が不均一に得られるため、実際には強いドローダウンが発生します（ただし、モデルのMOは概ねポジティブです）。

とりあえず、生データ（生とまではいかないが、微分された系列）でシンプルに試してみて、どうなるかを確認した、ということにしておこう。私は教科書を読んでいませんが、決して計量経済学の重要性を減じているわけではありません。

時間があれば、私のバージョンのデータ前処理を掲載します。目測では、より定常的な系列が生成されますが、定常性のテストはしていません。

1...212223242526272829303132333435...74
新しいコメント