사실, 나는 테스트를 위한 시뮬레이션을 제외하고 모든 거래를 생성하기 위해 quants의 출판물에서 SB 및 기타 노이즈의 사용에 대한 언급을 한 번도 본 적이 없습니다. 그런 다음이 방법은 비효율적 인 것으로 인식됩니다. 글쎄요, 또한 비현실적인 것을 모델링하기 위해 실제와 비교하여 눈처럼 보이지만 전혀 쓸모가 없습니다. 퀀트는 더 현실적으로 생각하는 데 익숙하며 실제로 있는 곳에서 무언가를 찾고 있습니다. 계량경제학 은 정현파를 예측할 수 있고 기계 학습으로 쉽게 대체된다는 점에서 매우 유용합니다. 그리고 아직 아무도 기계 학습을 대체할 방법을 찾지 못했습니다. 이것은 이 주제에 대한 모든 종류의 철학을 비생산적이고 아무 것도 아닌 것으로 끝낼 수 있습니다 😁
일반적으로 SB 및 계량 경제학의 학생들은 다음과 같이 발전합니다. Kulibin -> Econometrician -> Kulibin/econometrician = Experimental Kulibin
3) 표준 MLE 변형. 종종 MLE의 정의로 사용되지만 이는 방법의 적용 가능성을 너무 많이 제한합니다. 우리는 표본의 모든 확률 변수가 a) 독립적이고 b) 밀도가 p(x,a)인 동일한 1차원 분포를 갖고, 여기서 는 추정할 매개변수입니다. 그러면 우도 함수는 L=p(x1,a)*p(x2,a)*...*p(xn,a)입니다. 여기서 n은 샘플 크기입니다. 샘플을 x로 대체하고(첫 번째 의미에서) L=L(a)를 얻고 L이 최대값에 도달하는 최대값을 찾습니다 . L(a) 대신 LL(a)=log(L(a))를 최대화할 수 있습니다. 로그는 단조 함수이고 편리하게는 곱을 덧셈으로 대체하기 때문입니다.
예를 들어 지수 분포 p(x,a)=a*exp(-a*x), log(p(x,a))=log(a)-a*x, 매개변수 d(log(p(x,a)))/da=1/ax에 대한 미분. 따라서 방정식 1/a-x1+1/a-x2+...+1/a-xn=0 -> amax=n/(x1+x2+...+xn)을 풀어야 합니다.
4) 다음 시간에는 LSM 대신 계수의 합을 최소화하는 방법을 설명하겠습니다)
즉, 우리는 유통 센터를 극대화? 본질적으로 제로 시그마? 또는 최대값이 항상 0 시그마 에 가까운 것은 아닙니다.
Maxim Dmitrievsky : 사실, 나는 테스트를 위한 시뮬레이션을 제외하고 모든 거래를 생성하기 위해 quants의 출판물에서 SB 및 기타 노이즈의 사용에 대한 언급을 한 번도 본 적이 없습니다. 그런 다음이 방법은 비효율적 인 것으로 인식됩니다. 글쎄요, 또한 비현실적인 것을 모델링하기 위해 실제와 비교하여 눈처럼 보이지만 전혀 쓸모가 없습니다. 퀀트는 더 현실적으로 생각하는 데 익숙하며 실제로 있는 곳에서 무언가를 찾고 있습니다. 계량경제학 은 정현파를 예측할 수 있고 기계 학습으로 쉽게 대체된다는 점에서 매우 유용합니다. 그리고 아직 아무도 기계 학습을 대체할 방법을 찾지 못했습니다. 이것은 이 주제에 대한 모든 종류의 철학을 비생산적이고 아무 것도 아닌 것으로 끝낼 수 있습니다 😁
일반적으로 SB 및 계량 경제학의 학생들은 다음과 같이 발전합니다. Kulibin -> Econometrician -> Kulibin/econometrician = Experimental Kulibin
어떤 퀀텀도 작업 모델이나 접근 방식을 게시하지 않습니다. 일반적으로 취업을 신청할 때 NDA에 서명합니다.
그들이 발표한 것은 더 이상 작동하지 않거나 작동하지 않지만 이론의 관점에서 보면 흥미롭습니다.
즉, 우리는 유통 센터를 극대화? 본질적으로 제로 시그마? 또는 최대값이 항상 0 시그마 에 가까운 것은 아닙니다.
정규분포는 잊어라) 영원히 잊지마라, 그러나 잠시만) 지속적으로 뜨지만 일반적으로 다양한 분포가 있다 - 표 형식과 이름 없음)
MLE의 본질은 매개변수에 의해 "번호가 매겨진" 무한한 수의 모델이 있다는 것입니다. 실험 결과(수치적 의미의 샘플)에 따라 가능성을 최대화하는 것을 선택합니다. 가능성(분포 밀도) - 이론의 기본 개념 (과학 공리에서 직접 따옴) 그리고 덜 기본적인 다른 개념으로 설명하지 않고 응용 프로그램에 익숙해질 수 있습니다.
MLE 방법은 너무 기본적이어서 기계 학습으로 마이그레이션되었습니다(특징 및 응답의 공동 분포에 대한 암시적 표현 포함).
어떤 매개변수 모델 제품군으로 작업할 것인지에 대한 문제가 남아 있습니다. 이 질문은 일반적으로 실제 영역에 있으며 연구 대상에 따라 다릅니다.
로만 :
그리고 똑같나요?
변수가 정규 분포에서 나올 확률 == 최대 가능성 ?
신뢰구간 은 모수의 구간추정 영역에서 유래한 것으로, 모수의 특정한 값은 없지만 주어진 확률로 떨어지는 구간이다. 예를 들어, 모두가 허스트의 수치만 고려하고 0.5와 같지 않다는 사실에 매우 기뻐합니다. 그러나 실제로는 높은 확률로 허스트가 숫자 0.5를 포함하지 않는 구간에 속한다는 것을 보여줄 필요가 있습니다. 그러나 이것으로 - 일반적으로 큰 문제)
MLE는 점 매개변수 추정의 영역입니다. 작업은 약간 다르지만 이전 작업과 마찬가지로 솔루션은 샘플의 공동 분포 개념(두 번째 의미에서)을 기반으로 합니다. 따라서 "신뢰구간은 알고 있지만 공동분포의 밀도는 모른다"는 두 개의 상호 배타적인 진술로 구성됨)
토픽 스타터의 요청에 따라 최대 가능성의 원칙에 대해 계속하겠습니다. 간결함을 위해 영어 표기법 MLE(최대 가능도 추정)를 사용하겠습니다.
정의에 따르면 가능성은 이 공동 분포의 밀도입니다. 크기가 N인 표본의 경우 숫자 N차원 공간의 숫자 함수입니다. 또한 결정(추정)해야 하는 매개변수에 따라 달라집니다.
따라서 문제가 발생합니다. 이 기능은 어디에서 왔습니까? 답은 언제 어떻게 입니다.) 모든 다양한 방법을 다루는 것은 불가능하기 때문입니다.
신뢰성 - 신뢰 구간 에 들어갈 확률. 이 신용은 누구입니까? 간단한 방법으로, 공동 분포의 밀도 없이.
신뢰성 - 신뢰 구간 에 들어갈 확률. 이 신용은 누구입니까? 간단한 방법으로, 공동 분포의 밀도 없이.
밀도 개념에서 정확히 무엇이 어려운가요?
항상 그렇듯이 - 먼저 정상성을 위해, 다음으로 정상성을 위해, 그리고 나서... 평소와 같이...
그런데 모든 가우시안 노이즈를 백색이라고 하는 것은 아닙니다. 흰색은 흰색이고 가우시안은 가우시안입니다.
나는 당신의 에세이를 읽었습니다. 틱을 사용한 조작이 시리즈 지속성을 변경하지 않는다는 것을 실제로 증명했습니다. 축하합니다.
여기서 끈기란? 이 말은 전혀 언급하지 않았는데... 박사님, 죄송합니다만 생각보다 더 멍청하시네요.... 시리즈의 구조를 최대한 살리는 내용이었고, 아시다시피, 네겐트로피(또는 엔트로피)는 구조를 담당합니다.
M1 이상으로 작업하는 것은 드리프트가 없는 Wiener 프로세스로 작업하는 것과 다르지 않음을 보여줍니다. 그리고 그것에 는 진드기와 얇은 진드기로 작업 할 때와 완전히 다른 방법을 사용해야합니다.
사람들은 특정 수정을 가하여 마법사의 방법으로 작업한 성공에 대해 책임을 집니다....
자체 파티가 있고 아무것도 이해하지 못하기 때문에 완전히 불필요합니다.
당신은 시장을 전혀 건드려서는 안 됩니다. 당신도 시장을 사랑하지 않아야 합니다. 마치 그가 당신을 사랑하지 않는 것처럼 말입니다.
나는 당신과 의사 소통을 중단합니다.
3) 표준 MLE 변형.
종종 MLE의 정의로 사용되지만 이는 방법의 적용 가능성을 너무 많이 제한합니다.
우리는 표본의 모든 확률 변수가
a) 독립적이고
b) 밀도가 p(x,a)인 동일한 1차원 분포를 갖고,
여기서 는 추정할 매개변수입니다.
그러면 우도 함수는 L=p(x1,a)*p(x2,a)*...*p(xn,a)입니다. 여기서 n은 샘플 크기입니다.
샘플을 x로 대체하고(첫 번째 의미에서) L=L(a)를 얻고 L이 최대값에 도달하는 최대값을 찾습니다 .
L(a) 대신 LL(a)=log(L(a))를 최대화할 수 있습니다. 로그는 단조 함수이고 편리하게는 곱을 덧셈으로 대체하기 때문입니다.
예를 들어 지수 분포 p(x,a)=a*exp(-a*x), log(p(x,a))=log(a)-a*x,
매개변수 d(log(p(x,a)))/da=1/ax에 대한 미분.
따라서 방정식 1/a-x1+1/a-x2+...+1/a-xn=0 -> amax=n/(x1+x2+...+xn)을 풀어야 합니다.
4) 다음 시간에는 LSM 대신 계수의 합을 최소화하는 방법을 설명하겠습니다)
즉, 우리는 유통 센터를 극대화? 본질적으로 제로 시그마?
또는 최대값이 항상 0 시그마 에 가까운 것은 아닙니다.
거래, 자동 거래 시스템 및 거래 전략 테스트에 관한 포럼
Matstat-Econometrics-Matan
알렉세이 타라바노프 , 2021.05.14 22:25
신뢰성 - 신뢰 구간 에 들어갈 확률. 이 신용은 누구입니까? 간단한 방법으로, 공동 분포의 밀도 없이.
변수가 정규 분포의 확률 == 최대 가능성 ?
그리고 계량 경제학 , matstat 및 matan에 대해 (신, 이름이 무엇입니까!) 저는 Automaton을 지지합니다. 이 게임은 개인이 프로세스의 물리학을 잘린 경우에만 적용할 수 있습니다. 그렇지 않으면 -이 모든 것은 말도 안되며주의를 기울이지 않아야합니다.
아멘.
범죄가 없습니다.
그들은 그것을 이해하지 못합니다. 게다가, 그들은 일반적으로 물리학을 고려하지 않습니다. 말 먹이가 아닙니다.
그들을 방해하지 맙시다. 그들이 장난치게하십시오. 구경하자.
사실, 나는 테스트를 위한 시뮬레이션을 제외하고 모든 거래를 생성하기 위해 quants의 출판물에서 SB 및 기타 노이즈의 사용에 대한 언급을 한 번도 본 적이 없습니다. 그런 다음이 방법은 비효율적 인 것으로 인식됩니다. 글쎄요, 또한 비현실적인 것을 모델링하기 위해 실제와 비교하여 눈처럼 보이지만 전혀 쓸모가 없습니다. 퀀트는 더 현실적으로 생각하는 데 익숙하며 실제로 있는 곳에서 무언가를 찾고 있습니다. 계량경제학 은 정현파를 예측할 수 있고 기계 학습으로 쉽게 대체된다는 점에서 매우 유용합니다. 그리고 아직 아무도 기계 학습을 대체할 방법을 찾지 못했습니다. 이것은 이 주제에 대한 모든 종류의 철학을 비생산적이고 아무 것도 아닌 것으로 끝낼 수 있습니다 😁
어떤 퀀텀도 작업 모델이나 접근 방식을 게시하지 않습니다. 일반적으로 취업을 신청할 때 NDA에 서명합니다.
그들이 발표한 것은 더 이상 작동하지 않거나 작동하지 않지만 이론의 관점에서 보면 흥미롭습니다.
즉, 우리는 유통 센터를 극대화? 본질적으로 제로 시그마?
또는 최대값이 항상 0 시그마 에 가까운 것은 아닙니다.
정규분포는 잊어라) 영원히 잊지마라, 그러나 잠시만) 지속적으로 뜨지만 일반적으로 다양한 분포가 있다 - 표 형식과 이름 없음)
MLE의 본질은 매개변수에 의해 "번호가 매겨진" 무한한 수의 모델이 있다는 것입니다. 실험 결과(수치적 의미의 샘플)에 따라 가능성을 최대화하는 것을 선택합니다. 가능성(분포 밀도) - 이론의 기본 개념 (과학 공리에서 직접 따옴) 그리고 덜 기본적인 다른 개념으로 설명하지 않고 응용 프로그램에 익숙해질 수 있습니다.
MLE 방법은 너무 기본적이어서 기계 학습으로 마이그레이션되었습니다(특징 및 응답의 공동 분포에 대한 암시적 표현 포함).
어떤 매개변수 모델 제품군으로 작업할 것인지에 대한 문제가 남아 있습니다. 이 질문은 일반적으로 실제 영역에 있으며 연구 대상에 따라 다릅니다.
그리고 똑같나요?
변수가 정규 분포에서 나올 확률 == 최대 가능성 ?신뢰구간 은 모수의 구간추정 영역에서 유래한 것으로, 모수의 특정한 값은 없지만 주어진 확률로 떨어지는 구간이다. 예를 들어, 모두가 허스트의 수치만 고려하고 0.5와 같지 않다는 사실에 매우 기뻐합니다. 그러나 실제로는 높은 확률로 허스트가 숫자 0.5를 포함하지 않는 구간에 속한다는 것을 보여줄 필요가 있습니다. 그러나 이것으로 - 일반적으로 큰 문제)
MLE는 점 매개변수 추정의 영역입니다. 작업은 약간 다르지만 이전 작업과 마찬가지로 솔루션은 샘플의 공동 분포 개념(두 번째 의미에서)을 기반으로 합니다. 따라서 "신뢰구간은 알고 있지만 공동분포의 밀도는 모른다"는 두 개의 상호 배타적인 진술로 구성됨)
방법을 차례로 처리하고 이해할 수없는 혼란을 주선하지 않는 것이 좋습니다.
어떤 퀀텀도 작업 모델이나 접근 방식을 게시하지 않습니다. 일반적으로 취업을 신청할 때 NDA에 서명합니다.
그들이 발표한 것은 더 이상 작동하지 않거나 작동하지 않지만 이론의 관점에서 보면 흥미롭습니다.