avtomat : 명확한 정의를 제공하거나 "예측", "예측" 등의 의미에 대한 최소한의 설명을 제공하는 것은 나쁘지 않습니다. "예측" 지평선이란 무엇입니까? 이것이 없으면 "예측"은 의미를 잃습니다. 지평선에 따라 동일한 "예측"이 한 지평선에서는 사실로 판명되고 다른 지평선에서는 올바르지 않은 것으로 판명될 수 있기 때문입니다. 또한 이러한 섹션은 여러 번 번갈아 나타날 수 있습니다.
나는 보편적인 일반화를 수행하지 않지만 예측 및 예측에 대한 다음 정의를 제공합니다. 이러한 정의는 R(및 그 이상)에서 발견되는 알고리즘을 기반으로 합니다. 다른 정의가 주어질 수도 있지만 내 정의는 프로그램 코드가 있다는 점에서 건설적입니다.
그래서.
1. 예측. 중요한 것은 이전 값이 항상 예측에 사용된다는 것입니다. 저것들. 실제 기록 막대는 1단계 예측에 사용됩니다. 그리고 다음 세부 사항이 있습니다. 예측 2 단계는 항상 첫 번째 단계 앞으로의 예측 값을 사용합니다. 3단계에 대한 예측의 경우 이전 두 단계에 대한 예측이 사용되는 식입니다. 이것은 예측의 모든 이전 단계의 오류 합계로 이어지기 때문에 기본입니다. 오류 그래프는 확장 깔때기로 얻습니다. n단계 앞서는 오류는 항상 n-1단계 앞서는 오류보다 큽니다. 이 추세의 가장 널리 알려진 대표자는 예측 패키지입니다.
2. 예측 . 여기에 한 세트의 막대에서 1 단계와 2 단계 및 n 단계를 모두 예측할 수 있기 때문에 예측이 이루어지는 값 세트가 표시되며, 이를 구별하기 위해 예측이라고 합니다. . 이미 예측된 값을 사용하는지 여부는 알고리즘에 의해 결정되지 않고 개발자가 결정합니다. 예측 오류의 동작은 알려져 있지 않습니다. 당신은 환상을 가질 수 있습니다. H4에서 본질적으로 예측력을 갖는 H1이 있는 예측 변수 집합에 예측 변수가 있는 경우 4시간마다 오류가 3시간보다 적을 수 있습니다. 분류 유형의 모든 모델이 예측됩니다.
회귀의 경우 재무 계열의 비정상성은 기본 문제입니다. 따라서 툴킷을 선택할 때 선택한 툴이 비정상성 문제를 어떻게 해결하는지 살펴볼 필요가 있다. 제가 언급한 ARIMA가 비정상성 문제를 어느 정도 해결해 주었지만 Taylor 급수가 비정상성 문제를 해결했다는 말은 들어본 적이 없습니다.
비정상성은 고정 모델을 적용할 때 문제로 간주됩니다. non-stationary 모델을 사용한다면 여기서 non-stationarity는 문제가 아니라 해결해야 할 과제입니다.
ARIMA는 소위 "비정상성 문제"를 해결하지 못합니다. ARIMA는 이를 위해 설계되지 않았습니다.
Taylor 급수는 어떤 의미에서는 보편적입니다. 계수가 일정하면 고정 모델이 있지만(ARIMA가 여기에 있음) 계수가 시간 및/또는 상태의 함수이면 비정상 모델을 얻습니다. 이것은 빠른 참조를 위한 요지입니다.
필자의 경우 날짜 D보다 1단계(분기) 앞선 예측은 날짜 d=0에서 d=D-1까지 사용 가능한 모든 입력 값을 사용합니다. 날짜 D보다 2단계 앞서 예측은 날짜 d=0에서 d=D-2까지 사용 가능한 모든 입력 값을 사용합니다. 등. 즉, 날짜 D에 대한 2단계 예측은 날짜 D-1에 대한 예측이 날짜 0 ... D-2에 대한 입력 집합을 사용했다고 가정하기 때문에 날짜 D-1에 대한 예측을 사용하지 않습니다. , 그러면 날짜 D-1에 대한 중간 예측 없이 동일한 입력을 날짜 D의 2단계 예측에 직접 사용할 수 있습니다.
gpwr : 필자의 경우 날짜 D보다 1단계(분기) 앞선 예측은 날짜 d=0에서 d=D-1까지 사용 가능한 모든 입력 값을 사용합니다. 날짜 D보다 2단계 앞서 예측은 날짜 d=0에서 d=D-2까지 사용 가능한 모든 입력 값을 사용합니다. 등. 즉, 날짜 D에 대한 2단계 예측은 날짜 D-1에 대한 예측이 날짜 0 ... D-2에 대한 입력 집합을 사용했다고 가정하기 때문에 날짜 D-1에 대한 예측을 사용하지 않습니다. , 그러면 날짜 D-1에 대한 중간 예측 없이 동일한 입력을 날짜 D의 2단계 예측에 직접 사용할 수 있습니다.
내 정의에 따르면 단위를 통해 무엇이 중요하지 않습니다. 또 다른 것이 중요합니다. 예측 공식에 이전에 예측된 값이 있습니까? 첫 번째 단계에서 예측과 예측이라는 용어가 일치한다는 것이 분명합니다. 당신의 계획에서 이것은 두 단계에 대한 예측과 일치하지만 앞으로 3, 4단계는? 오류의 원인을 이해하고 싶지 않다면 이 모든 것을 버릴 수 있습니다. 예측에서 오차는 다른 예측과 무관하고 예측에서 예측 오차는 이전 예측에 의존합니다. 이제 이것이 기본입니다.
비정상성은 고정 모델을 적용할 때 문제로 간주됩니다. non-stationary 모델을 사용한다면 여기서 non-stationarity는 문제가 아니라 해결해야 할 과제입니다.
ARIMA는 소위 "비정상성 문제"를 해결하지 못합니다. ARIMA는 이를 위해 설계되지 않았습니다.
.
우리는 비정상성의 존재를 인식하거나 인식하지 못합니다.
우리가 인정한다면, 우리의 모델은 즉시 비정상 데이터를 먹어야 하거나, 아마도 모델에 적합하도록 초기 데이터를 준비하는 일련의 예비 조치가 필요합니다.
그리고 여기 ARIMA가 전형적인 예입니다. 이것은 정확히 비정상 데이터에 대한 모델입니다. 첫 번째 단계에서는 원래의 비정상 계열을 고정 계열로 변환한 다음 결과 계열을 모델링합니다.
즉.
고정 데이터의 경우 I가 없는 모델로 원본 데이터가 고정되어 ARMA 모델을 사용할 수 있도록 몇 번이나 미분(차이를 취)해야 하는지를 의미합니다. 또 다른 문제는 ARIMA 모델에서 정상성을 결정하는 데 사용되는 기준이 다소 약하기 때문에 미분 결과에 적용된 ARMA 모델이 이러한 결과에 적용되지 않고 일반적으로 변동성 모델링에 대한 추가 연구가 필요하다는 것입니다. 분산 - ARCH 및 뉘앙스도 있습니다. .... 결과적으로 입력에 인용문이 있고 준비된 것을 모델링하지만 결과를 어디에 붙일지 이해할 수 없습니다.
우리가 인정한다면, 우리의 모델은 즉시 비정상 데이터를 먹어야 하거나, 아마도 모델에 적합하도록 초기 데이터를 준비하는 일련의 예비 조치가 필요합니다.
그리고 여기 ARIMA가 전형적인 예입니다. 이것은 정확히 비정상 데이터에 대한 모델입니다. 첫 번째 단계에서는 원래의 비정상 계열을 고정 계열로 변환 한 다음 결과 계열을 모델링합니다.
즉.
고정 데이터의 경우 I가 없는 모델로 원본 데이터가 고정되어 ARMA 모델을 사용할 수 있도록 몇 번이나 미분(차이를 취)해야 하는지를 의미합니다. 또 다른 문제는 ARIMA 모델에서 정상성을 결정하는 데 사용되는 기준이 다소 약하기 때문에 미분 결과에 적용된 ARMA 모델이 이러한 결과에 적용되지 않고 일반적으로 변동성 모델링에 대한 추가 연구가 필요하다는 것입니다. 분산 - ARCH 및 뉘앙스도 있습니다. .... 결과적으로 입력에 인용문이 있고 준비된 것을 모델링하지만 결과를 어디에 붙일지 이해할 수 없습니다.
당신은 이전에 이미 많이 말한 오래된 실수를 다시 반복합니다 ...
원래의 고정되지 않은 계열을 동등한 고정 계열로 변환하는 것은 불가능합니다. 원본 시리즈로 다양한 조작을 할 수 있지만 얻은 결과가 원본 시리즈와 동일하지 않을 수 있음을 이해해야 합니다. 이것은 "비정상 계열을 고정 계열로 변환"을 수행하는 경우에 정확히 발생합니다.
이것에 대해서는 이미 많은 말이 있었습니다. 그러나 나는 당신이 근본적인 요점을 알아차리지 못하는 것을 봅니다. 비유적으로 말하자면, 고양이를 목줄에 매고 개로 변신시키는 것은 소용이 없습니다.
이 주제에 대해 토론한 친애하는 참가자 여러분! 저는 수행된 연구에서 푸리에 변환(분해), 신경망, 선형 및 비선형 회귀 모델 및 기타 모델, / 또는 시장 가격의 흐름을 포함한 행동 수치 시리즈 예측은 내가 제안한 보편적 회귀 모델과 경쟁할 수 없으며 모든 평가 매개변수에서 https://www.mql5.com/en/articles/250 알려져 있습니다. 나는 모든 시리즈의 분석에 대한 구체적이고 비교적인 예에 대한 모든 이의에 이의를 제기할 준비가 되어 있습니다. 귀하의 도움으로 제 모델의 단점이 있다면 기꺼이 찾아드리겠습니다. 제안 된 모델을 진지하게 연구하고 이해하자마자 그 힘과 잡식성을 발견하게 될 것이라고 확신합니다. 기본적으로 모델은 가우시안 최소제곱을 비선형 영역으로 확장한 것이며 특수한 경우 가우스 최소제곱도 포함합니다. 따라서 선형 영역에서 인식된 즐겨찾기가 가우시안 최소제곱이면 일반적인 경우 제안하는 방법이 이와 같을 수 있습니다. 반대 의견이 있는 경우 대응할 준비가 되어 있습니다. 진심으로, Yusufkhodzha.
yosuf : 이 주제에 대해 토론한 친애하는 참가자 여러분! 저는 수행된 연구에서 푸리에 변환(분해), 신경망, 선형 및 비선형 회귀 모델 및 기타 모델, / 또는 시장 가격의 흐름을 포함한 행동 수치 시리즈를 예측하는 것은 내가 제안하고 모든 평가 매개변수에서 모두에게 알려진 보편적 회귀 모델과 경쟁할 수 없습니다. 나는 모든 시리즈의 분석에 대한 구체적이고 비교적인 예에 대한 모든 이의에 이의를 제기할 준비가 되어 있습니다. 귀하의 도움으로 제 모델의 단점이 있다면 기꺼이 찾아드리겠습니다. 제안 된 모델을 진지하게 연구하고 이해하자마자 그 힘과 잡식성을 발견하게 될 것이라고 확신합니다. 기본적으로 모델은 가우시안 최소제곱을 비선형 영역으로 확장한 것이며 특수한 경우 가우스 최소제곱도 포함합니다. 따라서 선형 영역에서 인식된 즐겨찾기가 가우시안 최소제곱이면 일반적인 경우 제안하는 방법이 이와 같을 수 있습니다. 반대 의견이 있는 경우 대응할 준비가 되어 있습니다. 진심으로, Yusufkhodzha.
명확한 정의를 제공하거나 "예측", "예측" 등의 의미에 대한 최소한의 설명을 제공하는 것은 나쁘지 않습니다. "예측" 지평선이란 무엇입니까? 이것이 없으면 "예측"은 의미를 잃습니다. 지평선에 따라 동일한 "예측"이 한 지평선에서는 사실로 판명되고 다른 지평선에서는 올바르지 않은 것으로 판명될 수 있기 때문입니다. 또한 이러한 섹션은 여러 번 번갈아 나타날 수 있습니다.
나는 보편적인 일반화를 수행하지 않지만 예측 및 예측에 대한 다음 정의를 제공합니다. 이러한 정의는 R(및 그 이상)에서 발견되는 알고리즘을 기반으로 합니다. 다른 정의가 주어질 수도 있지만 내 정의는 프로그램 코드가 있다는 점에서 건설적입니다.
그래서.
1. 예측. 중요한 것은 이전 값이 항상 예측에 사용된다는 것입니다. 저것들. 실제 기록 막대는 1단계 예측에 사용됩니다. 그리고 다음 세부 사항이 있습니다. 예측 2 단계는 항상 첫 번째 단계 앞으로의 예측 값을 사용합니다. 3단계에 대한 예측의 경우 이전 두 단계에 대한 예측이 사용되는 식입니다. 이것은 예측의 모든 이전 단계의 오류 합계로 이어지기 때문에 기본입니다. 오류 그래프는 확장 깔때기로 얻습니다. n단계 앞서는 오류는 항상 n-1단계 앞서는 오류보다 큽니다. 이 추세의 가장 널리 알려진 대표자는 예측 패키지입니다.
2. 예측 . 여기에 한 세트의 막대에서 1 단계와 2 단계 및 n 단계를 모두 예측할 수 있기 때문에 예측이 이루어지는 값 세트가 표시되며, 이를 구별하기 위해 예측이라고 합니다. . 이미 예측된 값을 사용하는지 여부는 알고리즘에 의해 결정되지 않고 개발자가 결정합니다. 예측 오류의 동작은 알려져 있지 않습니다. 당신은 환상을 가질 수 있습니다. H4에서 본질적으로 예측력을 갖는 H1이 있는 예측 변수 집합에 예측 변수가 있는 경우 4시간마다 오류가 3시간보다 적을 수 있습니다. 분류 유형의 모든 모델이 예측됩니다.
나는 보편적인 일반화를 수행하지 않지만 예측 및 예측에 대한 다음 정의를 제공합니다.
회귀의 경우 재무 계열의 비정상성은 기본 문제입니다. 따라서 툴킷을 선택할 때 선택한 툴이 비정상성 문제를 어떻게 해결하는지 살펴볼 필요가 있다. 제가 언급한 ARIMA가 비정상성 문제를 어느 정도 해결해 주었지만 Taylor 급수가 비정상성 문제를 해결했다는 말은 들어본 적이 없습니다.
비정상성은 고정 모델을 적용할 때 문제로 간주됩니다. non-stationary 모델을 사용한다면 여기서 non-stationarity는 문제가 아니라 해결해야 할 과제입니다.
ARIMA는 소위 "비정상성 문제"를 해결하지 못합니다. ARIMA는 이를 위해 설계되지 않았습니다.
Taylor 급수는 어떤 의미에서는 보편적입니다. 계수가 일정하면 고정 모델이 있지만(ARIMA가 여기에 있음) 계수가 시간 및/또는 상태의 함수이면 비정상 모델을 얻습니다. 이것은 빠른 참조를 위한 요지입니다.
필자의 경우 날짜 D보다 1단계(분기) 앞선 예측은 날짜 d=0에서 d=D-1까지 사용 가능한 모든 입력 값을 사용합니다. 날짜 D보다 2단계 앞서 예측은 날짜 d=0에서 d=D-2까지 사용 가능한 모든 입력 값을 사용합니다. 등. 즉, 날짜 D에 대한 2단계 예측은 날짜 D-1에 대한 예측이 날짜 0 ... D-2에 대한 입력 집합을 사용했다고 가정하기 때문에 날짜 D-1에 대한 예측을 사용하지 않습니다. , 그러면 날짜 D-1에 대한 중간 예측 없이 동일한 입력을 날짜 D의 2단계 예측에 직접 사용할 수 있습니다.
비정상성은 고정 모델을 적용할 때 문제로 간주됩니다. non-stationary 모델을 사용한다면 여기서 non-stationarity는 문제가 아니라 해결해야 할 과제입니다.
ARIMA는 소위 "비정상성 문제"를 해결하지 못합니다. ARIMA는 이를 위해 설계되지 않았습니다.
.
우리는 비정상성의 존재를 인식하거나 인식하지 못합니다.
우리가 인정한다면, 우리의 모델은 즉시 비정상 데이터를 먹어야 하거나, 아마도 모델에 적합하도록 초기 데이터를 준비하는 일련의 예비 조치가 필요합니다.
그리고 여기 ARIMA가 전형적인 예입니다. 이것은 정확히 비정상 데이터에 대한 모델입니다. 첫 번째 단계에서는 원래의 비정상 계열을 고정 계열로 변환한 다음 결과 계열을 모델링합니다.
즉.
고정 데이터의 경우 I가 없는 모델로 원본 데이터가 고정되어 ARMA 모델을 사용할 수 있도록 몇 번이나 미분(차이를 취)해야 하는지를 의미합니다. 또 다른 문제는 ARIMA 모델에서 정상성을 결정하는 데 사용되는 기준이 다소 약하기 때문에 미분 결과에 적용된 ARMA 모델이 이러한 결과에 적용되지 않고 일반적으로 변동성 모델링에 대한 추가 연구가 필요하다는 것입니다. 분산 - ARCH 및 뉘앙스도 있습니다. .... 결과적으로 입력에 인용문이 있고 준비된 것을 모델링하지만 결과를 어디에 붙일지 이해할 수 없습니다.
우리는 비정상성의 존재를 인식하거나 인식하지 못합니다.
우리가 인정한다면, 우리의 모델은 즉시 비정상 데이터를 먹어야 하거나, 아마도 모델에 적합하도록 초기 데이터를 준비하는 일련의 예비 조치가 필요합니다.
그리고 여기 ARIMA가 전형적인 예입니다. 이것은 정확히 비정상 데이터에 대한 모델입니다. 첫 번째 단계에서는 원래의 비정상 계열을 고정 계열로 변환 한 다음 결과 계열을 모델링합니다.
즉.
고정 데이터의 경우 I가 없는 모델로 원본 데이터가 고정되어 ARMA 모델을 사용할 수 있도록 몇 번이나 미분(차이를 취)해야 하는지를 의미합니다. 또 다른 문제는 ARIMA 모델에서 정상성을 결정하는 데 사용되는 기준이 다소 약하기 때문에 미분 결과에 적용된 ARMA 모델이 이러한 결과에 적용되지 않고 일반적으로 변동성 모델링에 대한 추가 연구가 필요하다는 것입니다. 분산 - ARCH 및 뉘앙스도 있습니다. .... 결과적으로 입력에 인용문이 있고 준비된 것을 모델링하지만 결과를 어디에 붙일지 이해할 수 없습니다.
당신은 이전에 이미 많이 말한 오래된 실수를 다시 반복합니다 ...
원래의 고정되지 않은 계열을 동등한 고정 계열로 변환하는 것은 불가능합니다. 원본 시리즈로 다양한 조작을 할 수 있지만 얻은 결과가 원본 시리즈와 동일하지 않을 수 있음을 이해해야 합니다. 이것은 "비정상 계열을 고정 계열로 변환"을 수행하는 경우에 정확히 발생합니다.
이것에 대해서는 이미 많은 말이 있었습니다. 그러나 나는 당신이 근본적인 요점을 알아차리지 못하는 것을 봅니다. 비유적으로 말하자면, 고양이를 목줄에 매고 개로 변신시키는 것은 소용이 없습니다.
당신은 이전에 이미 많이 말한 오래된 실수를 다시 반복합니다 ...
원래의 고정되지 않은 계열을 동등한 고정 계열로 변환하는 것은 불가능합니다. 원본 시리즈로 다양한 조작을 할 수 있지만 얻은 결과가 원본 시리즈와 동일하지 않을 수 있음을 이해해야 합니다. 이것은 "비정상 계열을 고정 계열로 변환"을 수행하는 경우에 정확히 발생합니다.
이것에 대해서는 이미 많은 말이 있었습니다. 그러나 나는 당신이 근본적인 요점을 알아차리지 못하는 것을 봅니다. 비유적으로 말하자면, 고양이를 목줄에 매고 개로 변신시키는 것은 소용이 없습니다.
이 주제에 대해 토론한 친애하는 참가자 여러분! 저는 수행된 연구에서 푸리에 변환(분해), 신경망, 선형 및 비선형 회귀 모델 및 기타 모델, / 또는 시장 가격의 흐름을 포함한 행동 수치 시리즈를 예측하는 것은 내가 제안하고 모든 평가 매개변수에서 모두에게 알려진 보편적 회귀 모델과 경쟁할 수 없습니다. 나는 모든 시리즈의 분석에 대한 구체적이고 비교적인 예에 대한 모든 이의에 이의를 제기할 준비가 되어 있습니다. 귀하의 도움으로 제 모델의 단점이 있다면 기꺼이 찾아드리겠습니다. 제안 된 모델을 진지하게 연구하고 이해하자마자 그 힘과 잡식성을 발견하게 될 것이라고 확신합니다. 기본적으로 모델은 가우시안 최소제곱을 비선형 영역으로 확장한 것이며 특수한 경우 가우스 최소제곱도 포함합니다. 따라서 선형 영역에서 인식된 즐겨찾기가 가우시안 최소제곱이면 일반적인 경우 제안하는 방법이 이와 같을 수 있습니다. 반대 의견이 있는 경우 대응할 준비가 되어 있습니다. 진심으로, Yusufkhodzha.