단일 라인 회귀를 양수 입력과 음수 입력에 대한 두 줄 회귀로 교체하는 것은 많은 이점을 나타내지 않았습니다. S&P500 대신 GDP를 예측하려는 시도는 예측의 RMSD를 낮추었지만 최적의 입력 수는 여전히 1입니다. 즉, 두 번째 및 세 번째 예측 변수를 추가하면 항상 예측의 RMSD가 증가합니다. 나는 그것을 좋아하지 않는다. 더 많은 변수가 있는 모델을 보고 싶습니다. 따라서 모델, 데이터 및 해당 변환에 대한 검색이 계속됩니다. 전체 기록을 기반으로 한 예측 변수 선택과 선택한 예측 변수의 동일한 기록에 대한 예측으로 자신을 속이고 싶지 않습니다. 이제 문제는 예측 날짜까지의 기록만 있는 예측 변수를 선택하는 방법입니다. 어쩌면 현실은 단 하나의 예측 변수의 선택을 제한할 수도 있습니다.
gpwr : 단일 라인 회귀를 양수 입력과 음수 입력에 대한 두 줄 회귀로 교체하는 것은 많은 이점을 나타내지 않았습니다. S&P500 대신 GDP를 예측하려는 시도는 예측의 RMSD를 낮추었지만 최적의 입력 수는 여전히 1입니다. 즉, 두 번째 및 세 번째 예측 변수를 추가하면 항상 예측의 RMSD가 증가합니다. 나는 그것을 좋아하지 않는다. 더 많은 변수가 있는 모델을 보고 싶습니다. 따라서 모델, 데이터 및 해당 변환에 대한 검색이 계속됩니다.
gpwr : 단일 라인 회귀를 양수 입력과 음수 입력에 대한 두 줄 회귀로 교체하는 것은 많은 이점을 나타내지 않았습니다. S&P500 대신 GDP를 예측하려는 시도는 예측의 RMSD를 낮추었지만 최적의 입력 수는 여전히 1입니다. 즉, 두 번째 및 세 번째 예측 변수를 추가하면 항상 예측의 RMSD가 증가합니다. 나는 그것을 좋아하지 않는다. 더 많은 변수가 있는 모델을 보고 싶습니다. 따라서 모델, 데이터 및 해당 변환에 대한 검색이 계속됩니다. 전체 기록을 기반으로 한 예측 변수 선택과 선택한 예측 변수의 동일한 기록에 대한 예측으로 자신을 속이고 싶지 않습니다. 이제 문제는 예측 날짜까지의 기록만 있는 예측 변수를 선택하는 방법입니다. 어쩌면 현실은 단 하나의 예측 변수의 선택을 정말로 제한할 수도 있습니다.
RAttle이 왜 안되는지 이해가 되지 않습니다. 일부 열악하고 가장 중요한 제한된 모델을 사용합니다.
제안이 있습니다.
열 이름과 함께 tsv.file을 삭제합니다. 대상 변수로 사용할 열을 지정합니다. 당연히 테이블 행은 한 시점을 참조해야 합니다.
나는 Rattle로 차를 몰고 당신의 허락하에 6개의 매우 괜찮은 모델의 결과를 여기에 게시할 것입니다.
회귀 모델은 실제로 재무 데이터에 적용할 수 없습니다. 당신은 숫자를 얻고 그것을 믿지만 당신이 보는 숫자가 전혀 존재하지 않는다는 사실은 이것을 이해하기에 충분한 지식이 없습니다 - 숫자 게임.
하지만 프로포즈하는 건 내 몫이고... 거기엔 주인의 일이...
추신.
신경망은 최상의 결과를 제공하지 않습니다. 다른 모델이 있으며 결과가 더 좋고 내부 구조가 해석 가능합니다.
나는 여전히 동의하지 않습니다. 회귀는 모든 데이터에서 훌륭하게 작동하며 다른 방법보다 반드시 더 나은 것은 아니지만 특히 컴퓨팅 리소스 에 대한 극단적인 요구가 없는 것을 고려할 때 여전히 상당히 좋습니다.
일반적으로 회귀 전에 로그를 취하거나 델타를 취하는 것이 좋습니다. 그러나 이것은 추세 정보를 죽입니다! - 그래서 회귀에 대한 회의론이 있는 것일까요?
사전 정규화는 데이터를 손상시킬 수 있으므로 매우 신중하게 수행해야 합니다.
나는 모델이 "물리적" 의미를 가져야 한다는 데 동의합니다... 그리고 모델이 더 복잡할수록 "물리적" 해석에서 더 많이 벗어나고, 복잡한 모델에서 계수는 추상적입니다(이것이 일치하지 않는 경우 예를 들어, 많은 관측치/막대, 변동성을 계산하기 위한 승수 또는 이와 유사한 것), 신경망은 추상적이고 랜덤 포레스트는 또한 무엇입니까? 유전학? 또한 추상 모델
회귀에서 계수는 일반적으로 특정 요인의 연결/영향의 강도로 해석되며, 계수 모듈의 합계를 계산하고 합계에서 계수의 비율을 계산하면 이는 매우 논리적입니다. 변수 영향의 유의 수준
물론 이것은 항상 경제 용어로 표현될 수는 없습니다(이 경우 주제 모델을 구축해야 하며 이러한 수치는 신뢰할 수 있지만 이것은 완전히 다른 수준입니다). 예를 들어 주가 지수와 거시 경제 통계가 분석되면 지표의 % 성장률 "또는 예를 들어 중앙 은행 계좌의 잔액과 일부 환율 사이에 직접적인 연결이 없지만 모델은 , 이 연결이 객관적이라는 사실은 아니지만(잔액이 환율에 어떻게든 영향을 미치거나 그 반대의 경우도 마찬가지입니다), 모델은 변화의 동시성을 나타냅니다. 그러면 모델에 포함되지 않을 수도 있는 몇 가지 일반적인 원인이 있습니다. 아마도 측정조차 할 수 없지만 그럼에도 불구하고 간접적인 관계를 조사하는 것은 가능합니다.
모델에 거래된 상품만 있는 경우 계수를 로트로 다시 계산할 수 있습니다. 물리적 해석 이상입니다.
단일 라인 회귀를 양수 입력과 음수 입력에 대한 두 줄 회귀로 교체하는 것은 많은 이점을 나타내지 않았습니다. S&P500 대신 GDP를 예측하려는 시도는 예측의 RMSD를 낮추었지만 최적의 입력 수는 여전히 1입니다. 즉, 두 번째 및 세 번째 예측 변수를 추가하면 항상 예측의 RMSD가 증가합니다. 나는 그것을 좋아하지 않는다. 더 많은 변수가 있는 모델을 보고 싶습니다. 따라서 모델, 데이터 및 해당 변환에 대한 검색이 계속됩니다.
변수의 수를 늘리면 총 분산이 매우 자연스럽게 증가합니다.
최적의 예측 변수 수는 5~8(IMHO)입니다.
Dow Jones와 달러에 대한 3개월 LIBOR. 이상하게도 교과서에는 금리를 올리면 시장이 떨어진다고 하는데 여기서는 그 반대다.
그러나 강한 상관관계는 특별히 보이지 않습니다.
피. 에스. 1986년 이전의 이자율과 2007년 이전의 국채 가격(수익률 아님)에 대한 데이터를 어디서 얻을 수 있는지 누가 알려줄까요?
Dow Jones와 달러에 대한 3개월 LIBOR. 이상하게도 교과서에는 금리를 올리면 시장이 떨어진다고 하는데 여기서는 그 반대다.
그러나 강한 상관관계는 특별히 보이지 않습니다.
피. 에스. 1986년 이전의 이자율과 2007년 이전의 국채 가격(수익률 아님)에 대한 데이터를 어디서 얻을 수 있는지 누가 알려줄까요?
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
그러나 진실은 매우 불편하게 이루어집니다(((
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
그러나 진실은 매우 불편하게 이루어집니다(((
죄송합니다, 내기만 있습니다
가격은 여기에서 찾을 수 있지만 월별 만
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
단일 라인 회귀를 양수 입력과 음수 입력에 대한 두 줄 회귀로 교체하는 것은 많은 이점을 나타내지 않았습니다. S&P500 대신 GDP를 예측하려는 시도는 예측의 RMSD를 낮추었지만 최적의 입력 수는 여전히 1입니다. 즉, 두 번째 및 세 번째 예측 변수를 추가하면 항상 예측의 RMSD가 증가합니다. 나는 그것을 좋아하지 않는다. 더 많은 변수가 있는 모델을 보고 싶습니다. 따라서 모델, 데이터 및 해당 변환에 대한 검색이 계속됩니다. 전체 기록을 기반으로 한 예측 변수 선택과 선택한 예측 변수의 동일한 기록에 대한 예측으로 자신을 속이고 싶지 않습니다. 이제 문제는 예측 날짜까지의 기록만 있는 예측 변수를 선택하는 방법입니다. 어쩌면 현실은 단 하나의 예측 변수의 선택을 정말로 제한할 수도 있습니다.
RAttle이 왜 안되는지 이해가 되지 않습니다. 일부 열악하고 가장 중요한 제한된 모델을 사용합니다.
제안이 있습니다.
열 이름과 함께 tsv.file을 삭제합니다. 대상 변수로 사용할 열을 지정합니다. 당연히 테이블 행은 한 시점을 참조해야 합니다.
나는 Rattle로 차를 몰고 당신의 허락하에 6개의 매우 괜찮은 모델의 결과를 여기에 게시할 것입니다.
추신.
금융 시리즈에 대한 선형 회귀 ..... 의심스럽습니다.
죄송합니다, 내기만 있습니다
가격은 여기에서 찾을 수 있지만 월별 만
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
고맙습니다! 2013년부터 웹사이트의 차트에 따른 일일 데이터입니다.
금융 시리즈에 대한 선형 회귀..... 의심스러운 것 이상입니다.
글쎄, 왜, 단순한 모델로서 그것은 매우 적합합니다.
물론 신경망만큼 보편적이지는 않지만 여전히
회귀가 좋은 품질의 모델을 제공하지 않으면 다른 최적화 프로그램이 제공하지 않는 것으로 종종 관찰되었습니다.
글쎄, 왜, 단순한 모델로서 그것은 매우 적합합니다.
물론 신경망만큼 보편적이지는 않지만 여전히
회귀가 좋은 품질의 모델을 제공하지 않으면 다른 최적화 프로그램이 제공하지 않는 것으로 종종 관찰되었습니다.
어서 해봐요...
회귀 모델은 실제로 재무 데이터에 적용할 수 없습니다. 당신은 숫자를 얻고 그것을 믿지만 당신이 보는 숫자가 전혀 존재하지 않는다는 사실은 이것을 이해하기에 충분한 지식이 없습니다 - 숫자 게임.
하지만 프로포즈하는 건 내 몫이고... 거기엔 주인의 일이...
추신.
신경망은 최상의 결과를 제공하지 않습니다. 다른 모델이 있으며 결과가 더 좋고 내부 구조가 해석 가능합니다.
어서 해봐요...
회귀 모델은 실제로 재무 데이터에 적용할 수 없습니다. 당신은 숫자를 얻고 그것을 믿지만 당신이 보는 숫자가 전혀 존재하지 않는다는 사실은 이것을 이해하기에 충분한 지식이 없습니다 - 숫자 게임.
하지만 프로포즈하는 건 내 몫이고... 거기엔 주인의 일이...
추신.
신경망은 최상의 결과를 제공하지 않습니다. 다른 모델이 있으며 결과가 더 좋고 내부 구조가 해석 가능합니다.
나는 여전히 동의하지 않습니다. 회귀는 모든 데이터에서 훌륭하게 작동하며 다른 방법보다 반드시 더 나은 것은 아니지만 특히 컴퓨팅 리소스 에 대한 극단적인 요구가 없는 것을 고려할 때 여전히 상당히 좋습니다.
일반적으로 회귀 전에 로그를 취하거나 델타를 취하는 것이 좋습니다. 그러나 이것은 추세 정보를 죽입니다! - 그래서 회귀에 대한 회의론이 있는 것일까요?
사전 정규화는 데이터를 손상시킬 수 있으므로 매우 신중하게 수행해야 합니다.
나는 모델이 "물리적" 의미를 가져야 한다는 데 동의합니다... 그리고 모델이 더 복잡할수록 "물리적" 해석에서 더 많이 벗어나고, 복잡한 모델에서 계수는 추상적입니다(이것이 일치하지 않는 경우 예를 들어, 많은 관측치/막대, 변동성을 계산하기 위한 승수 또는 이와 유사한 것), 신경망은 추상적이고 랜덤 포레스트는 또한 무엇입니까? 유전학? 또한 추상 모델
회귀에서 계수는 일반적으로 특정 요인의 연결/영향의 강도로 해석되며, 계수 모듈의 합계를 계산하고 합계에서 계수의 비율을 계산하면 이는 매우 논리적입니다. 변수 영향의 유의 수준
물론 이것은 항상 경제 용어로 표현될 수는 없습니다(이 경우 주제 모델을 구축해야 하며 이러한 수치는 신뢰할 수 있지만 이것은 완전히 다른 수준입니다). 예를 들어 주가 지수와 거시 경제 통계가 분석되면 지표의 % 성장률 "또는 예를 들어 중앙 은행 계좌의 잔액과 일부 환율 사이에 직접적인 연결이 없지만 모델은 , 이 연결이 객관적이라는 사실은 아니지만(잔액이 환율에 어떻게든 영향을 미치거나 그 반대의 경우도 마찬가지입니다), 모델은 변화의 동시성을 나타냅니다. 그러면 모델에 포함되지 않을 수도 있는 몇 가지 일반적인 원인이 있습니다. 아마도 측정조차 할 수 없지만 그럼에도 불구하고 간접적인 관계를 조사하는 것은 가능합니다.
모델에 거래된 상품만 있는 경우 계수를 로트로 다시 계산할 수 있습니다. 물리적 해석 이상입니다.