시간당 막대의 시작 가격에서 사용 가능한 증분에 대한 정규 분포의 매개변수를 추정하고 동일한 분포의 원본 시리즈와 정규의 빈도와 밀도를 비교하기 위해 표시했습니다. 육안으로도 알 수 있듯이, 시간당 막대의 원래 일련의 증가는 정상과 거리가 멉니다.
그런데 우리는 하나님의 성전에 있지 않습니다. 믿는 것은 선택 사항이며 심지어 해롭습니다.
함수 F(x) = a*exp(-b*|x|^p)를 분포에 맞추십시오. p=2는 정규 분포를 나타냅니다. p의 실제 값을 알면 회귀 오류 제곱합의 최소화를 합 |오차|^p로 바꿉니다. 이 스레드에서 이전에 출력을 보여주었습니다. |error|^p의 합을 최소화하는 것이 error^2의 합을 최소화하는 것보다 더 나은 예측 정확도를 제공한다고 생각한다면 구현을 시작하십시오.
СанСаныч Фоменко : 아이디어는 단순히 혁명적입니다. 여기 선반의 사이트에 있습니다. 정상에 가까워지는 것은 충분히 가능하지만 점점 ....
시리즈의 편차 분포가 미리 알려져 있고 정적이면 Box Cox에서도 가능합니다. 제 생각에 사람들은 회귀 오류의 분포와 입력 계열 자체의 분포라는 두 가지 중요한 사항을 혼동하고 있습니다. 제곱 평균 제곱근 회귀는 입력이 분산되는 방식을 신경 쓰지 않습니다. 주요 가정은 모형 적합 오차의 분포가 정상이어야 한다는 것입니다. 다시 말하지만, 정상 ERRORS를 요구하는 평균 제곱 회귀가 마음에 들지 않으면 "비정상" 오류 |error|^p가 있는 일반 회귀를 사용하십시오.
Vladimir : 시리즈의 편차 분포가 미리 알려져 있고 정적이면 Box Cox에서도 가능합니다. 제 생각에 사람들은 회귀 오류의 분포와 입력 계열 자체의 분포라는 두 가지 중요한 사항을 혼동하고 있습니다. 제곱 평균 제곱근 회귀는 입력이 분산되는 방식을 신경 쓰지 않습니다. 주요 가정은 모형 적합 오차의 분포가 정상이어야 한다는 것입니다. 다시 말하지만, 정상 ERRORS를 요구하는 평균 제곱 회귀가 마음에 들지 않으면 "비정상" 오류 |error|^p가 있는 일반 회귀를 사용하십시오.
어떤 이유에서인지 회귀분석 의 적용가능성 문제를 원칙적으로 해결하기 위해서는 입력변수의 정상성 요건이 필수적이라고 확신합니다. ARMA의 전체 아이디어는 입력 변수의 비정상성, ARIMA 모델의 차별화로 인한 고정 형태로의 변환에 대한 강박관념에 기반을 두고 있습니다. 이 모든 것에서 시계열의 정상성의 속성을 증명하는 데 심각한 어려움이 있습니다.
회귀 피팅 오류와 관련하여 - 이것은 정상성의 오페라에서 나온 것입니다. 시계열의 미분을 통해 평균의 변동성을 실질적으로 제거할 수 있다면 ARCH 도구는 분산의 변동성으로 인해 어려움을 겪고 있습니다.
매우 상세합니다. 글을 잘 아는 수천 명의 사람들이 시계열의 비정상성을 처리하는 간단한 수단을 찾지 못했다는 사실을 완전히 이해할 수 없었고, 70년대 중반부터 연구되어 온 모든 고정성 문제를 해결합니다.
Vladimir : 함수 F(x) = a*exp(-b*|x|^p)를 분포에 맞추십시오. p=2는 정규 분포를 나타냅니다. p의 실제 값을 알면 회귀 오류 제곱합의 최소화를 합 |오차|^p로 바꿉니다. 이 스레드에서 이전에 출력을 보여주었습니다. |error|^p의 합을 최소화하는 것이 error^2의 합을 최소화하는 것보다 더 나은 예측 정확도를 제공한다고 생각한다면 구현을 시작하십시오.
어떤 이유에서인지 회귀분석의 적용가능성 문제를 원칙적으로 해결하기 위해서는 입력변수의 정상성 요건이 필수적이라고 확신합니다. ARMA의 전체 아이디어는 입력 변수의 비정상성, ARIMA 모델의 차별화로 인한 고정 형태로의 변환에 대한 강박관념에 기반을 두고 있습니다. 이 모든 것에서 시계열의 정상성의 속성을 증명하는 데 심각한 어려움이 있습니다.
회귀 피팅 오류와 관련하여 - 이것은 정상성의 오페라에서 나온 것입니다. 시계열의 미분을 통해 평균의 변동성을 실질적으로 제거할 수 있다면 ARCH 도구는 분산의 변동성으로 인해 어려움을 겪고 있습니다.
매우 상세합니다. 글을 잘 아는 수천 명의 사람들이 시계열의 비정상성을 처리하는 간단한 수단을 찾지 못했다는 사실을 완전히 이해할 수 없었고, 70년대 중반부터 연구되어 온 모든 고정성 문제를 해결합니다.
마지막으로 (누군가 또는 더 나은 모든 것을 한 번에) 설명하십시오. 정체라고 부르는 것을 어떻게 이해합니까?
R 언어의 분포에 대한 간략한 분석:
시간당 막대의 시작 가격에서 사용 가능한 증분에 대한 정규 분포의 매개변수를 추정하고 동일한 분포의 원본 시리즈와 정규의 빈도와 밀도를 비교하기 위해 표시했습니다. 육안으로도 알 수 있듯이, 시간당 막대의 원래 일련의 증가는 정상과 거리가 멉니다.
그런데 우리는 하나님의 성전에 있지 않습니다. 믿는 것은 선택 사항이며 심지어 해롭습니다.
처음에는 "신자들"의 눈에서 희미한 이해를 보고 싶습니다. 그리고 필요한 경우 변환합니다. 두꺼운 꼬리를 변환할 수 있습니까? 그것이 문제입니다. 품질에 큰 영향을 줄 수 있습니다.
나 자신을 반복하는 것이 두렵지만 두꺼운 꼬리를 정상으로 변환하는 것은 문제가 아닙니다.
귀하의 의견으로는 어떤 품질에 영향을 미칩니까?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
이것은 동일합니다! 증분은 + 또는 - 기호로 변환됩니다. 그리고 당신은 한 시간 앞서 증가하기 위해 그러한 표시를 취할 수 있습니다.
질문이 뭐야?
저는 분류 모델이 있습니다. 저는 매수, 매도를 가르칩니다. 방향의 정확성 일치/불일치에 따른 모델 평가
예를 들어 0보다 큰 증분은 증분에 신뢰 구간 이 있으므로 반드시 매수가 아닙니다. 그리고 점수는 MAE처럼 실수
함수 F(x) = a*exp(-b*|x|^p)를 분포에 맞추십시오. p=2는 정규 분포를 나타냅니다.
아이디어는 단순히 혁명적입니다. 여기 선반의 사이트에 있습니다. 정상에 가까워지는 것은 충분히 가능하지만 점점 ....
시리즈의 편차 분포가 미리 알려져 있고 정적이면 Box Cox에서도 가능합니다. 제 생각에 사람들은 회귀 오류의 분포와 입력 계열 자체의 분포라는 두 가지 중요한 사항을 혼동하고 있습니다. 제곱 평균 제곱근 회귀는 입력이 분산되는 방식을 신경 쓰지 않습니다. 주요 가정은 모형 적합 오차의 분포가 정상이어야 한다는 것입니다. 다시 말하지만, 정상 ERRORS를 요구하는 평균 제곱 회귀가 마음에 들지 않으면 "비정상" 오류 |error|^p가 있는 일반 회귀를 사용하십시오.
어떤 이유에서인지 회귀분석 의 적용가능성 문제를 원칙적으로 해결하기 위해서는 입력변수의 정상성 요건이 필수적이라고 확신합니다. ARMA의 전체 아이디어는 입력 변수의 비정상성, ARIMA 모델의 차별화로 인한 고정 형태로의 변환에 대한 강박관념에 기반을 두고 있습니다. 이 모든 것에서 시계열의 정상성의 속성을 증명하는 데 심각한 어려움이 있습니다.
회귀 피팅 오류와 관련하여 - 이것은 정상성의 오페라에서 나온 것입니다. 시계열의 미분을 통해 평균의 변동성을 실질적으로 제거할 수 있다면 ARCH 도구는 분산의 변동성으로 인해 어려움을 겪고 있습니다.
매우 상세합니다. 글을 잘 아는 수천 명의 사람들이 시계열의 비정상성을 처리하는 간단한 수단을 찾지 못했다는 사실을 완전히 이해할 수 없었고, 70년대 중반부터 연구되어 온 모든 고정성 문제를 해결합니다.
어떤 이유에서인지 회귀분석의 적용가능성 문제를 원칙적으로 해결하기 위해서는 입력변수의 정상성 요건이 필수적이라고 확신합니다.
비정상 데이터는 시계열 모델에 의해 예측되지 않습니다. 통계적 모델(회귀, 자기회귀, 평활화 등)이나 구조적 모델(NN, 분류, 마르코프 체인 등)이 아닙니다.
도메인 모델만
함수 F(x) = a*exp(-b*|x|^p)를 분포에 맞추십시오. p=2는 정규 분포를 나타냅니다. p의 실제 값을 알면 회귀 오류 제곱합의 최소화를 합 |오차|^p로 바꿉니다. 이 스레드에서 이전에 출력을 보여주었습니다. |error|^p의 합을 최소화하는 것이 error^2의 합을 최소화하는 것보다 더 나은 예측 정확도를 제공한다고 생각한다면 구현을 시작하십시오.
어떤 이유에서인지 회귀분석의 적용가능성 문제를 원칙적으로 해결하기 위해서는 입력변수의 정상성 요건이 필수적이라고 확신합니다. ARMA의 전체 아이디어는 입력 변수의 비정상성, ARIMA 모델의 차별화로 인한 고정 형태로의 변환에 대한 강박관념에 기반을 두고 있습니다. 이 모든 것에서 시계열의 정상성의 속성을 증명하는 데 심각한 어려움이 있습니다.
회귀 피팅 오류와 관련하여 - 이것은 정상성의 오페라에서 나온 것입니다. 시계열의 미분을 통해 평균의 변동성을 실질적으로 제거할 수 있다면 ARCH 도구는 분산의 변동성으로 인해 어려움을 겪고 있습니다.
매우 상세합니다. 글을 잘 아는 수천 명의 사람들이 시계열의 비정상성을 처리하는 간단한 수단을 찾지 못했다는 사실을 완전히 이해할 수 없었고, 70년대 중반부터 연구되어 온 모든 고정성 문제를 해결합니다.
마지막으로 (누군가 또는 더 나은 모든 것을 한 번에) 설명하십시오. 정체라고 부르는 것을 어떻게 이해합니까?