일반적으로 해당 논문에서는 Simplex 방법으로 모델 매개변수를 검색하는 것을 제안하지만 문제의 차원과 관련하여 기하급수적으로 긴 것으로 알려져 있습니다. 따라서 이것이 우리가 일해야 할 첫 번째 방향인 것 같습니다. 그건 그렇고, 당신이 언급 한 기사는이 주제에 대해 러시아어로 된 유일한 기사 인 것 같습니다. 그 자체로 다소 품질이 낮습니다 (아마도 누군가의 학기 논문이나 졸업장).
나는 이론적으로 설명하려고 노력할 것입니다. 왜냐하면. 아직 계산 데이터를 표시할 준비가 되지 않았습니다. 원시 데이터입니다.
... LSM의 도움으로 근사 적으로 회귀 다항식을 프로세스의 정상적인 부분뿐만 아니라 푸아송 이상치에도 "달라붙게" 만듭니다. 따라서 예측의 효율성이 낮 습니다. 일반적으로 . 반면에 분위수 다항식을 취하면 두 번째 프로세스의 푸아송 부분을 완전히 제거합니다. 분위수는 단순히 그것에 반응하지 않으며 절대적으로 있습니다. 따라서 회귀가 상당한 시도를 제공하는 위치를 결정하면 "실패"를 높은 수준의 확실성을 가지고 거의 온라인으로 지역화할 수 있습니다( 아마도 아직 해당 모델이 없기 때문에 예측할 수 없을 것 입니다. 나는 가지고있다:).
나는 중간에 문장을 끝내지 않았습니다. 분명히 맥주 병이 영향을 받았고, 나는 늙어 가고 있습니다 :))) "what"으로 시작하는 읽지 마십시오.
스레드의 일부 독자가 이미 이해한 것처럼 비판은 다음 으로 구성된 LSM의 기능에 대한 것입니다. ) 및 b) LSM이 가우스 및 비-가우시안의 두 프로세스를 "분리"할 수 없는 경우: 이 방법은 전체적으로 가산 혼합물에 반응하지만 이와 대조적으로 최소 거리 방법 또는 분위수 회귀는 가우스 부분에 응답하여 프로세스에서 두 번째 구성 요소를 추출합니다.
그리고 일반적으로 다국적 기업은 계산하기가 훨씬 쉽기 때문에 일반적으로 사용됩니다. 동시에 실생활에서 많은 작업에는 다른 방법을 사용해야하지만 사람들은 게으름이나 무지에서 MNC를 때리는 곳마다 찔러 넣습니다 ...
매우 흥미로운. 솔직한 , 유인도에서 준 고정 프로세스가 있는 메타 모델에 대한 주제를 기억합니까(디퍼크가 있고 우리도 모자에서 토끼를 꺼냈습니다)? 뭔가 매우 비슷합니다. 지식권은 여전히 존재하고, 그 안의 생각은 공통적...
기억하지 않는 방법을 기억합니다.
하지만 그 섬을 무인도라고 부르기 전에 :)
MQL에서 하면 고생할 것입니다. 행렬 연산이 없습니다...
https://www.mql5.com/ru/articles/1365
https://www.mql5.com/ru/articles/1365
이것은 내가 보았다. 엄청난 일. 이 일을 해주셔서 감사합니다. 그러나 연구와 여기에서의 연구는 실제로 행렬 연산이 있는 다른 언어로 가장 잘 수행됩니다...
Z.Y. 그러나 나는 분명히 무인도를 그리워했다. 링크를 공유하지 마십시오. 실이 센스있다고 읽고싶다...
http://www.nsu.ru/ef/tsy/ecmr/quantile/quantile.htm
MQL에서 하면 고생할 것입니다. 행렬 연산이 없습니다...각 경우의 행렬 연산은 일반 산술로 줄일 수 있습니다. :)
일반적으로 해당 논문에서는 Simplex 방법으로 모델 매개변수를 검색하는 것을 제안하지만 문제의 차원과 관련하여 기하급수적으로 긴 것으로 알려져 있습니다. 따라서 이것이 우리가 일해야 할 첫 번째 방향인 것 같습니다. 그건 그렇고, 당신이 언급 한 기사는이 주제에 대해 러시아어로 된 유일한 기사 인 것 같습니다. 그 자체로 다소 품질이 낮습니다 (아마도 누군가의 학기 논문이나 졸업장).
이제 누군가 MQL로 심플렉스를 작성하기로 약속했다면 ... 그렇지 않으면 나 자신이 너무 게으르다!
upd 글쎄, 타원체는 좋을 것입니다 :))
나는 이론적으로 설명하려고 노력할 것입니다. 왜냐하면. 아직 계산 데이터를 표시할 준비가 되지 않았습니다. 원시 데이터입니다.
... LSM의 도움으로 근사 적으로 회귀 다항식을 프로세스의 정상적인 부분뿐만 아니라 푸아송 이상치에도 "달라붙게" 만듭니다. 따라서 예측의 효율성이 낮 습니다. 일반적으로 . 반면에 분위수 다항식을 취하면 두 번째 프로세스의 푸아송 부분을 완전히 제거합니다. 분위수는 단순히 그것에 반응하지 않으며 절대적으로 있습니다. 따라서 회귀가 상당한 시도를 제공하는 위치를 결정하면 "실패"를 높은 수준의 확실성을 가지고 거의 온라인으로 지역화할 수 있습니다( 아마도 아직 해당 모델이 없기 때문에 예측할 수 없을 것 입니다. 나는 가지고있다:).
다국적 기업의 "빈곤"에 대한 건설적인 비판을 결코 이해하지 못했습니다 ...
;)
다국적 기업의 "빈곤"에 대한 건설적인 비판을 결코 이해하지 못했습니다 ...
;)
나는 중간에 문장을 끝내지 않았습니다. 분명히 맥주 병이 영향을 받았고, 나는 늙어 가고 있습니다 :))) "what"으로 시작하는 읽지 마십시오.
스레드의 일부 독자가 이미 이해한 것처럼 비판은 다음 으로 구성된 LSM의 기능에 대한 것입니다. ) 및 b) LSM이 가우스 및 비-가우시안의 두 프로세스를 "분리"할 수 없는 경우: 이 방법은 전체적으로 가산 혼합물에 반응하지만 이와 대조적으로 최소 거리 방법 또는 분위수 회귀는 가우스 부분에 응답하여 프로세스에서 두 번째 구성 요소를 추출합니다.
그리고 일반적으로 다국적 기업은 계산하기가 훨씬 쉽기 때문에 일반적으로 사용됩니다. 동시에 실생활에서 많은 작업에는 다른 방법을 사용해야하지만 사람들은 게으름이나 무지에서 MNC를 때리는 곳마다 찔러 넣습니다 ...
그리고 일반적으로 다국적 기업은 계산하기가 훨씬 쉽기 때문에 일반적으로 사용됩니다. 동시에 실생활에서 많은 작업에는 다른 방법을 사용해야하지만 사람들은 게으름이나 무지로 인해 MNC를 때리는 곳마다 찔러 넣습니다 ...
최소값을 구하는 2차 함수의 특성을 잘 활용한 것 같아요... 0점에서 미분값이 0인 것처럼요.
따라서 함수의 매개변수를 계산하기 위해 분석적으로 파생된 모든 방법은 함수의 영역에 관계없이 작동합니다. 이 문제에 대해 한 번 쓴 적이 있습니다.
하지만! -1 .... 1 - 정의를 사용하여 함수에 대한 최상의 OLS 매개변수를 조정하면 문제가 발생합니다.
당신은 더 나빠질 수 있습니다. 최소 편차가 최대가 됩니다.
다시 말하지만, 이것은 "전면" 방법을 위한 것입니다.
그리고 당신은 자신의 분포를 "사용"하기 때문에 아마도 ;), 파생 상품에서는 매개변수에 대한 최소 제곱을 계산하는 기능에 도달하지 않았으며 특히 중요한 것은 "remarkable"로 정의됩니다. 제한 - 최소 가능성이 발생합니다.
제곱 편차가 1보다 작지 않도록 데이터를 정규화하십시오.
;)
그러나 주요 질문은 프레임 외부에 남아 있었습니다. 분포 매개변수를 선택할 수 있습니다.
이것은 따옴표로 어떻게 외삽됩니까? 아크 탄젠트에 의해?
DDD