요수프 12.07.2012 09:21 선형 회귀(LR)는 시간에 대한 가격의 선형 종속이 있다고 가정할 때 적용됩니다. 이는 일반적인 경우에는 분명히 관찰되지 않지만 선형 종속은 때때로 제한된 시간 간격으로 나타날 수 있지만 이 가정을 적용하면 미래에 상당한 편차가 발생할 것입니다. 따라서 RMS를 포함하는 비선형 회귀를 적용해야 하며 앞서 설명한 것처럼 선형 회귀의 경우를 모호하지 않게 다룹니다.
말한 내용에 추가:
다음은 반복 알고리즘 https://forum.mql4.com/en/50108/page5를 사용하여 이산 계열을 모델링한 결과의 LR 및 RMS를 처리하는 예입니다.
요수프 12.07.2012 09:21 선형 회귀(LR)는 시간에 대한 가격의 선형 종속이 있다고 가정할 때 적용됩니다. 이는 일반적인 경우에는 분명히 관찰되지 않지만 선형 종속은 때때로 제한된 시간 간격으로 나타날 수 있지만 이 가정을 적용하면 미래에 상당한 편차가 발생할 것입니다. 따라서 RMS를 포함하는 비선형 회귀를 적용해야 하며 앞서 설명한 것처럼 선형 회귀의 경우를 모호하지 않게 다룹니다.
말한 내용에 추가:
다음은 반복 알고리즘 https://forum.mql4.com/en/50108/page5를 사용하여 이산 계열을 모델링한 결과의 LR 및 RMS를 처리한 예이며, 이를 통해 LR이 연구원을 이끄는 것을 알 수 있습니다. 결과가 나타날 수 있는 영역의 한계를 넘어:
Sultonov 모델의 장점은 자유도 수의 넓은 의미에서 최적성을 포함할 수 있고 포함해야 합니다. 모델 매개변수의 수는 정확도 손실 없이 고정됩니다.
누가 논쟁하고 있습니까? 다항식이 있습니까?
;)
RMS에서 (18)을 유도할 때 감마 분포의 모수 결정과 관련된 응용 통계 문제 중 하나는 관계식 (12-14), 즉 http://www. aup.ru/books/m163 /2_2_1.htm:
"대부분의 경우 분석 솔루션이 없습니다. MLE를 찾으려면 수치적 방법을 적용해야 합니다. 예를 들어 감마 분포 또는 Weibull-Gnedenko 분포의 샘플을 사용하는 경우입니다. 많은 작업에서 최대 우도 방정식 시스템은 일부 반복 방법([ 8] 등)으로 풀거나 유형 (8)의 우도 함수를 직접 최대화합니다([9] 등 참조).
그러나 수치적 방법의 사용은 많은 문제를 야기한다. 반복적인 방법의 수렴에는 정당화가 필요합니다. 많은 예에서 우도 함수는 많은 국소 최대값을 가지므로 자연 반복 절차는 수렴하지 않습니다[10]. 강철 피로 시험에 대한 전 러시아 철도 운송 연구소의 데이터의 경우 최대 가능성 방정식은 11개의 근을 가집니다[11]. 11개 중 어느 것을 매개변수 점수로 사용해야 합니까?
이러한 어려움을 인식한 결과, 특정 확률 모델 및 특정 알고리즘에 대한 최대우도 추정치를 찾는 알고리즘의 수렴 증명에 대한 작업이 시작되었습니다. 기사[12]가 그 예이다.
그러나 반복 알고리즘의 수렴에 대한 이론적 증명이 전부는 아닙니다. 필요한 정확도의 달성과 관련하여 계산 종료 순간의 합리적인 선택에 대한 질문이 발생합니다. 대부분의 경우 해결되지 않았습니다.
하지만 그게 다가 아닙니다. 계산의 정확도는 표본 크기와 연결되어야 합니다. 표본 크기가 클수록 매개변수 추정값을 더 정확하게 찾아야 합니다. 그렇지 않으면 추정 방법의 일관성에 대해 말할 수 없습니다. 또한 표본 크기가 증가함에 따라 추정치의 일관성을 달성하기 위해 컴퓨터에서 사용되는 자릿수를 늘리고 단정밀도 계산에서 두 배 이상으로 이동해야 합니다.
따라서 최대 가능도 추정에 대한 명시적인 공식이 없는 경우 MLE를 찾는 것은 많은 계산 문제에 부딪힙니다. 수학적 통계학자 들은 이론적인 용어로 대량살상무기(WMD)에 대해 이야기할 때 이러한 모든 문제를 무시할 수 있습니다. 그러나 적용된 통계는 이를 무시할 수 없습니다. 언급된 문제는 대량살상무기의 실제 사용 가능성에 의문을 제기합니다.
대량살상무기를 절대화할 필요는 없습니다. 그 외에도 통계적 특성이 좋은 다른 유형의 추정치가 있습니다. 예로는 1단계 추정기(OS 추정기)가 있습니다.
응용 통계에서는 많은 유형의 추정치가 개발되었습니다. 분위수 추정치를 언급합시다. 그들은 모멘트 방법과 유사한 아이디어를 기반으로 하지만 표본 및 이론적인 모멘트 대신 표본 및 이론적인 분위수를 동일시합니다. 또 다른 추정 그룹은 경험적 데이터와 매개변수 패밀리의 요소 사이의 거리(차이 지수)를 최소화한다는 아이디어를 기반으로 합니다. 가장 단순한 경우, 경험적 히스토그램과 이론적 히스토그램 사이의 유클리드 거리(Euclidean distance) 또는 히스토그램 막대의 높이로 구성된 벡터가 최소화됩니다.
이제 감마 분포의 매개변수에 대한 이러한 문제는 관계식(12-14) https://www.mql5.com/en/articles/250의 형태로 분석적으로 해결되며 수치에 대한 방법을 검색할 필요가 없습니다. 평가. 이항 분포의 경우와 같이 GOST에 도입하도록 제안해야 합니다. GOST가 아닌 [7]. 앞서 말한 바에 따르면 추정기의 점근적 행동을 연구하는 단계에서만 가능하면 다른 유형의 추정기보다 MLE를 선호하는 것이 가능합니다.
신성한 질문은 이 회귀로 얼마나 많은 돈을 벌었습니까? 생각할 때가 되지 않았습니까?
로마 인.:
선형 회귀 와의 차이점을 간략하게 설명합니다 ...
요수프 12.07.2012 09:21
선형 회귀(LR)는 시간에 대한 가격의 선형 종속이 있다고 가정할 때 적용됩니다. 이는 일반적인 경우에는 분명히 관찰되지 않지만 선형 종속은 때때로 제한된 시간 간격으로 나타날 수 있지만 이 가정을 적용하면 미래에 상당한 편차가 발생할 것입니다. 따라서 RMS를 포함하는 비선형 회귀를 적용해야 하며 앞서 설명한 것처럼 선형 회귀의 경우를 모호하지 않게 다룹니다.
말한 내용에 추가:
다음은 반복 알고리즘 https://forum.mql4.com/en/50108/page5를 사용하여 이산 계열을 모델링한 결과의 LR 및 RMS를 처리하는 예입니다.
로마 인.:
선형 회귀와 어떻게 다른지 간략하게 설명하십시오 ...
요수프 12.07.2012 09:21
선형 회귀(LR)는 시간에 대한 가격의 선형 종속이 있다고 가정할 때 적용됩니다. 이는 일반적인 경우에는 분명히 관찰되지 않지만 선형 종속은 때때로 제한된 시간 간격으로 나타날 수 있지만 이 가정을 적용하면 미래에 상당한 편차가 발생할 것입니다. 따라서 RMS를 포함하는 비선형 회귀를 적용해야 하며 앞서 설명한 것처럼 선형 회귀의 경우를 모호하지 않게 다룹니다.
말한 내용에 추가:
다음은 반복 알고리즘 https://forum.mql4.com/en/50108/page5를 사용하여 이산 계열을 모델링한 결과의 LR 및 RMS를 처리한 예이며, 이를 통해 LR이 연구원을 이끄는 것을 알 수 있습니다. 결과가 나타날 수 있는 영역의 한계를 넘어:
고마워요, 유서프. 자세한 내용은 출처를 읽어보겠습니다.
Sultonov 모델의 장점은 자유도 수의 넓은 의미에서 최적성을 포함할 수 있고 포함해야 합니다. 모델 매개변수의 수는 정확도 손실 없이 고정됩니다.
누가 논쟁하고 있습니까? 다항식이 있습니까?
;)
RMS에서 (18)을 유도할 때 감마 분포의 모수 결정과 관련된 응용 통계 문제 중 하나는 관계식 (12-14), 즉 http://www. aup.ru/books/m163 /2_2_1.htm:
"대부분의 경우 분석 솔루션이 없습니다. MLE를 찾으려면 수치적 방법을 적용해야 합니다. 예를 들어 감마 분포 또는 Weibull-Gnedenko 분포의 샘플을 사용하는 경우입니다. 많은 작업에서 최대 우도 방정식 시스템은 일부 반복 방법([ 8] 등)으로 풀거나 유형 (8)의 우도 함수를 직접 최대화합니다([9] 등 참조).
그러나 수치적 방법의 사용은 많은 문제를 야기한다. 반복적인 방법의 수렴에는 정당화가 필요합니다. 많은 예에서 우도 함수는 많은 국소 최대값을 가지므로 자연 반복 절차는 수렴하지 않습니다[10]. 강철 피로 시험에 대한 전 러시아 철도 운송 연구소의 데이터의 경우 최대 가능성 방정식은 11개의 근을 가집니다[11]. 11개 중 어느 것을 매개변수 점수로 사용해야 합니까?
이러한 어려움을 인식한 결과, 특정 확률 모델 및 특정 알고리즘에 대한 최대우도 추정치를 찾는 알고리즘의 수렴 증명에 대한 작업이 시작되었습니다. 기사[12]가 그 예이다.
그러나 반복 알고리즘의 수렴에 대한 이론적 증명이 전부는 아닙니다. 필요한 정확도의 달성과 관련하여 계산 종료 순간의 합리적인 선택에 대한 질문이 발생합니다. 대부분의 경우 해결되지 않았습니다.
하지만 그게 다가 아닙니다. 계산의 정확도는 표본 크기와 연결되어야 합니다. 표본 크기가 클수록 매개변수 추정값을 더 정확하게 찾아야 합니다. 그렇지 않으면 추정 방법의 일관성에 대해 말할 수 없습니다. 또한 표본 크기가 증가함에 따라 추정치의 일관성을 달성하기 위해 컴퓨터에서 사용되는 자릿수를 늘리고 단정밀도 계산에서 두 배 이상으로 이동해야 합니다.
따라서 최대 가능도 추정에 대한 명시적인 공식이 없는 경우 MLE를 찾는 것은 많은 계산 문제에 부딪힙니다. 수학적 통계학자 들은 이론적인 용어로 대량살상무기(WMD)에 대해 이야기할 때 이러한 모든 문제를 무시할 수 있습니다. 그러나 적용된 통계는 이를 무시할 수 없습니다. 언급된 문제는 대량살상무기의 실제 사용 가능성에 의문을 제기합니다.
대량살상무기를 절대화할 필요는 없습니다. 그 외에도 통계적 특성이 좋은 다른 유형의 추정치가 있습니다. 예로는 1단계 추정기(OS 추정기)가 있습니다.
응용 통계에서는 많은 유형의 추정치가 개발되었습니다. 분위수 추정치를 언급합시다. 그들은 모멘트 방법과 유사한 아이디어를 기반으로 하지만 표본 및 이론적인 모멘트 대신 표본 및 이론적인 분위수를 동일시합니다. 또 다른 추정 그룹은 경험적 데이터와 매개변수 패밀리의 요소 사이의 거리(차이 지수)를 최소화한다는 아이디어를 기반으로 합니다. 가장 단순한 경우, 경험적 히스토그램과 이론적 히스토그램 사이의 유클리드 거리(Euclidean distance) 또는 히스토그램 막대의 높이로 구성된 벡터가 최소화됩니다.
이제 감마 분포의 매개변수에 대한 이러한 문제는 관계식(12-14) https://www.mql5.com/en/articles/250의 형태로 분석적으로 해결되며 수치에 대한 방법을 검색할 필요가 없습니다. 평가. 이항 분포의 경우와 같이 GOST에 도입하도록 제안해야 합니다. GOST가 아닌 [7]. 앞서 말한 바에 따르면 추정기의 점근적 행동을 연구하는 단계에서만 가능하면 다른 유형의 추정기보다 MLE를 선호하는 것이 가능합니다.
이제 당신은 10.07에 당신이 만들고 발표한 사건의 향후 과정에 대한 예측이 완전히 확인되었는지 여부를 마음에 손을 얹고 말합니다. 12. 19.14 https://forum.mql4.com/ru/50108/page20에서 전혀 명확하지 않은 상황에서?
이 시점에서 예측의 일부가 확인되었습니다 (지표의 의미를 올바르게 이해했다면). 그러나 이것은 하나의 예측일 뿐이며 결론을 내리기에 충분하지 않습니다.
또한 SL과 TP를 어떻게 설정하는지 정확히 알 수 없으나 이것은 매우 중요합니다.
....
다음은 반복 알고리즘 https://forum.mql4.com/en/50108/page5를 사용하여 이산 계열을 모델링한 결과의 LR 및 RMS를 처리한 예이며, 이를 통해 LR이 연구원을 이끄는 것을 알 수 있습니다. 결과가 나타날 수 있는 영역의 한계를 넘어:
이 개별 시리즈는 어디에 있습니까? 노란색 점? 노란색 점이 있는 경우 선형 회귀가 어떻게 옆으로 기울어졌습니까?
여기 https://forum.mql4.com/ru/50108/page4의 데이터가 있습니다. https://forum.mql4.com/ru/50108/page5 이런 식으로 얻은 데이터는 스스로 계산하고 확인하십시오.
익명 10.07.2012 11:58
Yusuf, 다음 행을 최소 10단계 이상 계속하려면 모델을 사용하십시오.
10110110001110110001110110001001001110001001110001001101101100010010011100010011101101100
ps 이 시리즈는 우연이 아닙니다. 시리즈의 알고리즘과 추가 값은 고객님의 예측을 받아 공개하겠습니다.
xi Yi Yn L
0.00000001 1.0000 0.00000001 -0.411673682
1.00000001 0.0000 0.071581228 -0.392656547
2.00000001 1.0000 0.075244112 -0.373639413
3.00000001 1.0000 0.09192784 -0.354622278
4.00000001 0.0000 0.130452259 -0.335605143
5.00000001 1.0000 0.192774 -0.316588009
6.00000001 1.0000 0.273940135 -0.297570874
7.00000001 0.0000 0.365335416 -0.27855374
8.00000001 0.0000 0.458061228 -0.259536605
9.00000001 0.0000 0.545051494 -0.240519471
10.00000001 1.0000 0.621835168 -0.221502336
11.00000001 1.0000 0.68638294 -0.202485201
12.00000001 1.0000 0.738521184 -0.183468067
13.00000001 0.0000 0.77925761 -0.164450932
14.00000001 1.0000 0.810202137 -0.145433798
15.00000001 1.0000 0.833148102 -0.126416663
16.00000001 0.0000 0.849810912 -0.107399529
17.00000001 0.0000 0.861691707 -0.088382394
18.00000001 0.0000 0.870027242 -0.06936526
19.00000001 1.0000 0.875792141 -0.050348125
20.00000001 1.0000 0.879728335 -0.03133099
21.00000001 1.0000 0.882385057 -0.012313856
22.00000001 0.0000 0.884159565 0.006703279
23.00000001 1.0000 0.885333612 0.025720413
24.00000001 1.0000 0.886103678 0.044737548
25.00000001 0.0000 0.886604772 0.063754682
26.00000001 0.0000 0.886928466 0.082771817
27.00000001 0.0000 0.887136159 0.101788951
28.00000001 1.0000 0.887268591 0.120806086
29.00000001 0.0000 0.887352546 0.139823221
30.00000001 0.0000 0.887405482 0.158840355
31.00000001 1.0000 0.887438693 0.17785749
32.00000001 0.0000 0.88745943 0.196874624
33.00000001 0.0000 0.887472321 0.215891759
34.00000001 1.0000 0.887480302 0.234908893
35.00000001 1.0000 0.887485223 0.253926028
36.00000001 1.0000 0.887488247 0.272943162
37.00000001 0.0000 0.887490099 0.291960297
38.00000001 0.0000 0.887491228 0.310977432
39.00000001 0.0000 0.887491916 0.329994566
40.00000001 1.0000 0.887492333 0.349011701
41.00000001 0.0000 0.887492585 0.368028835
42.00000001 0.0000 0.887492737 0.38704597
43.00000001 1.0000 0.887492829 0.406063104
44.00000001 1.0000 0.887492884 0.425080239
45.00000001 1.0000 0.887492916 0.444097373
46.00000001 0.0000 0.887492936 0.463114508
47.00000001 0.0000 0.887492948 0.482131643
48.00000001 0.0000 0.887492955 0.501148777
49.00000001 1.0000 0.887492959 0.520165912
50.00000001 0.0000 0.887492961 0.539183046
51.00000001 0.0000 0.887492963 0.558200181
52.00000001 1.0000 0.887492964 0.577217315
53.00000001 1.0000 0.887492964 0.59623445
54.00000001 1.0000 0.887492965 0.615251585
55.00000001 0.0000 0.887492965 0.634268719
56.00000001 1.0000 0.887492965 0.653285854
57.00000001 1.0000 0.887492965 0.672302988
58.00000001 0.0000 0.887492965 0.691320123
59.00000001 1.0000 0.887492965 0.710337257
60.00000001 1.0000 0.887492965 0.729354392
61.00000001 0.0000 0.887492965 0.748371526
62.00000001 0.0000 0.887492965 0.767388661
63.00000001 0.0000 0.887492965 0.786405796
64.00000001 1.0000 0.887492965 0.80542293
65.00000001 0.0000 0.887492965 0.824440065
66.00000001 0.0000 0.887492965 0.843457199
67.00000001 1.0000 0.887492965 0.862474334
68.00000001 0.0000 0.887492965 0.881491468
69.00000001 0.0000 0.887492965 0.900508603
70.00000001 1.0000 0.887492965 0.919525737
71.00000001 1.0000 0.887492965 0.938542872
72.00000001 1.0000 0.887492965 0.957560007
73.00000001 0.0000 0.887492965 0.976577141
74.00000001 0.0000 0.887492965 0.995594276
75.00000001 0.0000 0.887492965 1.01461141
76.00000001 1.0000 0.887492965 1.033628545
77.00000001 0.0000 0.887492965 1.052645679
78.00000001 0.0000 0.887492965 1.071662814
79.00000001 1.0000 0.887492965 1.090679948
80.00000001 1.0000 0.887492965 1.109697083
81.00000001 1.0000 0.887492965 1.128714218
82.00000001 0.0000 0.887492965 1.147731352
83.00000001 1.0000 0.887492965 1.166748487
84.00000001 1.0000 0.887492965 1.185765621
85.00000001 0.0000 0.887492965 1.204782756
86.00000001 1.0000 0.887492965 1.22379989
87.00000001 1.0000 0.887492965 1.242817025
88.00000001 0.0000 0.887492965 1.261834159
89.00000001 0.0000 0.887492965 1.280851294
여기 https://forum.mql4.com/ru/50108/page4의 데이터가 있습니다. https://forum.mql4.com/ru/50108/page5 이런 식으로 얻은 데이터는 스스로 계산하고 확인하십시오.
xi Yi Yn L
0.00000001 1.0000 0.00000001 -0.411673682
1.00000001 0.0000 0.071581228 -0.392656547
2.00000001 1.0000 0.075244112 -0.373639413
3.00000001 1.0000 0.09192784 -0.354622278
4.00000001 0.0000 0.130452259 -0.335605143
5.00000001 1.0000 0.192774 -0.316588009
6.00000001 1.0000 0.273940135 -0.297570874
7.00000001 0.0000 0.365335416 -0.27855374
8.00000001 0.0000 0.458061228 -0.259536605
9.00000001 0.0000 0.545051494 -0.240519471
10.00000001 1.0000 0.621835168 -0.221502336
11.00000001 1.0000 0.68638294 -0.202485201
12.00000001 1.0000 0.738521184 -0.183468067
13.00000001 0.0000 0.77925761 -0.164450932
14.00000001 1.0000 0.810202137 -0.145433798
15.00000001 1.0000 0.833148102 -0.126416663
16.00000001 0.0000 0.849810912 -0.107399529
17.00000001 0.0000 0.861691707 -0.088382394
18.00000001 0.0000 0.870027242 -0.06936526
19.00000001 1.0000 0.875792141 -0.050348125
20.00000001 1.0000 0.879728335 -0.03133099
21.00000001 1.0000 0.882385057 -0.012313856
22.00000001 0.0000 0.884159565 0.006703279
23.00000001 1.0000 0.885333612 0.025720413
24.00000001 1.0000 0.886103678 0.044737548
25.00000001 0.0000 0.886604772 0.063754682
26.00000001 0.0000 0.886928466 0.082771817
27.00000001 0.0000 0.887136159 0.101788951
28.00000001 1.0000 0.887268591 0.120806086
29.00000001 0.0000 0.887352546 0.139823221
30.00000001 0.0000 0.887405482 0.158840355
31.00000001 1.0000 0.887438693 0.17785749
32.00000001 0.0000 0.88745943 0.196874624
33.00000001 0.0000 0.887472321 0.215891759
34.00000001 1.0000 0.887480302 0.234908893
35.00000001 1.0000 0.887485223 0.253926028
36.00000001 1.0000 0.887488247 0.272943162
37.00000001 0.0000 0.887490099 0.291960297
38.00000001 0.0000 0.887491228 0.310977432
39.00000001 0.0000 0.887491916 0.329994566
40.00000001 1.0000 0.887492333 0.349011701
41.00000001 0.0000 0.887492585 0.368028835
42.00000001 0.0000 0.887492737 0.38704597
43.00000001 1.0000 0.887492829 0.406063104
44.00000001 1.0000 0.887492884 0.425080239
45.00000001 1.0000 0.887492916 0.444097373
46.00000001 0.0000 0.887492936 0.463114508
47.00000001 0.0000 0.887492948 0.482131643
48.00000001 0.0000 0.887492955 0.501148777
49.00000001 1.0000 0.887492959 0.520165912
50.00000001 0.0000 0.887492961 0.539183046
51.00000001 0.0000 0.887492963 0.558200181
52.00000001 1.0000 0.887492964 0.577217315
53.00000001 1.0000 0.887492964 0.59623445
54.00000001 1.0000 0.887492965 0.615251585
55.00000001 0.0000 0.887492965 0.634268719
56.00000001 1.0000 0.887492965 0.653285854
57.00000001 1.0000 0.887492965 0.672302988
58.00000001 0.0000 0.887492965 0.691320123
59.00000001 1.0000 0.887492965 0.710337257
60.00000001 1.0000 0.887492965 0.729354392
61.00000001 0.0000 0.887492965 0.748371526
62.00000001 0.0000 0.887492965 0.767388661
63.00000001 0.0000 0.887492965 0.786405796
64.00000001 1.0000 0.887492965 0.80542293
65.00000001 0.0000 0.887492965 0.824440065
66.00000001 0.0000 0.887492965 0.843457199
67.00000001 1.0000 0.887492965 0.862474334
68.00000001 0.0000 0.887492965 0.881491468
69.00000001 0.0000 0.887492965 0.900508603
70.00000001 1.0000 0.887492965 0.919525737
71.00000001 1.0000 0.887492965 0.938542872
72.00000001 1.0000 0.887492965 0.957560007
73.00000001 0.0000 0.887492965 0.976577141
74.00000001 0.0000 0.887492965 0.995594276
75.00000001 0.0000 0.887492965 1.01461141
76.00000001 1.0000 0.887492965 1.033628545
77.00000001 0.0000 0.887492965 1.052645679
78.00000001 0.0000 0.887492965 1.071662814
79.00000001 1.0000 0.887492965 1.090679948
80.00000001 1.0000 0.887492965 1.109697083
81.00000001 1.0000 0.887492965 1.128714218
82.00000001 0.0000 0.887492965 1.147731352
83.00000001 1.0000 0.887492965 1.166748487
84.00000001 1.0000 0.887492965 1.185765621
85.00000001 0.0000 0.887492965 1.204782756
86.00000001 1.0000 0.887492965 1.22379989
87.00000001 1.0000 0.887492965 1.242817025
88.00000001 0.0000 0.887492965 1.261834159
89.00000001 0.0000 0.887492965 1.280851294
죄송하지만 가장 기초적인 질문에 대답할 수 없는 것 같습니까? 내 질문을 다시 읽고 대답하십시오.
이 개별 시리즈는 어디에 있습니까? 노란색 점? 노란색 점이 있는 경우 선형 회귀가 어떻게 옆으로 기울어졌습니까?