Regressão Bayesiana - Alguém já fez um EA usando este algoritmo? - página 15
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Aparentemente, o mercado realmente não se importa com a previsão em si, especialmente a curto prazo. A longo prazo, a previsão dá frutos modestos na forma de 10-12% ao ano, com os quais muitos não estão satisfeitos.
Que diferença faz se é a longo ou curto prazo? Basta trocar o cronograma.
10-12%, dada a quantidade de risco, não é nada interessante.
Mais... você pode curto-circuitar isto em sua cabeça. A adaptação da curvatura Yusuf é feita em um segmento inclinado (quase um segmento reto, sua convexidade é desprezível), e a previsão é, em última instância, de um movimento horizontal. Pense sobre isso! Acontece que a metodologia não é aplicável uma segunda vez, uma única vez.
Em seguida, insira todos os dados e a previsão para 2015 não muda. Dê uma olhada:
... e no caso de (18), você não precisa fazer nada, ele se ajustará da melhor maneira possível. Você simplesmente não tem coragem de admitir que um modelo melhor do que (18) ainda não foi inventado em todos os sentidos.
O que o comitê Nobel diz sobre (18)? Ou eles não têm a coragem de admiti-lo?
Que diferença faz se é a longo ou curto prazo? Basta trocar o cronograma.
10-12%, dada a quantidade de risco, não é nada interessante.
O que o comitê Nobel diz sobre (18)?
E o que e como pode haver confusão aqui?
Qual a plausibilidade?
A probabilidade:
a) os coeficientes do modelo
b) o modelo em si
assumindo que os coeficientes são distribuídos assim e assim, por exemplo, o coeficiente #1 tem uma média de 0,5, st.dev. 0,1. Esta suposição se sobrepõe aos resultados dos coeficientes, portanto, há uma diferença em relação ao OLS. Há uma noção de regressão de cristas, onde são impostas restrições aos possíveis valores dos coeficientes; isto, em meu entendimento, é da mesma ordem de grandeza.
E a normalidade dos erros, bem, tem que estar lá. Há uma regressão linear generalizada, da qual não sei nada, de alguma forma todas as suposições que existem são contornadas.
UPD: ao estimar as estatísticas t para o valor do epsilon (coeficiente), a estimativa sigma é usada nos resíduos do modelo. Se a distribuição dos resíduos for altamente enviesada em algum lugar, não simétrica (o ideal seria que fosse normal), então o significado do coeficiente não será mais válido. Em outras palavras, os parâmetros do modelo não podem ser confiáveis. Portanto, presume-se que os erros sejam normalmente distribuídos.
As probabilidades:
1. a) os coeficientes do modelo
b) o próprio modelo
2. Sob a suposição de que os coeficientes são distribuídos assim e assim, por exemplo, o coeficiente 1 tem uma média de 0,5, o st.dev. 0,1. Esta suposição se sobrepõe aos resultados dos cálculos dos coeficientes, portanto, há uma diferença em relação ao OLS. Há uma noção de regressão de cristas, onde são impostas restrições a possíveis valores de coeficientes; isto é, no meu entendimento, do mesmo ponto de vista.
3. e a normalidade dos erros, bem, tem que estar lá. Há uma regressão linear generalizada, da qual não sei nada, de alguma forma todas as suposições que existem são contornadas.
4. UPD: ao estimar as estatísticas t para o valor do epsilon (coeficiente), a estimativa sigma é usada nos resíduos do modelo. Se a distribuição dos resíduos for altamente enviesada em algum lugar, não simétrica (o ideal seria que fosse normal), então o significado do coeficiente não será mais válido. Em outras palavras, os parâmetros do modelo não podem ser confiáveis. Portanto, presume-se que os erros sejam normalmente distribuídos.
1. Assim, obtemos "maximizando a probabilidade de coeficientes do modelo" ou "maximizando a probabilidade do modelo". Diz isso aí mesmo?
2. O que os coeficientes e a distribuição têm a ver com isso? Por que contar a média dos coeficientes?
3. O que o faz pensar que os erros são normais? A simetria da distribuição é suficiente. Isso só afetará a sensibilidade no início das tendências.
4. Você realmente pensa nessas categorias e realmente entende sobre o que está escrevendo?
Yura, não há tempo para pensar sobre isso, eles vão voltar a si em 100 anos. Ninguém, infelizmente, o leva a sério e não o estuda. No entanto, os descendentes devem apreciá-lo.
1. Assim, obtemos "Maximizando a probabilidade de coeficientes do modelo" ou "maximizando a probabilidade do modelo". É isso que diz?
2. O que os coeficientes e a distribuição têm a ver com isso? Por que contar a média dos coeficientes?
3. O que o faz pensar que os erros são normais? A simetria da distribuição é suficiente. Isso só afetará a sensibilidade no início das tendências.
4. Você realmente pensa em tais categorias e realmente entende sobre o que está escrevendo?
1. a probabilidade é máxima em: mais longe as fórmulas longas. Podemos dizer que obtemos o valor mínimo da média quadrática dos resíduos, ou podemos dizer que maximizamos a probabilidade.
2. pode haver algo que você não entendeu. o coeficiente b1 o que é isso? A expectativa matemática dos valores da amostra do coeficiente b1, que é distribuída em t na ausência de conhecimento dos parâmetros do coeficiente b1 sobre a população geral. A regressão linear (mínimos quadrados comuns) dá uma estimativa de E(b) e sigma(b), o erro padrão do coeficiente b1. O que você vê na saída do modelo são todas essas estimativas. Depois há uma estimativa de quão significativamente diferente é E(b) de 0, a estatística t e a probabilidade associada.
3. Não há nada que eu possa dizer sobre tendências. A simetria é importante - fato. O Sigma sobre os resíduos também é importante. O coeficiente de curtose também é importante.
4. Tenho lido muito sobre regressão recentemente, então o que escrevi acima eu entendo. Relato aos meus clientes os resultados da regressão e tenho que entender algo. Embora eu prefira métodos não paramétricos.