Regressão Bayesiana - Alguém já fez um EA usando este algoritmo? - página 39

 
-Aleks-:
É sobre isso que você precisa pensar - para que os dados sejam semelhantes - você deve tomar um padrão, na minha opinião, em vez de apenas uma janela de n barras.
Eu concordo plenamente. Quantas barras a serem tomadas para a análise é o calcanhar de Aquiles não apenas das regressões discutidas. Embora eu queira calcular não a regressão, mas as probabilidades usando a fórmula Bayes. Por enquanto, eu vou estupidamente pegar a janela atual de n barras. E na fase de testes e testes, para a função de probabilidade e probabilidades a priori, vou levar os períodos do pico de volatilidade para o pico de volatilidade. Este é geralmente o intervalo entre eventos noticiosos importantes.
 
Alexey Burnakov:
Recentemente, discuti com colegas a história e o desenvolvimento da regressão linear. Para resumir uma longa história, inicialmente havia poucos dados e poucos preditores. Regressão linear ordinária gerenciada com algumas suposições. Então, com o desenvolvimento da tecnologia da informação, a quantidade de dados aumentou e o número de preditores poderia facilmente ultrapassar dezenas de milhares. Sob estas condições, a regressão linear comum não ajudará - sobre-aprendizagem. Portanto, apareceram versões regularizadas, versões robustas às exigências das distribuições, etc.
Isto é parcialmente correto. A regularização L2 não ajuda a reduzir o número de preditores no modelo. A Neurocomputing utilizou inicialmente a regra de aprendizagem da Hebb, que levou ao crescimento ilimitado dos pesos das redes neurais. Então, percebendo que o cérebro tem recursos limitados para crescer e manter os pesos das subunidades neurais, a regularização L2 foi acrescentada nos anos 60 e 80. Isto permitiu que os pesos fossem limitados, mas ainda havia uma grande quantidade de pesos insignificantes. Este não é o caso no cérebro. No cérebro, os neurônios não estão conectados a todos os outros neurônios, mesmo que por pesos negligenciáveis. Há apenas um número limitado de conexões. Depois, nos anos 2000, foram introduzidas as regularizações L1 e L0 que permitiam as conexões descarregadas. Multidões de cientistas começaram a usar programação linear com regularização L1 para tudo, desde codificação de imagens até modelos neurais que descreviam muito bem os processos cerebrais. Os economistas ainda estão atrasados em relação ao resto das ciências devido à sua "arrogância" (tudo já foi inventado antes de nós) ou simplesmente ao seu pobre entendimento da matemática.
 
Vladimir:
É parcialmente correto. A regularização L2 não ajuda a reduzir o número de preditores no modelo. Na neuroinformática, no início eles usaram a regra de aprendizagem da Hebb que levou ao crescimento ilimitado dos pesos das redes neurais. Então, percebendo que o cérebro tem recursos limitados para crescer e manter os pesos das subunidades neurais, a regularização L2 foi acrescentada nos anos 60 e 80. Isto permitiu que os pesos fossem limitados, mas ainda havia uma grande quantidade de pesos insignificantes. Este não é o caso no cérebro. No cérebro, os neurônios não estão conectados a todos os outros neurônios, mesmo que por pesos insignificantes. Há apenas um número limitado de conexões. Depois, nos anos 2000, foram introduzidas as regularizações L1 e L0 que permitiam as conexões descarregadas. Multidões de cientistas começaram a usar programação linear com regularização L1 para tudo, desde codificação de imagens até modelos neurais que descreviam muito bem os processos cerebrais. Os economistas ainda estão atrasados em relação ao resto das ciências devido a sua "arrogância" (tudo já foi inventado antes de nós) ou apenas uma má compreensão da matemática.
Eu só poderia confundir L2 com limitação de pesos. E é a regressão da crista (Tikhonov). https://www.quora.com/What-is-the-difference-between-L1-and-L2-regularization

Mas às vezes L1 torna-se preferível também por causa da adição de erros absolutos penalizantes e não-quadrados. quadrados de erro podem dar caudas muito longas, ou seja, no caso de citações que têm caudas pesadas, a adição de quadrados residuais pode ter um efeito ruim na qualidade do modelo. Bem, isso é só conversa.
 
Vladimir:
Os economistas ainda estão atrasados em relação ao resto das ciências devido a sua "arrogância" (tudo já foi inventado antes de nós) ou apenas uma má compreensão da matemática.
Sim. Falei pessoalmente com um gerente (gerente da swd) que costumava trabalhar para um corretor de bolsa. Ele disse que os aumentos de preços são considerados normais e é isso. Os métodos e conceitos errôneos do século passado são utilizados. Eu lhe disse que não há nenhuma normalidade ali. Nem um único teste é aprovado. Ele nem sequer sabe do que estamos falando. Mas ele não é um matemático hardcore, ele é um gerente de desenvolvimento.
 
Tenho uma suspeita de que a linha indicadora (se você não for muito fundo, o mesmo mosto, por exemplo) é aproximadamente uma linha de regressão. Pelo menos, é uma aproximação grosseira
 
Alexey Burnakov:
Sim. Falei pessoalmente com um gerente (gerente da swd) que costumava trabalhar para um corretor de bolsa. Ele disse que os aumentos de preços são considerados normais e é só isso. Os métodos e conceitos errôneos do século passado são utilizados. Eu lhe disse que não há nenhuma normalidade ali. Nem um único teste é aprovado. Ele nem sequer sabe do que estamos falando. Mas ele não é um matemático hardcore, ele é um gerente de desenvolvimento.
Então e se não houver normalidade? Até mesmo algum gerente de desenvolvimento escreve sobre isso, Vladimir escreveu sobre isso aqui. Como usar a regressão se você não entende seus princípios ou significado? Você anda por aí como um zumbi na noite escura com esta normalidade/normalidade. Pode ser uma distribuição em cubos, quadrados, ziguezagues ou na forma de um quadro de Repin. A capacidade de prever a regressão não depende disso.
 
Dmitry Fedoseev:
Então e se não houver normalidade? Mesmo o chefe de algum desenvolvimento escreve sobre isso, Vladimir escreveu sobre isso aqui. Como usar a regressão se você não entende seus princípios ou significado de forma alguma? Você anda por aí como um zumbi na noite escura com esta normalidade/normalidade. Pode ser uma distribuição em cubos, quadrados, ziguezagues ou na forma de um quadro de Repin. A capacidade de prever a regressão não depende disso.
É por isso que ele faz. É mais fácil pensar à noite. Até mesmo os executivos sabem disso. )
 
Yuri Evseenkov:
Totalmente de acordo. Quantas barras para analisar é o calcanhar de Aquiles não só das regressões em discussão. Embora eu não queira calcular a regressão, mas as probabilidades usando a fórmula Bayes. Por enquanto, eu vou estupidamente pegar a janela atual de n barras. E na fase de testes e testes, para a função de probabilidade e probabilidades a priori, vou levar os períodos do pico de volatilidade para o pico de volatilidade. Este é geralmente o intervalo entre eventos noticiosos importantes.

E a probabilidade expressará o quê, a previsão para a próxima barra, ou o vetor de movimento das próximas barras?

 
Em geral, devemos primeiro definir o objetivo da regressão: encontrar uma curva que descreva com mais precisão a fatia selecionada do mercado, ou prever a posição futura do preço? Como a qualidade da aproximação pode determinar a precisão da previsão?
 
Vasiliy Sokolov:
Antes de tudo, devemos decidir sobre o propósito de construir a regressão: escolher uma curva que descreva com mais precisão o bloco selecionado do mercado, ou prever a posição futura do preço? Como a qualidade da aproximação pode determinar a precisão da previsão?

E como construir uma curva que seja o mais precisa possível na descrição do passado e o mais precisa possível na previsão do futuro?

Ou como você pode prever o futuro sem analisar o passado?

A aproximação é a análise do passado