Regressão Bayesiana - Alguém já fez um EA usando este algoritmo? - página 39
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
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.
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.
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.
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 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? 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.
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?
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