Regressão Bayesiana - Alguém já fez um EA usando este algoritmo? - página 42
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
Breve análise da distribuição em R:
Estimamos os parâmetros da distribuição normal a partir dos incrementos de preço de abertura de barras de relógio disponíveis e plotamos para comparar a freqüência e densidade para a série original e a série normal com as mesmas distribuições. Como você pode ver até mesmo a olho nu, a série original de incrementos de barras horárias está longe de ser normal.
E, a propósito, não estamos em um templo de Deus. Não é necessário e até prejudicial acreditar.
Primeiro eu gostaria de ver um lampejo de compreensão aos olhos dos "fiéis". E depois, sim, converter, se necessário. A questão é se os rabos grossos podem ser convertidos. Eles podem fazer uma grande diferença para a qualidade.
Tenho medo de me repetir, mas converter caudas grossas não é um problema.
Que tipo de qualidade você acha que isso afetaria?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
É a mesma coisa! Os incrementos se transformaram em sinais + ou -. E você pode levar tal sinal para os incrementos de uma hora à frente.
Qual é a pergunta?
Eu tenho um modelo de classificação: aprender Comprar, Vender. Avaliar o modelo por coincidência/não coincidência de direção correta
Um incremento, por exemplo, maior que zero não é necessariamente uma compra, pois o incremento tem um intervalo de confiança. E a avaliação é um erro, por exemplo, MAE
Escreva a função F(x) = a*exp(-b*|x|^p) em sua distribuição. p=2 dará uma distribuição normal.
O pensamento é simplesmente revolucionário. Está arquivado aqui no site. Chegar perto do normal é bem possível, mas obtenha ....
Você também pode usar a Box Cox se a distribuição dos desvios de série for conhecida antecipadamente e estática. Acho que as pessoas estão confundindo duas coisas importantes aqui: a distribuição dos erros de regressão e a distribuição da própria série de entradas. A regressão RMS não se importa como a entrada é distribuída. O principal pressuposto é que a distribuição dos erros de ajuste do modelo deve ser normal. Novamente, se você não gosta de regressão RMS com sua exigência normal de ERROR, então use regressão geral com erros "não-normais" |error|^p.
Por alguma razão, estou plenamente convencido de que a exigência de estacionaridade das variáveis de entrada é crucial para decidir a aplicabilidade da análise de regressão em princípio. Toda a idéia da ARMA é construída sobre uma discussão da estacionaridade das variáveis de entrada precisamente, com sua não estacionaridade transformada em uma forma estacionária por diferenciação nos modelos ARIMA. Em tudo isso, há sérias dificuldades para provar a estacionaridade da própria série cronológica.
Quanto ao erro de ajuste de regressão, este é do reino da estacionaridade. Embora a diferenciação da série temporal permita praticamente eliminar a variabilidade da média, a variabilidade da variância é tratada pela ferramenta ARCH.
É tão detalhado, pois não está absolutamente claro como milhares e milhares de pessoas muito competentes não puderam encontrar um meio tão simples para combater a não-estacionariedade das séries temporais e acontece que existe uma regressão RMS, que resolve todos os problemas com a estacionariedade, que têm sido estudados desde meados da década de 70.
Por alguma razão, estou plenamente convencido de que a exigência de estacionaridade para as variáveis de entrada é crucial para decidir se a análise de regressão é aplicável, em princípio.
Os dados não estacionários não são previstos pelos modelos de séries temporais. Nem modelos estatísticos (regressão, autoregressão, alisamento, etc.) nem modelos estruturais (NS, classificação, cadeias de Markov, etc.).
Somente modelos de área temática
Escreva a função F(x) = a*exp(-b*|x|^p) em sua distribuição. p=2 dará uma distribuição normal. Quando você souber o verdadeiro valor de p, substitua a minimização da soma dos quadrados dos erros de regressão pela soma |error|^p. Eu já mostrei a saída antes nesta linha. Se você acha que minimizar a soma |error|^p lhe dará melhor precisão na previsão do que minimizar a soma do erro^2, então vá em frente e implemente-o.
Por alguma razão, estou plenamente convencido de que a exigência de estacionaridade das variáveis de entrada é crucial para decidir a aplicabilidade da análise de regressão em princípio. Toda a idéia da ARMA é construída sobre uma discussão da estacionaridade das variáveis de entrada precisamente, com sua não estacionaridade transformada em uma forma estacionária por diferenciação nos modelos ARIMA. Em tudo isso, há sérias dificuldades para provar a estacionaridade da própria série cronológica.
Quanto ao erro de ajuste de regressão, este é do reino da estacionaridade. Embora a diferenciação da série temporal permita praticamente eliminar a variabilidade na média, a variabilidade na variância é tratada pela ferramenta ARCH.
Tão detalhado, porque não está claro como milhares e milhares de pessoas muito competentes não puderam encontrar um meio tão simples para combater a não-estacionariedade da série temporal e acontece que existe uma regressão RMS, que resolve todos os problemas com a estacionariedade, que são estudados desde meados dos anos 70.
Por favor, explique finalmente (alguém, ou melhor, todos de uma vez) o que você chama de estacionaridade, como você a entende?