Equação de regressão - página 3
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
Interessante, interessante. Candidato, lembra-se do meu fio na Ilha Habitada sobre um metamodelo com um processo quase estacionário (difurcas lá, também um coelho de um chapéu que tiramos)? Algo muito semelhante. Afinal de contas, a noosfera existe e os pensamentos nela são comuns.
Lembro-me, como eu não poderia.
Mas você costumava chamar a ilha de Desabitada :)
Se você fizer isso na MQL, você terá muitos problemas. Não há operações de matriz...
https://www.mql5.com/ru/articles/1365
https://www.mql5.com/ru/articles/1365
Já vi isso. É muito trabalho. Obrigado por esse trabalho. Mas a pesquisa, e aqui a pesquisa é melhor feita em outra língua onde há realmente operações matriciais...
Z.I. Devo ter perdido a Ilha do Deserto. Gostaria de ler algo que fizesse sentido...
http://www.nsu.ru/ef/tsy/ecmr/quantile/quantile.htm
Se você fizer isso na MQL, estará com problemas. Não há operações de matriz aqui...as operações de matriz podem ser reduzidas a operações aritméticas ordinárias em cada caso:)
Em geral, o artigo sugere a busca de parâmetros de modelo pelo método simplex, mas sabe-se que é exponencialmente longo em relação à dimensionalidade do problema. Portanto, parece-me que esta é a primeira direção em que devemos trabalhar. A propósito, seu artigo parece ser o único sobre este assunto em russo, e por si só é de qualidade bastante baixa (provavelmente, o termo "papel ou diploma" de alguém:)
Eu gostaria que alguém escrevesse um simplex em MQL. Eu mesmo sou tão preguiçoso!
Bem, elipsóides seria ótimo:))))
Vou tentar explicar teoricamente, já que ainda não estou pronto para dar os dados de cálculo, eles estão em bruto.
...Ao nos aproximarmos do MNC forçamos o polinômio de regressão a "agarrar-se" não apenas à parte normal do processo, mas também aos outliers de Poisson, daí a baixa eficiência de previsão que, de modo geral, precisamos para . Por outro lado, ao tomarmos os polinômios de quantis nos livramos da segunda parte, Poisson, do processo completamente: os quantis simplesmente não respondem a ele, e absolutamente. Assim, identificando os lugares onde a regressão dá tentativas significativas, podemos assim localizar quase online "falhas" com um alto grau de confiança(provavelmente ainda não podemos prevê-las, pois não existe um modelo apropriado, pelo menos, não comigo:).
Ainda não entendo as críticas construtivas sobre a "pobreza" do ISC.
;)
Ainda não se percebem as críticas construtivas à "pobreza" do MNC.
;)
Eu não terminei a frase no meio, acho que estou ficando velho:))) apenas não a leia começando com "qual".
A crítica, como alguns leitores da linha já perceberam, visa as peculiaridades do MNC, que consistem em a) seu mau desempenho ao lidar com processos de natureza não gaussiana (a estimativa do MNC não é eficiente neste caso), e b) a incapacidade do MNC de "separar" dois processos - gaussiano e não gaussiano: o método responde à mistura aditiva em sua totalidade, em contraste, o método dos mínimos quadrados ou regressão de quantis só responderá à parte gaussiana, separando assim o segundo componente do processo.
E, em geral, os MNCs são geralmente usados apenas porque são muito mais fáceis de calcular. Ao mesmo tempo, na vida real, muitos problemas exigem o uso de outros métodos, mas as pessoas ou por preguiça ou por ignorância cutucam os MNCs onde quer que possam...
E em geral, os MOOCs são geralmente utilizados apenas porque são muito mais fáceis de calcular. Ao mesmo tempo, na vida real, muitos problemas exigem o uso de outros métodos, mas as pessoas, seja por preguiça ou por ignorância, se agarram ao ANC onde quer que possam...
Eu acho que a propriedade de uma função quadrática para encontrar um mínimo é explorada... Como se a derivada fosse zero no ponto 0.
É por isso que todos os métodos de cálculo de parâmetros de função derivados analiticamente funcionam independentemente do campo de definição da função. Escrevi uma vez sobre este problema.
Mas! se você se encaixa nos melhores parâmetros MOC para uma função com uma definição de -1 .... 1 - você está em apuros.
Você pode ficar pior. O mínimo do desvio se tornará o máximo.
Mais uma vez eu observo - isto é para métodos "frontais".
E como você está "usando" sua própria distribuição, e provavelmente está ;), em derivações não se reduz à possibilidade de calcular o MOC mínimo para os parâmetros, e o que é especialmente importante, definido em limites "notáveis" - a probabilidade mínima tem um lugar.
Tente normalizar os dados para que nenhum quadrado do desvio seja inferior a 1.
;)
Mas a questão principal é deixada fora do quadro - deixe você pegar os parâmetros de distribuição.
Como é extrapolado para os quocientes? Por arctangência?
DDD