Equação de regressão - página 8

 
Andrei01:
O que há de errado com um ziguezague para encontrar o mínimo de uma função?
E como você vai construir um ziguezague, por exemplo, no espaço tetradimensional? )))))) E quantos recursos computacionais serão necessários?
 
alsu:
e como você vai construir um ziguezague, por exemplo, no espaço tetradimensional? )))))) E quantos recursos computacionais serão necessários?
não muito, não se pode fechar o anel. é necessário um círculo completo ))
 
alsu:
e como você vai construir um ziguezague, por exemplo, no espaço tetradimensional? )))))) E quantos recursos computacionais serão necessários?
Penso que os recursos são secundários nesta fase, mas se for rentável, então podemos pensar em otimização)).
 
j21:

Eu estava interessado nas equações de regressão. Entretanto, encontrei um problema para descrevê-los adequadamente. Que dados temos: tempo (digamos M15), ALTO, BAIXO, ABERTO, FECHADO, VOLUME. Para nós, trata-se de um conjunto de observações. Temos um indicador para o qual precisamos estabelecer uma relação funcional com os parâmetros do objeto (no nosso caso, a mudança na taxa de câmbio) - fatores. Necessário: estabelecer uma relação quantitativa entre o indicador e os fatores. Neste caso, a tarefa de análise de regressão é entendida como a tarefa de identificar a dependência funcional y* = f(x 1, x 2, ..., x t) que melhor descreve os dados que temos.

A função f(x 1, x 2, ..., x t) que descreve a dependência do indicador sobre os parâmetros é chamada de equação de regressão (função).

Portanto. Pergunta 1: Dos dados que temos, qual devemos escolher como o Indicador e qual devemos escolher como o Fator? Logicamente o Indicador é o tempo, os fatores são H, L, O, C, V

Em nosso caso, trata-se de uma série cronológica.

A próxima tarefa é escolher a dependência funcional. Uma equação que descreve a relação entre a variação do indicador e a variação dos fatores. Muitas vezes estas são funções polinomiais. Um caso particular é o polinômio de 1º grau - uma equação de regressão linear.

Pergunta 2: Qual é o melhor polinômio a escolher, e como descrevê-lo adequadamente em termos de séries temporais, que parâmetros aplicar, qual é o grau do polinômio. Alguém já usou o polinômio Chebyshev? Em caso afirmativo, qual é a ordem?

Nossa próxima tarefa é calcular os coeficientes da equação de regressão. A maneira usual é usar o ANC.

Pergunta 3: Qual é o melhor método para calcular os coeficientes para o nosso caso?

Pergunta 4: Você precisa normalizar os dados?

O tema é certamente um tema importante e interessante.

Portanto, temos uma série cronológica contendo N amostras. Nesta fase, não é importante o que exatamente deve ser entendido como amostras - carrapatos, OHLC ou outra coisa qualquer. O que parece importante é a resposta à pergunta sobre o comprimento ótimo da amostra de treinamento n não igual a N, o número ótimo de parâmetros ajustáveis k<=n (grau de polinômio) e o horizonte de previsão T (medido em contagens).

Nesta fase, o tipo particular de função de aproximação e o método de sua aproximação à série original não são importantes. É importante obter as dependências dos parâmetros acima sobre as propriedades da BP inicial. Sabe-se, por exemplo, que se a BP é uma variável aleatória integrada, então a previsão ótima é uma constante igual ao valor da última leitura (barra zero). Se a série contém regularidades, deve-se procurar o ótimo em termos de parâmetros de regressão.

Alguma consideração de senso comum sobre este ponto neste cenário?

 
grau 3. o número de amostras n é determinado pela hora do dia e pela ACF. o horizonte de previsão é determinado experimentalmente, pois depende da precisão dada e do modelo (o modelo também pode ser um polinômio)
 
Neutron:

O tema é certamente um tema importante e interessante.

Portanto, temos uma série cronológica contendo N conta. Nesta fase, não importa o que exatamente se entende por conta - carrapatos, OHLC ou outra coisa. O que parece importante é a resposta à pergunta sobre um comprimento ótimo da amostra de treinamento n não igual a N, um número ótimo de parâmetros ajustáveis k<=n (grau de polinômio) e horizonte de previsão T (medido em contagens).

Nesta fase, não é importante o tipo particular de função de aproximação e o método de sua aproximação com a série original. É importante obter as dependências dos parâmetros acima sobre as propriedades da BP inicial. Sabe-se, por exemplo, que se a BP é uma variável aleatória integrada, então a previsão ótima é uma constante igual ao valor da última leitura (barra zero). Se a série contém regularidades, deve-se procurar um ótimo por parâmetros de regressão.

Alguma consideração de senso comum nesta formulação?

Nada de merda nesta formulação. Teoria de foder. Chute esta regressão polinomial para a parede com uma BP.

Precisamos da maximização do lucro. Que se fodam todas as regressões univariadas. Por que usar apenas uma fração das informações do mercado? Quando há muita informação.

A análise de regressão deve ser multivariada, isso é o mínimo. Análise de diferentes métodos de estimativa (COI, MO de valores de erro absoluto (Laplace ou Lagrange - não se lembra), sinal, quantil, etc.) de regressão na eficiência.

Estimar o horizonte de previsão também é uma canção interessante.

Escreveu algumas porcarias sobre o assunto. Não há muito lá, é claro. Apenas o começo. Diante disso, estimamos o horizonte de previsão de lucros da BP e muita chatice interessante...

 
hrenfx: Por que usar apenas parte das informações do mercado? Quando há muita informação.

Escrevi algumas merdas sobre o assunto.

Por que você está tão entusiasmado?

Você acha que quanto mais você empilhar o diferente, de preferência não simples e transparente, será melhor?

A experiência conta uma história diferente. É certo - mais simples, e para entender bem o assunto estudado! E "regressão multivariada", "quantil"... - É como a análise de spinor da interação de torção.

 

Merda, eu não joguei nada, de onde você tirou isso. Eu tenho uma simples regressão LINEAR multivariada em geral. E a lógica para usar a regressão linear está na lógica de fazer um portfólio ideal e encontrar correlações. Esse é o ponto de partida - a partir do simples.

Foda-se sabe o que você quer dizer com regressão, descobri o que sou eu mesmo no outro dia. Refiro-me à análise de regressão.

 
hrenfx:

... Tenho uma simples regressão LINEAR multivariada...


mas você pode fazer uma regressão polinomial multivariada. é pior que a regressão linear? não sei, só há uma verificação - se a precisão da previsão aumenta ou o tempo de previsão aumenta com a mesma precisão, então sim é melhor ... Mas para verificá-lo não é preciso apenas entender como fazê-lo, é preciso também explicar para a máquina ...

 
Prival:


mas você pode fazer uma regressão polinomial multivariada ... Não sei, só há uma verificação - se a precisão da previsão aumenta, ou o tempo de previsão aumenta com a mesma precisão, então sim, é melhor... Mas para verificá-lo não é preciso apenas entender como fazê-lo, é preciso também explicar para a máquina ...

será melhor, é claro, mas o computador também será carregado:)