Bayesian regression - Делал ли кто советник по этому алгоритму? - страница 42
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Краткий анализ распределения на языке R:
Мы оценили параметры нормального распределения по имеющимся приращениям цен открытия часовых баров и отобразили для сравнение частоты и плотности для оригинального ряда и нормального с теми же распределениями. Как видно даже глазками, ориниальный ряд приращений часовых баров далеко не нормальный.
И, кстати, мы же не в храме Божьем. Верить необязательно и даже вредно.
Сначала хотелось бы увидеть проблеск понимания в глазах "верующих". А потом, да, преобразовать, если нужно. Можно ли толстенные хвосты преобразовать, вот вопрос. Они сильно могут влиять на качество.
Боюсь повториться, но преобразовать в нормальный вид толстенные хвосты это не вопрос.
На какое качество это повлияет, по Вашему?
https://www.mql5.com/ru/forum/72329/page14#comment_2253485
Это тоже самое! Приращения превращенные в знаки + или -. И вы можете взять такой знак для приращения на час вперед.
В чем вопрос?
У меня классификационная модель: учу Buy, Sell. Оценка модели по совпадению/несовпадению правильности направления
Приращение, например больше нуля, это не обязательно Buy, так как у приращения есть доверительный интервал. И оценка - это ошибка, например МАЕ
Впишите в ваше рапределение функцию F(x) = a*exp(-b*|x|^p). p=2 будет давать нормальное распределение.
Мысль просто революционная. Здесь на сайте по полочкам. Приблизить к нормально - вполне возможно, но получить ....
Можно и Боксом Коксом если распределение отклонений ряда заранее известно и статично. Помоему народ здесь путает две важные вещи: распределение ошибок регрессии и распределение самого входного ряда. Среднеквадратичной регрессии не важно как распределён вход. Главное предположение это рапсределение ошибок вписания модели должно быть нормальным. Опять повторюсь, если средне-квадратичная регрессия с её требованием нормальности ОШИБОК не нравится, то используйте регрессию в общем виде с "ненормальными" ошибками |error|^p.
Я, почему-то, полностью убежден, что требование стационарности входных переменных, является принципиальным для решения вопроса о применимости регрессионного анализ в принципе. Вся идея ARMA построена на обсасывании стационарности именно входных переменных, при их нестационарности преобразование к стационарному виду за счет дифференцирования в моделях ARIMA. Во всем этом имеются серьезные трудности по доказательству самого свойства стационарности временного ряда.
По поводу ошибки подгонки регрессии - это из оперы стационарности. Если дифференцирование временного ряда позволяет практически убрать переменчивость средней, то с переменчивостью дисперсии борются инструментом ARCH.
Столь подробно, так как совершенно не понятно как это тысячи и тысячи очень грамотных людей не смогли найти столь простое средство борьбы с нестационарностью временного ряда и оказывается, что есть среднеквадратичная регрессия, которая решает все проблемы со стационарностью, которые исследуются примерно с середины 70-х годов.
Я, почему-то, полностью убежден, что требование стационарности входных переменных, является принципиальным для решения вопроса о применимости регрессионного анализ в принципе.
Нестационарные данные не прогнозируются моделями временных рядов. Ни статистическими моделями (регрессия, авторегрессия, сглаживание и пр.), ни структурными моделями (НС, классификация, цепи Маркова и пр.).
Только моделями предметных областей
Впишите в ваше рапределение функцию F(x) = a*exp(-b*|x|^p). p=2 будет давать нормальное распределение. Когда узнаете истинную величину p, то замените минимизацию суммы квадратов ошибок регрессии на сумму |error|^p. Я уже показывал вывод раньше в этой ветке. Если вы считаете что минимизация суммы |error|^p даст вам большую точность предсказаний чем минимизация суммы error^2, то вперёд на воплощение.
Я, почему-то, полностью убежден, что требование стационарности входных переменных, является принципиальным для решения вопроса о применимости регрессионного анализ в принципе. Вся идея ARMA построена на обсасывании стационарности именно входных переменных, при их нестационарности преобразование к стационарному виду за счет дифференцирования в моделях ARIMA. Во всем этом имеются серьезные трудности по доказательству самого свойства стационарности временного ряда.
По поводу ошибки подгонки регрессии - это из оперы стационарности. Если дифференцирование временного ряда позволяет практически убрать переменчивость средней, то с переменчивостью дисперсии борются инструментом ARCH.
Столь подробно, так как совершенно не понятно как это тысячи и тысячи очень грамотных людей не смогли найти столь простое средство борьбы с нестационарностью временного ряда и оказывается, что есть среднеквадратичная регрессия, которая решает все проблемы со стационарностью, которые исследуются примерно с середины 70-х годов.
Пожалуйста, объясните наконец (кто-нибудь, или лучше все по разу), что вы называете стационарностью, как вы ее понимаете?