Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3634
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
Зная аналитическую ф-ю, можно просто вбить ее в признаки полностью или по частям, тогда
То есть, не зная про функцию, в данном случае задача будет сведена к перебору признаков, либо к увеличению обучающей выборки.
Но так как ф-я стационарная, то после валидации высокий шанс того, что признаки подобраны правильно и прогнозы на новых данных будут тоже хорошими.
Хотелось бы уже увидеть от оптимизаторщиков не бессмысленную шляпу, а примеры ТС на их принципах.ф-я стационарная
Функция, которую он придумал, нестационарна. Ни с точки зрения чисто формального подхода, ни неформального.
Даже в рамках радиолюбительской теории она не будет квазистационарной.
Функция, которую он придумал, нестационарна. Ни с точки зрения чисто формального подхода, ни неформального.
Даже в рамках радиолюбительской теории она не будет квазистационарной.
Ну он написал, что стационарная ) Я думал, что он в этом разбирается. Тогда вообще не знаю что конкретно обсуждается.
Вот наглядный пример процесса:
а вот тот же процесс, но уже на другом участке t:
ещё дальше:
Процесс нестационарный? - нет, стационарный, формула одна и та же, вот она:
F := sin(x)/4 + cos(x^2)/4 + 1/2
И ответ от Mistral:
Ну он написал, что стационарная ) Я думал, что он в этом разбирается. Тогда вообще не знаю что конкретно обсуждается.
Если тупо применять к детерминированым функциям определение стационарности из теории случайных процессов (хоть в широком смысле, хоть в узком), то стационарными будут только функции равные константе.
Неформально же, можно построить по его функции временной ряд, взяв значения через равные промежутки времени. Тогда синус от квадрата будет давать колебательно-трендовую составляющую около нуля и чисто шумовую компоненту, начиная с какого-то момента, зависящего от шага дискретизации времени при построении временного ряда.
Оказывается, промптусы нуждаются в проверке не меньше чем их любимый ИИ)
Кстати, очень сильно разочаровался в ИИ, когда спрашивал про макроэкономику - фантазий и вранья на порядок больше, чем при ответах по кодингу. По сути, польза была только в уточнении, что конкретно нужно гуглить, хотя и в этом тоже иногда было враньё.
Если тупо применять к детерминированым функциям определение стационарности из теории случайных процессов (хоть в широком смысле, хоть в узком), то стационарными будут только функции равные константе.
Неформально же, можно построить по его функции временной ряд, взяв значения через равные промежутки времени. Тогда синус от квадрата будет давать колебательно-трендовую составляющую около нуля и чисто шумовую компоненту, начиная с какого-то момента, зависящего от шага дискретизации времени при построении временного ряда.
Оказывается, промптусы нуждаются в проверке не меньше чем их любимый ИИ)
Кстати, очень сильно разочаровался в ИИ, когда спрашивал про макроэкономику - фантазий и вранья на порядок больше, чем при ответах по кодингу. По сути, польза была только в уточнении, что конкретно нужно гуглить, хотя и в этом тоже иногда было враньё.
Ответ от DeepSeek. Я не разбираюсь в ф-ях.
И ответ от Mistral:
Первый ответ - полный бред) Матожидание от константы равно константе. То есть, в данном случае, матожидание равно самой функции. Дисперсия и атоковариационная функции равны нулю. То есть нарушается требование постоянства матожидания.
Собственно поэтому существует понятие тренд-стационарности, когда из ряда вычитают детерминированный тренд и получают в остатке стационарный ряд. В данном конкретном случае остаток будет тождественно нулевым, который конечно является стационарным.
Второй ответ правильный.
Ответ от Deep Seek верный (аналитическое решение легко проверяется численными расчетами, постройте мо и дисп как функцию выборки например) но он не полный, так как он упомянул только определение стационарности в широком смысле. Эта же функция стационарна и в узком смысле, то есть распределение не зависит от времени.
Вот гистограмма первые 5000 данных и следующие 5000 данных. Как видим распределение не зависит от времени.