Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 295

[СанСаныч Фоменко]

Değişkenlerin ilişkisi sorusu birçok kez tartışılmıştır.

Tabii ki korelasyon en şüpheli olanıdır, Satürn'ün halkaları ile olan korelasyon, kahve telvesi çok hızlı bir şekilde görülmeye başlar...

Bir şekilde bunu unuttum:

Granger nedensellik testi , zaman serileri arasındaki nedensel ilişkiyi (“ Granger nedenselliği ”) test etmeye yönelik bir prosedürdür. Testin fikri, { \displaystyle y_{t}} zaman serisindeki değişikliklerin nedeni olan {\displaystyle x_{t}} zaman serisinin değerlerinin (değişikliklerinin) mutlaka olması gerektiğidir. Bu zaman serisindeki değişikliklerden önce gelir ve ayrıca değerlerinin tahminine önemli bir katkı sağlamalıdır. Değişkenlerin her biri diğerinin tahminine önemli bir katkı sağlıyorsa, belki her ikisini de etkileyen başka bir değişken vardır.

Testte   Granger   iki boş hipotez sırayla test edilir: "x, Granger'a göre y'nin nedeni değildir" ve "y, Granger'a göre x'in nedeni değildir". Bu hipotezleri test etmek için iki regresyon inşa edilir: her bir regresyonda, bağımlı değişken nedensellik için test edilen değişkenlerden biridir ve her iki değişkenin gecikmeleri regresör görevi görür (aslında bunlar   vektör otoregresyonu ). ‌

‌

‌

Ah‌ işte bu davanın kodu buradan

# READ QUARTERLY DATA FROM CSV
library(zoo)
ts1 <- read.zoo( 'Documents/data/macros.csv' , header = T, sep = "," , 
FUN = as .yearqtr)
 
# CONVERT THE DATA TO STATIONARY TIME SERIES
ts1$hpi_rate <- log(ts1$hpi / lag(ts1$hpi))
ts1$unemp_rate <- log(ts1$unemp / lag(ts1$unemp))
ts2 <- ts1[ 1 :nrow(ts1) - 1 , c( 3 , 4 )]
 
# METHOD 1 : LMTEST PACKAGE
library(lmtest)
grangertest(unemp_rate ~ hpi_rate, order = 1 , data = ts2)
# Granger causality test
#
# Model 1 : unemp_rate ~ Lags(unemp_rate, 1 : 1 ) + Lags(hpi_rate, 1 : 1 )
# Model 2 : unemp_rate ~ Lags(unemp_rate, 1 : 1 )
#   Res.Df Df      F  Pr(>F)
# 1      55
# 2      56 - 1 4.5419 0.03756 *
# ---
# Signif. codes:   0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 
# METHOD 2 : VARS PACKAGE
library(vars)
var <- VAR(ts2, p = 1 , type = "const" )
causality( var , cause = "hpi_rate" )$Granger
#         Granger causality H0: hpi_rate do not Granger-cause unemp_rate
#
# data:  VAR object var
# F-Test = 4.5419 , df1 = 1 , df2 = 110 , p- value = 0.0353
 
# AUTOMATICALLY SEARCH FOR THE MOST SIGNIFICANT RESULT
for (i in 1 : 4 )
  {
  cat( "LAG =" , i)
  print(causality(VAR(ts2, p = i, type = "const" ), cause = "hpi_rate" )$Granger)

‌

‌

[mytarmailS]

San Sanych Fomenko :

Tabii ki korelasyon en şüpheli olanı, Satürn'ün halkaları ile olan korelasyon, kahve telvesi çok hızlı bir şekilde görülmeye başlıyor...

Bir şekilde bunu unuttum:

Kimse unutmadı...

İşte o zaman google korele soracak , sevgili kullanıcı, bağlantıyı ölçmek ister misiniz ? o zaman bu yazınız alakalı olur ama şimdilik Google'a sormuyor, sormuyor servis zaten 6 yaşında, isteselerdi çoktan yapardı

ve ilerisi...

Google'ın veritabanında milyarlarca VR var, yalnızca veritabanı çok büyük olduğu ve yakınlığın nasıl ölçüldüğü, ilkel korelasyon veya karmaşık bir şey olmadığı için tamamen tesadüfen yakın olduğu ortaya çıkan yüzlerce başka VR olacaktır. karmaşık.

Başka bir soruda, rastgele olmayandan rastgele nasıl ayıklanır

[mytarmailS]

mytarmailS :

Başka bir soruda, rastgele olmayandan rastgele nasıl ayıklanır

Yapabilir

1) euro satırını "1" ve "2" olarak iki parçaya bölün

2‌) "1" satırını google yoluna atmak tüm yakın satırları bulacaktır

3‌) tüm yakın satırların adlarını hatırlayın

4‌) "2" satırını google'a atın, yol tüm yakın satırları bulacaktır

5‌) tüm yakın satırların adlarını hatırlayın

6) 3) ve 5) paragraflarındaki satırların adlarını karşılaştırın ve hem 3) hem de 5)'te bulunan bir satırı arayın

‌

Böylece, yanlışlıkla euro ile korelasyon göstermeyen satırlar var, bu en ilkel biçimde çapraz doğrulama gibi bir şey.

‌Ama bu başlıkları nasıl çıkaracağımı bilmiyorum, muhtemelen sayfayı ayrıştırmam gerekiyor

[СанСаныч Фоменко]

mytarmailS :

Kimse unutmadı...

İşte o zaman google korele soracak , sevgili kullanıcı, bağlantıyı ölçmek ister misiniz ? o zaman bu yazınız alakalı olur ama şimdilik Google'a sormuyor, sormuyor servis zaten 6 yaşında, isteselerdi çoktan yapardı

ve ilerisi...

Google'ın veritabanında milyarlarca VR var, yalnızca veritabanı çok büyük olduğu ve yakınlığın nasıl ölçüldüğü, ilkel korelasyon veya karmaşık bir şey olmadığı için tamamen tesadüfen yakın olduğu ortaya çıkan yüzlerce başka VR olacaktır. karmaşık.

Başka bir soruda, rastgele olmayandan rastgele nasıl ayıklanır

Bu yüzden, Google'ın topladığı tüm çöplerden testi filtreleyin - demek istediğim buydu.

[mytarmailS]

San Sanych Fomenko :
Bu yüzden, Google'ın topladığı tüm çöplerden testi filtreleyin - demek istediğim buydu.

Kahretsin Sanych, biri zapad ise birlikte düşünelim :)

r‌angl aramadan sonra euro ile mükemmel korelasyon gösteren yüz satır atacak, ne tür bir abstruse testinin hepsini kullanmadığı mükemmel bir bağlantı gösterecek, bu nedenle bu durumda bu testlerde bir anlam yok

[Dr. Trader]

mytarmailS :

Hangi test zor, hepsini kullanmayın, mükemmel bir bağlantı gösterecektir.

Şüpheliyim. Eğilimlerin yüksek korelasyonu, yalnızca genel olarak yaklaşık olarak aynı şekilde yükselip alçaldıkları anlamına gelir. Başlangıç olarak, trendlerin değil, büyümelerin korelasyonlarını aramak iyi olur, örneğin, Google'ın csv'de verdiği benzer trendleri kaydedebilir, ardından gecikmeleri kendiniz bulabilir ve korelasyonu yeniden hesaplayabilirsiniz, bu çok fazla olacaktır. daha objektif.

Ve korelasyon, bir değişkenin diğerini tahmin edebileceğini garanti etmez. Genel olarak, yüksek korelasyon ilkesine göre tahmin için tahmin edicileri seçmek başarısızdır. SanSanych'in önerdiğini daha önce denemedim ama daha güvenilir görünüyor.

[Дмитрий]

mytarmailS :

Yapabilir

1) euro satırını "1" ve "2" olarak iki parçaya bölün

2‌) "1" satırını google yoluna atmak tüm yakın satırları bulacaktır

3‌) tüm yakın satırların adlarını hatırlayın

4‌) "2" satırını google'a atın, yol tüm yakın satırları bulacaktır

5‌) tüm yakın satırların adlarını hatırlayın

6) 3) ve 5) noktalarındaki satırların adlarını karşılaştırın ve hem 3) hem de 5)'te bulunan bir satırı arayın

‌

Böylece, yanlışlıkla euro ile korelasyon göstermeyen satırlar var, bu en ilkel biçimde çapraz doğrulama gibi bir şey.

‌Ama bu başlıkları nasıl çıkaracağımı bilmiyorum, muhtemelen sayfayı ayrıştırmam gerekiyor

Buna Chow testi denir.

Aslında bir regresyon modeli bağlamında örnek heterojenliğini kontrol eder.

[mytarmailS]

Dr.Tüccar :

Şüpheliyim. Eğilimlerin yüksek korelasyonu, yalnızca genel olarak yaklaşık olarak aynı şekilde yükselip alçaldıkları anlamına gelir. Başlangıç olarak, trendlerin değil, büyümelerin korelasyonlarını aramak iyi olur, örneğin, Google'ın csv'de verdiği benzer trendleri kaydedebilir, ardından gecikmeleri kendiniz bulabilir ve korelasyonu yeniden hesaplayabilirsiniz, bu çok fazla olacaktır. daha objektif.

Evet, katılıyorum, ancak Google bize tüm veritabanını vermiyor, yalnızca "trendlere göre" ilişkili olanı veriyor, trendlere göre ilişkili olanı alın ve bundan artışlar yapın ve düzeltmeyi ölçün. ayrıca nesnel olarak değil, muhtemelen ... :) tüm veritabanına bakmanız gerekiyor

Dmitry :

Buna Chow testi denir.

Aslında bir regresyon modeli bağlamında örnek heterojenliğini kontrol eder.

Peki .. Bu Chow uygulanabilir, ancak bir şekilde Google'dan satırları veya en azından adlarını çıkarmanız gerekir.

‌

[mytarmailS]

Bu atık kağıdı http://www.mirkin.ru/_docs/dissert065.pdf okudum ve NeuroShell Day Trader Pro'yu kullanmak istedim

[Dmitry Maklygin]

https://www.tensorflow.org/get_started/get_started - bu tür görevler için iyi