Matstat Ekonometri Matan
Ticaret, otomatik ticaret sistemleri ve ticaret stratejilerinin test edilmesi hakkında forum
Aleksey Nikolaev, 2021.05.05 22:38
Kabaca söylemek gerekirse, karıştırma bağımlılığı zayıflatır, ancak tamamen ortadan kaldırmaz.
Aslında olasılıksal bağımlılık pratik uygulamalar açısından teorinin en önemli parçasıdır.
YouTube'da mühendisler için MIT'deki teori kursunu izlediğimde her şey onun etrafında döndü.
r2 belirlenim katsayısını mı kastediyorsunuz?
Ya da olasılık bağımlılığı altında başka bir şey?
r2 x değişkeninin y üzerindeki "etki gücünü" değerlendirmek için gerçek zamanlı olarak hesaba katılırım
şaşırtıcı bir şekilde bazı döviz serilerinde, yüksek oranlarda oldukça istikrarlı bir şekilde devam ediyor
Ve ne, sadece olasılık yeterli değil mi? Bu bir olasılık teorisiyse...
Bu bağlamda değerlendirme kriterinin ne anlama geldiğini açıklamak istedim.
Korelasyon normal ise, o zaman r2 ile sırasıyla farklı tahminlerde hesaplamalarda bir farkları vardır.
İstatistiklerde, daha güvenilir olduğu için genellikle r2 kullanılması önerilir.
ve kelimenin tam anlamıyla on dakika sonra
r2 belirlenim katsayısını mı kastediyorsunuz?
Ya da olasılık bağımlılığı altında başka bir şey?
Olasılıksal (stokastik) bağımlılık, teoride ve matstatta en önemli kavramlardan biridir. Kavram (koşullu olasılık yoluyla) önce rastgele olaylar için tanımlanır ve daha sonra koşullu bir dağılım şeklinde rastgele değişkenlere aktarılır. Bağımlılık, koşullu dağılımın koşulsuz ile çakışmaması, bağımsızlık ise bunların çakışmasıdır. Bağımlılığın Popüler Açıklaması s. içinde. - kişinin aldığı değerin bilgisi. içinde. başka bir s'nin anlamı hakkında bilgi taşır. c.. Bağımlılık, iki aşırı durumu arasında yatar - bağımsızlık ve katı işlevsel bağlantı.
Genel anlamı, her zaman, herhangi bir özel bağımlılık ölçütünün oluşturulduğu temelinde rastgele değişkenlerin ortak bir dağılımıyla başlamamızdır. Kopulalar, karşılıklı entropi, korelasyon vb. olabilir.
Korelasyon, R2, vb. yalnızca ortak dağılım çok değişkenli normal olduğunda makul bir şekilde uygulanabilir. Pratikte, normallik konusunda kesinlik olmadığında bile (basitlik nedeniyle) kullanılırlar, ancak o zaman kullanışlılıkları yalnızca deneyimle belirlenir.
Olasılıksal (stokastik) bağımlılık, teoride ve matstatta en önemli kavramlardan biridir. Kavram (koşullu olasılık yoluyla) önce rastgele olaylar için tanımlanır ve daha sonra koşullu bir dağılım şeklinde rastgele değişkenlere aktarılır. Bağımlılık, koşullu dağılımın koşulsuz ile çakışmaması, bağımsızlık ise bunların çakışmasıdır. Bağımlılığın Popüler Açıklaması s. içinde. - kişinin aldığı değerin bilgisi. içinde. başka bir s'nin anlamı hakkında bilgi taşır. c.. Bağımlılık, iki aşırı durumu arasında yatar - bağımsızlık ve katı işlevsel bağlantı.
Genel anlamı, her zaman, herhangi bir özel bağımlılık ölçütünün oluşturulduğu temelinde rastgele değişkenlerin ortak bir dağılımıyla başlamamızdır. Kopulalar, karşılıklı entropi, korelasyon vb. olabilir.
Korelasyon, R2, vb. yalnızca ortak dağılım çok değişkenli normal olduğunda makul bir şekilde uygulanabilir. Pratikte, normallik konusunda kesinlik olmadığında bile (basitlik nedeniyle) kullanılırlar, ancak o zaman kullanışlılıkları yalnızca deneyimle belirlenir.
Oh, bu sinsi bir dağıtım, bunu hep unutuyorum))
Tüm stat çıkıyor. modeller bu kriteri gerektiriyor mu?
Ve fiyat serilerinde normallik olmadığı için verinin hazırlanmasında çile başlar,
orijinal özelliklerini kaybetmeden bir şekilde normal dağılıma yaklaştırmak.
Bu, bu verilerin nasıl hazırlanacağı sorununu ortaya çıkarmaktadır.
Standardizasyon, kuşum, türev vb. Anladığım kadarıyla, yüksek kaliteli sonuçlara yol açmıyorlar.
Bunun üzerine, incelmeye veya başka bir şeye başlarlar. Genel olarak hangi yöntemler var?
Genel olarak, istatistiksel modeller için yüksek kaliteli verilerin hazırlanmasının kapsamlı bir çalışma konusu olduğu sonucuna varıyorum.
Bu konuyla ilgili öğreticiler arıyordum ama hiçbir şey bulamadım, büyük veri, MO, nöron her yerde ama nedense onlar için yüksek kaliteli verilerin nasıl hazırlanacağı açıklanmadı.
Bunun neden olduğunu aşağıdaki anormalliği anlayamıyorum.
Teoride LSM'den daha iyi bir ortogonal model hesapladım.
Başlangıç oranları var.
Ayrıca, model parametreleri (katsayılar) medyan algoritmaya, yani bir tür aykırı değer sağlamlığına göre seçilir.
Model, orijinal seriyi niteliksel olarak tanımlar.
Mavi orijinal satır.
Gri model.
ancak tarihin bölümlerinden birinde, yukarıdaki ekran görüntüsünde olduğu gibi, daha sonra kesin olana yakınsayan böyle bir tutarsızlık var.
Böyle değil ve gerçeği göremiyorum, neden böyle oluyor? Ve buna ne katkıda bulunur?
Ne de olsa, katsayılar her adımda yeniden hesaplanır ve teoride (x) ila (y) arasında ayarlanması gerekir.
Bu gerçekten uydurma bir hata mı? Hatanın bir veya ikide olabileceğini anlıyorum, peki, üç hesaplama adımında olsun,
ama hatanın bu kadar uzun süre devam etmesi bana garip geliyor. Belki uygun bir hata değildir? Başka?
Bunun neden olduğunu aşağıdaki anormalliği anlayamıyorum.
Teoride en küçük karelerden daha iyi bir ortogonal model hesapladım.
Başlangıç oranları var.
Ayrıca, model parametreleri (katsayılar) medyan algoritmasına, yani aykırı değerlerden bir tür sağlamlığa göre seçilir.
Model, orijinal seriyi niteliksel olarak tanımlar.
Mavi orijinal satır.
Gri model.
ancak tarihin bölümlerinden birinde, yukarıdaki ekran görüntüsünde olduğu gibi, daha sonra kesin olana yakınsayan böyle bir tutarsızlık var.
Böyle değil ve gerçeği göremiyorum, neden böyle oluyor? Ve buna ne katkıda bulunur?
Ne de olsa, katsayılar her adımda yeniden hesaplanır ve teoride (x) ila (y) arasında ayarlanması gerekir.
Bu gerçekten uydurma bir hata mı? Hatanın bir veya ikide olabileceğini anlıyorum, peki, üç hesaplama adımında olsun,
ama hatanın bu kadar uzun süre devam etmesi bana garip geliyor. Belki uygun bir hata değildir? Başka?
Size yalnızca modelinizin uygulandığı (veya buna benzer) bir istatistiksel paket bulmanızı ve verilerinizde nasıl davrandığını görmenizi tavsiye edebilirim. Bu, sorunun ne olduğunu anlamaya yardımcı olabilir - yanlış model seçiminde veya uygulanmasındaki bir hatada.
Ve fiyat serilerinde normallik olmadığı için verinin hazırlanmasında çile başlar,
orijinal özelliklerini kaybetmeden bir şekilde normal dağılıma yaklaştırmak.
Size yalnızca modelinizin uygulandığı (veya buna benzer) bir istatistiksel paket bulmanızı ve verilerinizde nasıl davrandığını görmenizi tavsiye edebilirim. Bu, sorunun ne olduğunu anlamaya yardımcı olabilir - yanlış model seçiminde veya uygulanmasındaki bir hatada.
Fikir için teşekkürler, aklıma gelmemişti.
Logaritma artışları - çalışmayacak mı?
Evet, prensipte bunu az çok uygun bir seçenek olarak yapıyorum.
Başka bir benzer modelde, bazen küçük farklılıklar, sapmaların nasıl elde edildiğini de gözlemledim.
Ama yukarıdaki ekrandaki kadar uzun süreli değil, çok kısa süreli. Bu da neden böyle olduğunu merak etmemi sağladı.
Bu modeli denedim ve daha da uzun bir dalgıç gördüm.
Bu farklılığın nereden geldiğini anlamıyorum. Yanlış model veya düşük kaliteli girdi verileri.
mantığını anlamıyorum.
Veya orijinal verileri yaklaşık olarak normale ayarlayın,
Veya farklı modelleri kürekle.
Ama önce bu modeli yazmaya çalışın, bunu yapmak, kontrol etmek ve atmak o kadar kolay değil))
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Listelenen bilimsel alanlardan çeşitli konularda yapıcı bir diyalog için bir şube.
İletişimin yeterliliğine hoş geldiniz!