![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Hazırlıksız, bu çok doğrusal bağımlılığın parametrelerinin (katsayılar ve artıkların varyansı) zamanla nasıl değiştiğine bakardım. Muhtemelen, ancak korelasyon ve varyans yaklaşık olarak sabitse ve kayma, ortalama değerlerinin bazılarında düzgün bir şekilde dalgalanıyorsa, kaydırma gerçeğinden bahsedilebilir. Buna göre, bu salınımın parametreleri TS'yi oluşturmak için kullanılabilir)
Hepsi böyle. Soru, iki sıra arasındaki ayrım için tam olarak ne alınması gerektiğidir. Örneğin, regresyon doğrusuna dik olanın uzunluğuna dair geleneksel bir görüş vardır. Ama bana öyle geliyor ki bu pek doğru bir yol değil. Çünkü önceki değerlere göre değil, belli bir orta noktaya göre bir ayrım verir. Kaymanın "asimetrisi" gibi bir madde kaybolur ve ben bunu hissetmek isterim.
Bilmiyorum bile, dikeyi iki bileşenin bir vektörü olarak düşünebilirsiniz) Elbette uzunlukla orantılıdır, ancak farklı katsayıları vardır.
Ama belki de konunun özünü anlamadım. Belki de doğrusal bir bağlantının varlığı (modelin bozukluğu) koşulunun olası bir ihlalini sürekli olarak izlemekten bahsediyoruz? İlişkinin korunduğuna ve değişmediğine dair her zaman bir güven varsa, o zaman herhangi bir ayrılma ölçüsü (teoride) dikin uzunluğu ve regresyon katsayıları cinsinden ifade edilmelidir.
Alexei Nikolaev'in dağılımı ile ei hataları beyaz gürültü ise ne olacağı ilginç.
Bu nedenle, regresyon artıklarının yapısını incelemek gerekir. Aslında, ekonometrinin yarısı buna ayrılmıştır)
Oldukça nesnel nedenlerle. Durağan bir portföy yalnızca şu anda elde edilir, her şey uygun beceri olmadan yeni verilerde bozulur
MS ve TV ile bazen dikkatli olmanız gerekir. Bazen prensipte hiçbir şeyin olmadığı bir model gösterebilir.
MS ve TV ile bazen dikkatli olmanız gerekir. Bazen prensipte hiçbir şeyin olmadığı bir model gösterebilir.
MS ve TV hakkında endişelenmeyin - yanlış korelasyonun etkisi uzun süredir araştırılıyor, uygun testler ve doğrulama algoritmaları var.