Bayesian regresyon - Bu algoritmayı kullanarak Uzman Danışman yapan var mı? - sayfa 15
![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
Görünüşe göre tahmin, özellikle kısa vadede piyasa için çok önemli değil. Uzun vadede, tahmin, pek çoğuna uymayan, yılda% 10-12 şeklinde mütevazı sonuçlar veriyor.
Uzun vadeli ve kısa vadeli arasındaki fark nedir? Sadece zaman aralığını değiştir.
%10-12, riskin büyüklüğü göz önüne alındığında hiç de ilginç değil.
Yine de ... kafada kısa devre yapabilirsiniz. Yusuf eğriliğinin uyarlanması, eğimli bir segment boyunca gerçekleştirilir (neredeyse düz bir segment, dışbükeyliği önemsizdir) ve nihayetinde yatay bir hareket tahmin edilir. Bunu düşün! Tekniğin ikinci kez uygulanabilir olmadığı, tek seferlik olduğu ortaya çıktı.
O zaman tüm verileri girelim ve 2015 için tahmin değişmiyor. Bak:
... ve (18) durumunda hiçbir şey yapılması gerekmiyorsa, kendisini mümkün olan en iyi şekilde ayarlayacaktır. Sadece , her anlamda (18)'den daha iyi bir modelin henüz icat edilmediğini kabul etmeye cesaretiniz yok.
Nobel komitesi (18) hakkında ne diyor? Yoksa itiraf etmeye cesaretleri mi yok?
Uzun vadeli ve kısa vadeli arasındaki fark nedir? Sadece zaman aralığını değiştir.
%10-12, riskin büyüklüğü göz önüne alındığında hiç de ilginç değil.
Nobel komitesi (18) hakkında ne diyor?
Ve burada neyi ve nasıl karıştırabilirsiniz?
Ne güvenilirliği?
Olasılık:
a) model katsayıları
b) modelin kendisi
katsayıların bu şekilde dağıtıldığını varsayarsak, örneğin 1 numaralı katsayı ortalama 0,5 standart sapmaya sahiptir. 0.1. Bu varsayım, katsayıların hesaplanmasının sonuçları üzerine bindirilir, bu nedenle en küçük karelerden bir fark vardır. Katsayıların olası değerlerine kısıtlamaların getirildiği sırt regresyonu kavramı vardır; bu, anladığım kadarıyla, aynı operadan.
Ve hataların normalliği, peki, zorunlu olmalı. Hiçbir şey anlamadığım genelleştirilmiş bir doğrusal regresyon var, bir şekilde tüm varsayımlar orada atlanıyor.
UPD: Epsilon (katsayı) değeri için t istatistiği değerlendirilirken, modelin artıkları üzerindeki sigma tahmini kullanılır. Artıkların dağılımı simetrik değil (ideal olarak normal olmalıdır) bir yerde güçlü bir şekilde önyargılıysa, katsayının önemi güvenilir olmaktan çıkacaktır. Başka bir deyişle, modelin parametrelerine güvenilemez. Bu nedenle, hataların normal dağıldığı varsayılır.
Olasılık:
1. a) modelin katsayıları
b) modelin kendisi
2. Katsayıların bu şekilde dağıtıldığı varsayımı altında, örneğin 1 numaralı katsayı ortalama 0,5, standart sapmaya sahiptir. 0.1. Bu varsayım, katsayıların hesaplanmasının sonuçları üzerine bindirilir, bu nedenle en küçük karelerden bir fark vardır. Katsayıların olası değerlerine kısıtlamaların getirildiği sırt regresyonu kavramı vardır; bu, anladığım kadarıyla, aynı operadan.
3. Ve hataların normalliği, peki, zorunlu olmalı. Hiçbir şey anlamadığım genelleştirilmiş bir doğrusal regresyon var, bir şekilde tüm varsayımlar orada atlanıyor.
4. UPD: epsilon (katsayı) değeri için t istatistiği değerlendirilirken, modelin artıkları üzerindeki sigma tahmini kullanılır. Artıkların dağılımı simetrik değil (ideal olarak normal olmalıdır) bir yerde güçlü bir şekilde önyargılıysa, katsayının önemi güvenilir olmaktan çıkacaktır. Başka bir deyişle, modelin parametrelerine güvenilemez. Bu nedenle, hataların normal dağıldığı varsayılır.
1. Böylece "Model katsayılarının olasılığını en üst düzeye çıkarmak" veya "Modelin olasılığını en üst düzeye çıkarmak" elde ederiz. Orada öyle mi yazıyor?
2. Peki ya katsayılar ve dağılım? Neden ortalama katsayıları bile düşünelim?
3. Bir tür hataların normalliği hakkında sizi düşündüren nedir? Dağılımın simetrisi yeterlidir. Bu, yalnızca eğilimlerin başlangıcındaki hassasiyeti etkiler.
4. Gerçekten bu kategorilerde düşünüyor ve ne yazdığınızı gerçekten anlıyor musunuz?
Yura, düşünecek zaman yok, 100 yıl sonra akılları başlarına gelecekler, ne yazık ki onu kimse ciddiye almıyor ve araştırmıyor. Ancak, gelecek nesiller takdir etmelidir.
1. Böylece "Model katsayılarının olasılığını en üst düzeye çıkarmak" veya "Modelin olasılığını en üst düzeye çıkarmak" elde ederiz. Orada öyle mi yazıyor?
2. Peki ya katsayılar ve dağılım? Neden ortalama katsayıları bile düşünelim?
3. Bir tür hataların normalliği hakkında sizi düşündüren nedir? Dağılımın simetrisi yeterlidir. Bu, yalnızca eğilimlerin başlangıcındaki hassasiyeti etkiler.
4. Gerçekten bu kategorilerde düşünüyor ve ne yazdığınızı gerçekten anlıyor musunuz?
1. olabilirlik maksimumdur: uzun formüller takip eder. Artıkların karelerinin ortalamasının minimum değerini elde ettiğimizi veya olasılığı maksimize ettiğimizi söyleyebiliriz.
2. Bir şeyi anlamayabilirsiniz. b1 katsayısı nedir? Genel popülasyonda b1 katsayısının parametreleri hakkında bilgi yokluğunda t-dağılımı olan b1 katsayısının örnek değerlerinin matematiksel beklentisi. Doğrusal regresyon (sıradan en küçük kareler), E(b) ve sigma(b)'nin bir tahminini verir - b1 katsayısının standart hatası. Modelin çıktısında gördüğünüz tüm bu tahminlerdir. Ardından, E(b)'nin 0'dan ne kadar önemli ölçüde farklı olduğuna, t istatistiğine ve ilişkili olasılığa ilişkin bir değerlendirme gelir.
3. Trendler hakkında bir şey söyleyemem. Simetri önemlidir - bir gerçek. Artıklar üzerindeki sigma da önemlidir. Basıklık katsayısı da önemlidir.
4. Son zamanlarda regresyon hakkında çok şey okudum, bu yüzden yukarıda yazdıklarımı anlıyorum. Müşterilerime regresyonun sonuçları hakkında rapor veriyorum ve bir şeyi anlamam gerekiyor. Parametrik olmayan yöntemleri tercih etsem de.