Regresyon Denklemi - sayfa 3
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
Çok ilginç. Samimi , Yerleşik Ada'daki yarı-durağan bir süreçle meta-model hakkındaki konumu hatırlıyor musun ( difurklar orada, tavşanı da şapkadan çıkardık)? Çok benzer bir şey. Noosfer hala var ve içindeki düşünceler ortak...
Nasıl hatırlamayacağımı hatırlıyorum.
Ama önce ıssız adayı aradın :)
MQL'de yaparsanız, acı çekersiniz. matris işlemleri yok...
https://www.mql5.com/ru/articles/1365
https://www.mql5.com/ru/articles/1365
bu gördüm. büyük iş. Bu iş için teşekkürler. Ancak araştırma ve burada araştırma en iyi, matris işlemlerinin gerçekten olduğu başka bir dilde yapılır ...
ZY ama görünüşe göre ıssız adayı kaçırmışım. linki paylaşmayın Konunun mantıklı olduğunu okumak istiyorum...
http://www.nsu.ru/ef/tsy/ecmr/quantile/quantile.htm
MQL'de yaparsanız, acı çekersiniz. matris işlemleri yok...her durumda matris işlemleri sıradan aritmetiklere indirgenebilir :)
genel olarak, bu makalede model parametrelerinin simpleks yöntemiyle aranması önerilmiştir, ancak sorunun boyutuna göre katlanarak uzun olduğu bilinmektedir. Bu nedenle, bana öyle geliyor ki, çalışmamız gereken ilk yön bu. Bu arada, bahsettiğiniz makale bu konuda Rusça yazılmış tek makale gibi görünüyor ve kendi içinde oldukça düşük kalitede (muhtemelen birinin dönem ödevi veya diploması :)
Şimdi, biri MQL'de bir simpleks yazmayı üstlenirse ... aksi halde ben kendim çok tembelim!
upd Eh, elipsoidler harika olurdu :))
Teorik olarak açıklamaya çalışacağım çünkü. Henüz hesaplama verilerini vermeye hazır değilim, bunlar ham.
... LSM'nin yardımıyla yaklaşık olarak, regresyon polinomunu yalnızca sürecin normal kısmına değil, aynı zamanda Poisson aykırı değerlerine de "yapıştırırız", bu nedenle, genel olarak konuşursak, ihtiyacımız olan tahminin düşük verimliliği . Öte yandan, nicel polinomları alarak, sürecin ikinci Poisson kısmından tamamen kurtuluruz: nicelikler buna tepki vermez ve kesinlikle. Böylece, regresyonun önemli girişimlerde bulunduğu yerleri belirledikten sonra, neredeyse çevrimiçi olarak yüksek bir kesinlikle "başarısızlıkları" yerelleştirebiliriz ( muhtemelen onları henüz tahmin etmek mümkün olmayacaktır çünkü karşılık gelen bir model yoktur, en azından Sahibim:).
ÇUŞ'ların "yoksulluğunun" yapıcı eleştirisini hiç anlamadım ...
;)
ÇUŞ'ların "yoksulluğunun" yapıcı eleştirisini hiç anlamadım ...
;)
Cümleyi ortadaki bitirmedim, anlaşılan bira şişesi etkilenmiş, yaşlanıyorum :))) sadece okuma, “hangisi” ile başlıyor.
Konunun bazı okuyucularının zaten anladığı gibi eleştiri, a) Gauss olmayan bir yapıya sahip süreçlerle çalışırken düşük performansından oluşan LSM'nin özelliklerine yöneliktir (bu durumda LSM'nin değerlendirilmesi etkili değildir). ) ve b) LSM'nin iki işlemi - Gauss ve Gauss olmayan - "ayıramaması"nda: yöntem katkı karışımına bir bütün olarak yanıt verir, aksine en küçük mesafe yöntemi veya kantil regresyon yalnızca Gauss kısmı, böylece süreçten ikinci bileşeni çıkarır.
Ve genel olarak, ÇUŞ'lar genellikle yalnızca hesaplama yapmaları çok daha kolay olduğu için kullanılır. Aynı zamanda, gerçek hayatta, birçok görev başka yöntemlerin kullanılmasını gerektirir, ancak insanlar ya tembellikten ya da cehaletten, ÇUŞ'ları vurdukları her yere dürterler ...
Ve genel olarak, ÇUŞ'lar genellikle yalnızca hesaplama yapmaları çok daha kolay olduğu için kullanılır. Aynı zamanda, gerçek hayatta, birçok görev başka yöntemlerin kullanılmasını gerektirir, ancak insanlar ya tembellikten ya da cehaletten, ÇUŞ'ları vurdukları her yere dürterler ...
İkinci dereceden fonksiyonun minimumu bulma özelliklerinden yararlanıldığını düşünüyorum... 0 noktasında türevin sıfır olması gibi.
Bu nedenle, bir işlevin parametrelerini hesaplamak için analitik olarak türetilmiş tüm yöntemler, işlevin etki alanından bağımsız olarak çalışır. Bir keresinde bu sorun hakkında yazmıştım.
Ancak! -1 .... 1 tanımına sahip bir fonksiyon için en iyi OLS parametrelerini ayarlarsanız - başınız belaya girer.
Daha da kötüye gidebilirsin. Minimum sapma maksimum olur.
Yine not ediyorum - bu "ön" yöntemler içindir.
Ve kendi dağılımınızı "kullandığınız" ve muhtemelen ;), türevlerde parametreler için minimum en küçük kareleri hesaplama yeteneğine inmedi ve özellikle önemli olan, "dikkate değer" olarak tanımlanır. limitler - minimum olasılık gerçekleşir.
Hiçbir kare sapma 1'den küçük olmayacak şekilde verileri normalleştirmeye çalışın.
;)
ama asıl soru çerçevenin dışında kaldı - dağıtım parametrelerini sizin seçmenize izin verin.
Bu, alıntılara nasıl yansıtılır? Ark tanjantı ile mi?
DDD