Sultonov'un regresyon modeli (RMS) - pazarın matematiksel bir modeliymiş gibi davranmak. - sayfa 46
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
Alakasız. Denklemi çözme yöntemi, varsa ve benzersizse çözümü etkilemez, ancak kabul edilebilir birçok çözüm varsa ve Yusuf'un yerel bir minimumu varsa, o zaman genetik veya arılar daha iyidir. Önden çözüm için manuel olarak - sadece test cihazını kullanın: genetik algoritma size yardımcı olacaktır.
Uydurmada kayma tehlikesi vardır - bu kadar çok değişken parametre ile optimizasyon için daha fazla örnek almanız gerekir.
Ve bir not daha - katsayıların arandığı örnekleme dönemini bilmiyorsunuz. Bu dönem, tablodaki dengenin büyüme dönemine denk geldiyse, ne yazık ki, her şey o kadar pembe değil.
Şimdi bir sonraki çubuğun oluşumunun ortalama fiyatının bağımlılığını türün doğrusal bir işlevi olarak ifade etmeye çalışalım:
F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)
15 D1 günlük çubuklarından seçilen geçmiş için aşağıdaki katsayı değerleri elde edildi:
Fiyat değişikliklerinin doğası hakkında çok önemli bilgiler aldık:
1. Gelecekteki çubuğun fiyatının oluşumu için en önemlisi, mevcut çubuk С'nin kapanış fiyatlarıdır;
2. İkinci en önemli fiyatlar, ayıların boğalara göre önemli gücünü gösteren L'dir;
3. Önem bakımından sonraki açılış fiyatları O;
4. H fiyatlarının önemsiz olması, önemli bir yukarı yönlü fiyat hareketinin olası olmadığını gösterir.
Sonuç: Kısa vadede SATIŞ tercih edilir.
Şimdi bir sonraki çubuğun oluşumunun ortalama fiyatının bağımlılığını türün doğrusal bir işlevi olarak ifade etmeye çalışalım:
F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)
15 D1 günlük çubuklarından seçilen geçmiş için aşağıdaki katsayı değerleri elde edildi:
Regresyon katsayılarının nasıl hesaplandığını anlamıyorum.
EURUSD_H1 örnek uzunluğu = 50 bar için en küçük kareler yöntemi (LSM) buradadır.
Bağımlı Değişken: F
Yöntem: Panel En Küçük Kareler
Tarih: 12/02/12 Saat: 10:26
Örnek: 150
Dahil edilen dönemler: 23
Dahil edilen kesitler: 3
Toplam panel (dengesiz) gözlem: 47
F= C(1)+C(2)*AÇIK(-1)+C(3)*YÜKSEK(-1)+C(4)*DÜŞÜK(-1)+C(5)*KAPAT(-1)
katsayı Std. hata t-istatistik prob.
C(1) 0.114716 0.046286 2.478392 0.0173
C(2) -0.051038 0.156544 -0.326030 0.7460
C(3) -0.343986 0.179835 -1.912786 0.0626
C(4) 0.139395 0.190961 0,729968 0.4695
C(5) 1.163942 0.207562 5.607671 0.0000
R-kare 0.947458 Ortalama bağımlı değişken 1.247037
Düzeltilmiş R-kare 0.942454 SD bağımlı değişken 0.002839
gerileme SE 0.000681 Akaike bilgi kriterleri -11.64578
Toplam kare ikamet 1.95E-05 Schwarz kriterleri -11.44895
günlük olasılığı 278.6757 Hannan Quinn Kriteri. -11.57171
F-istatistiği 189.3409 Durbin-Watson durumu 1.935322
Prob(F-istatistiği) 0.000000
İşte grafik
EURUSD_H1 örnek uzunluğu = 2000 bar için en küçük kareler yöntemi (OLS) buradadır.
Bağımlı Değişken: F
Yöntem: Panel En Küçük Kareler
Tarih: 12/02/12 Saat: 10:29
Örnek: 12000
Dahil edilen dönemler: 23
Dahil edilen kesitler: 85
Toplam panel (dengesiz) gözlemler: 1915
F= C(1)+C(2)*AÇIK(-1)+C(3)*YÜKSEK(-1)+C(4)*DÜŞÜK(-1)+C(5)*KAPAT(-1)
katsayı Std. hata t-istatistik prob.
C(1) 0.000190 0.000729 0.260526 0.7945
C(2) 0.026179 0.029181 0.897122 0.3698
C(3) -0.020055 0.028992 -0.691745 0.4892
C(4) -0.106262 0.032127 -3.307569 0,0010
C(5) 1.099945 0.031672 34.72901 0.0000
R-kare 0,999362 Ortalama bağımlı değişken 1.259869
Düzeltilmiş R-kare 0,999361 SD bağımlı değişken 0.031014
gerileme SE 0,000784 Akaike bilgi kriterleri -11.46178
Toplam kare ikamet 0,001174 Schwarz kriterleri -11.44727
günlük olasılığı 10979.66 Hannan Quinn Kriteri. -11.45644
F-istatistiği 748391.1 Durbin-Watson durumu 2.058272
Prob(F-istatistiği) 0.000000
Herhangi bir örnek uzunluğu için tahmin edilen katsayıların hatasını hesaplamak zorunludur. Ve görüyoruz ki, katsayı değeri = 0.000190 olan son tahminde hız=0.000729. Katsayının değeri sadece gülünç değil, aynı zamanda görünen değerinden 7 kat daha fazladır!
Üzgünüm Yusuf, ama bu sadece başka bir bisiklet. Regresyon analiziyle ilgili herhangi bir ders kitabı sizinki gibi bir denklemle başlar. Ancak sizden farklı olarak, öğrenciler uyumun sonucunu değerlendirebilirler - herhangi biri belirtilen regresyonun kullanılamayacağını söyleyecektir.
Regresyon katsayılarının nasıl hesaplandığını anlamıyorum.
EURUSD_H1 örnek uzunluğu = 50 bar için en küçük kareler yöntemi (LSM) buradadır.
Herhangi bir örnek uzunluğu için tahmin edilen katsayıların hatasını hesaplamak zorunludur. Ve görüyoruz ki, katsayı değeri = 0.000190 olan son tahminde hız=0.000729. Katsayının değeri sadece gülünç değil, aynı zamanda görünen değerinden 7 kat daha fazladır!
Lütfen üzerinde çalıştığınız regresyon denkleminin türünü belirtin.
Yazıda listelenmiştir. İşte bir kopyası:
F= C(1)+C(2)*AÇIK(-1)+C(3)*YÜKSEK(-1)+C(4)*DÜŞÜK(-1)+C(5)*KAPAT(-1)
Oranlarla burada 50 bar için.
F= 0.114716047564-0.0510381399594*AÇIK(-1)-0.343985953799*YÜKSEK(-1)+0.139395237588*DÜŞÜK(-1)+1.16394204527*KAPAT(-1)
Ama her şey bu katsayıları değerlendirmekle ilgili. Her zaman değil, her zaman, katsayıların (değerlerinin) tahminine güvenilemeyeceğini anlamak istemezsiniz. Bu, regresyon analizinin kalbidir.
Şu soruyu cevaplamak gerekiyor: Bizim tarafımızdan hesaplanan katsayıların neye dayanarak olduğuna inanıyoruz. tam olarak gördüğümüz anlam var mı?
Yazıda listelenmiştir. İşte bir kopyası:
F= C(1)+C(2)*AÇIK(-1)+C(3)*YÜKSEK(-1)+C(4)*DÜŞÜK(-1)+C(5)*KAPAT(-1)
Oranlarla burada 50 bar için.
F= 0.114716047564-0.0510381399594*AÇIK(-1)-0.343985953799*YÜKSEK(-1)+0.139395237588*DÜŞÜK(-1)+1.16394204527*KAPAT(-1)
Ama her şey bu katsayıları değerlendirmekle ilgili. Her zaman değil, her zaman, katsayıların (değerlerinin) tahminine güvenilemeyeceğini anlamak istemezsiniz. Bu, regresyon analizinin kalbidir.
Şu soruyu cevaplamak gerekiyor: Bizim tarafımızdan hesaplanan katsayıların neye dayanarak olduğuna inanıyoruz. tam olarak gördüğümüz anlam var mı?
Tanım olarak, LSM, söz konusu denklemin katsayılarının en iyi tahminini verir ve herhangi bir nedenle onlardan hoşlanmıyorsanız, onları tahmin etmenin veya denklemin şeklini değiştirmenin başka bir yolunu arayın. İşte fenomenlerin ve süreçlerin incelenmesinde standart bir yaklaşım. Yöntem tarafından bulunan en küçük karelere sahip regresyon denklemi, %1'den (bu durumda %0,29) daha az bir bağıl hata sağlıyorsa, bu katsayılardan başka ne istiyorum? Katsayıların güvenilirliği sorununa kafayı takmış durumdasınız; onları belirlemenin en küçük karelerden daha güvenilir bir yolunu henüz bulamadınız. Ancak, herhangi bir muhakeme ve sonuçlarımızın yalnızca dikkate alınan örnek içinde doğru olduğunun ve bunun dışında, gelecekte de dahil olmak üzere doğru kalacaklarına dair hiçbir garanti bulunmadığının farkında olmalıyız. Ancak, belli bir olasılıkla, yakın gelecekte uygulanabilirliklerini kabul etmek zorunda kalıyoruz. Hiç kimse ve hiçbir şey geleceği mutlak doğrulukla tahmin edemez.
Nedense regresyon uydurma raporuna girmediniz. İkincisinde, farklı katsayılar farklı hesaplama doğruluğuna sahiptir. En iyi %3. Ancak, yüz değerinin katları da vardır.
Hiçbir şeye sabitlenmiyorum. Gerilemeyi değerlendirirken sadece standart numarayı yapıyorum. Her durumda, katsayı değerlerini değerlendirmeden alıntı yapmıyorum.
MNC için. seni hayal kırıklığına uğratmak istiyorum. OLS tek yöntem değildir, ayrıca çok sayıda sınırlaması olan bir yöntemdir. Bu tür kısıtlamalara sahip olmayan başka yöntemler de vardır.
Şimdi bir sonraki çubuğun oluşumunun ortalama fiyatının bağımlılığını türün doğrusal bir işlevi olarak ifade etmeye çalışalım:
F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)
15 D1 günlük çubuklarından seçilen geçmiş için aşağıdaki katsayı değerleri elde edildi:
Bu 15 günlük çubuklar - hangi tarihleri aldılar?
16.09.12'den 05.10.12'ye kadar D1'de kullanılan veriler
)))) Ben de öyle düşündüm:
1. verileriniz homojen değil. Model, 24 saatlik fiyat dinamiklerini karakterize eden verileri ve 4 saatlik fiyat dinamiklerini karakterize eden verileri içerir. Pazar günü verileri kaldırılmalıdır. Bu hatayı herkes yapar.
2. Optimum sayıda gözleme sahip olmalısınız. Burada net bir formül yok, ancak değişken başına 5 ila 10 gözlem arasında bir yerde. Dört değişkeniniz ve on beş gözleminiz var. Model yetersiz. Ve bu forumdaki büyük bir uzmanın yaptığını yapmak zorunda değilsiniz - dört değişken ve 5.000 gözlemden oluşan bir model alın!))))
3. Model oluşturulduktan sonra, her bir değişken için kısmi korelasyon katsayılarını belirleyin. Ve sadece C'nin istatistiksel olarak anlamlı olduğunu göreceksiniz.Sadece C'yi içeren bir model oluşturun ve C'nin önündeki katsayı pozitif olacaktır.
Bundan, TÜM otoregresyon modelleri için ortak olan bir sonuca varırsınız - FİYAT BÜYÜYORSA, GELECEKTE BÜYÜME YÜKSEK BİR OLASILIKLA DEVAM EDECEKTİR VE AYNI ZAMANDA YÜKSEK OLACAKTIR. Ardından modeli atın.