基于宏观经济指标的市场预测 - 页 10 1...34567891011121314151617...61 新评论 СанСаныч Фоменко 2015.02.26 09:26 #91 avtomat: 给出一个明确的定义也无妨，或者至少澄清 "预测"、"预测 "等的含义。"预测 "的范围是什么？ 没有这个，"预测 "就没有意义。因为，根据地平线的不同，同一个 "预测 "在一个地平线上可能是正确的，在另一个地平线上可能是不正确的。此外，这种情节可能多次交替出现。我不承担普遍性的概括，但我将给出预测和预测的以下定义。这些定义是基于R中可用的算法（不仅如此）。我也许可以给出其他定义，但我的定义是建设性的，因为它们有程序代码。所以。1.预测。其 原则是，总是使用前一个值进行预测。也就是说，真实的历史数据条被用于1步预测。然后还有以下细微差别。对于两步预测，总是使用前面第一步的数值。对于3步预测，则使用前2步的数值，等等。这是最基本的，因为它把以前所有预测步骤的误差加起来。所以你会得到一个不断扩大的漏斗型误差图。提前n步的误差总是大于提前n-1步的误差。这个方向最广为人知的代表是预测包。2.预测。在这里，你指定一组数值，从这些数值中进行预测，这被称为预测，以区别于它，因为你可以使用一组条形图来进行一步、两步或n步的预测。是否使用预测值不是由算法决定的，而是由开发者决定的。预测误差的行为是未知的。人们可以决定自己的想法。如果在H1的一组预测因子中，有一些预测因子天生具有H4的预测能力，那么，每隔四小时的误差可能比第三小时的误差要小。预测器都是分类类型的模型。 [删除] 2015.02.26 11:05 #92 faa1947:我不会做普遍的归纳，但我将给出预测和预测的以下定义。 在这种情况下，没有必要进行普遍的概括（适用于所有场合）。 只要在主题内有基本的基本点，就可以理解并说相同的语言。 [删除] 2015.02.26 11:28 #93 faa1947:对于回归--金融序列的非平稳性是一个基本问题。因此，在选择工具时，应该看看所选择的工具如何解决非平稳性问题。我提到的ARIMA在一定程度上解决了非平稳性问题，但我从未听说过泰勒数列解决了非平稳性问题。 在应用静止模型时，非静止性被看作是一个问题。 如果使用非静止模型，那么非静止性就不是一个问题，而是一个需要解决的问题。ARIMA不能解决所谓的 "非平稳性问题"--它不是为它设计的。泰勒数列在某种意义上是通用的--如果系数是常数，我们就有静止模型（ARIMA也在这里），但如果系数是时间/或状态的函数，我们就得到非静止模型。 这就是本质，简而言之，供快速参考。 Vladimir 2015.02.26 14:22 #94 在我的案例中，以E日为起点提前1步（季度）的预测使用了e=0至e=D-1日的所有可用输入值。以E日期提前2步预测，使用e=0至e=D-2日期的所有可用输入值。以此类推。换句话说，E日的两步预测不使用D-1日的预测，因为这意味着如果D-1日的预测在0...D-2日使用了一组输入，那么同样的输入可以直接用于D日的两步预测，而无需D-1日的中间预测。 СанСаныч Фоменко 2015.02.26 16:22 #95 gpwr: 在我的案例中，以E日为起点，提前1步（季度）预测，使用e=0至e=D-1日的所有可用输入值。以E日期提前2步预测，使用e=0至e=D-2日期的所有可用输入值。以此类推。换句话说，E日的两步预测不使用D-1日的预测，因为它意味着如果D-1日的预测在0...D-2日使用了一组输入，那么同样的输入可以直接用于D日的两步预测，而不需要D-1日的中间预测。 在我的定义中，通过一个的东西并不重要。重要的是另一件事：预测公式中是否有以前的预测值？在第一步中，很明显，预测和预报这两个词是重合的。在你的计划中，对于两步的预测，但在三步、四步之前的预测，是否重合？如果我们不愿意处理错误的源头，所有这些案例分析都可以被抛弃。在预测中，误差不取决于其他预测，但在预测中，预测误差取决于以前的预测。现在，这是一个原则问题。 СанСаныч Фоменко 2015.02.26 16:35 #96 avtomat:在应用静止模型时，非静止性被视为一个问题。 如果使用非静止模型，那么非静止性就不是一个问题，而是一个需要解决的问题。ARIMA不能解决所谓的 "非平稳性问题"--它不是为它设计的。. 我们要么承认非平稳性的存在，要么不承认。如果我们这样做，那么要么我们的模型应该立即吃下非平稳数据，要么很可能我们需要一些初步的行动来准备原始数据，使它们适合于模型。而这里ARIMA是一个典型的例子。它正是一个非平稳数据的模型。第 一步，将原来的非稳态序列转换为稳态，然后对产生的序列进行建模。 具体来说就是。对于静止的数据，它是一个没有字母I的模型，这意味着要对原始数据进行多少次微分（取差），使其成为静止的，可以应用ARMA模型。另一件事是，用于确定ARIMA模型中的静止性的标准，弱化作为ARMA模型应用于区分的结果，不适用于这些结果，需要额外的研究，通常通过建模方差-ARCH，但也有细微差别.....。结果是，你在输入处有一句话，你对一些东西进行了剖析建模，但不可能理解把结果放在哪里。 [删除] 2015.02.26 17:04 #97 faa1947:我们要么承认非平稳性的存在，要么不承认。如果我们承认，那么要么我们的模型必须立即吞噬非平稳数据，要么很可能需要采取一些初步行动来准备原始数据，使其适合于模型。而这里ARIMA是一个典型的例子。它正是一个非平稳数据的模型。第 一步，将原来的非稳态序列转换为 稳态，然后对产生的序列进行建模。 具体来说就是。对于静止的数据，它是一个没有字母I的模型，这意味着要对原始数据进行多少次微分（取差），使其成为静止的，可以应用ARMA模型。另一件事是，用于确定ARIMA模型中的静止性的标准，弱化作为ARMA模型应用于区分的结果，不适用于这些结果，需要额外的研究，通常是关于方差-ARCH的建模，也有细微的差别.....。结果是，你在输入处有一句话，你对一些东西进行了剖析建模，但不可能理解把结果放在哪里。你又在重蹈覆辙，关于这一点，以前已经说过很多了......不可能将原来的非稳态序列转化为等效的稳态序列。有可能对初始数列进行各种操作，但有必要了解得到的结果可能不等同于初始数列。 这正是在进行 "非稳态数列向稳态数列的转换 "时发生的情况。关于这一点，已经说了很多。但我看到你没有注意到这些原则性问题。形象地说，通过用绳索驱使猫变成狗是行不通的。 СанСаныч Фоменко 2015.02.26 18:09 #98 avtomat:你又在重蹈覆辙，这在以前已经说过很多遍了......不可能将一个初始的非平稳序列转化为一个等效的平稳序列。有可能对初始数列进行各种操作，但有必要了解得到的结果可能不等同于初始数列。 这正是在进行 "非稳态数列向稳态数列的转换 "时发生的情况。关于这一点，已经说了很多。但我看到你没有注意到这些原则性问题。形象地说，通过用绳索驱使猫变成狗是行不通的。 为什么我没有看到？我完全同意你的观点!重读我帖子的结尾。 Yousufkhodja Sultonov 2015.02.26 20:57 #99 尊敬的本专题讨论的参与者我敢向大家保证，我的研究表明，已知的回归分析方法，包括傅里叶变换、神经网络、线性和非线性回归模型以及其他用于描述和/或预测数字序列（包括市场价格流）行为的模型、方法和技术，都无法与我提出的、众所周知的通用回归模型竞争，https://www.mql5.com/ru/articles/250 任何评价参数。我愿意用具体的、比较的、任何系列分析的例子来挑战任何异议。我很乐意在你的帮助下找到我的模型的不足之处，如果有的话。我相信，只要你认真研究和理解所提出的模式，你就会发现它的力量和全能性。简单地解释一下，该模型是高斯MOC在非线性领域的扩展，作为一个特例，它也涵盖了高斯MOC。因此，如果在线性领域，高斯MNA是公认的最受欢迎的，那么在一般情况下，所提出的方法可能被证明是如此。如果有反对意见的话，我准备予以驳斥。尊敬的尤素福克霍贾。 Vasiliy Smirnov 2015.02.26 21:29 #100 yosuf: 尊敬的本专题讨论的参与者我敢向你保证，我的研究表明，任何已知的回归分析方法，包括傅里叶变换、神经网络、线性和非线性回归模型以及其他用于描述和/或预测数字序列行为的模型、方法和技术，包括市场价格流，都无法与我提出的、众所周知的任何评价参数的通用回归模型竞争。我准备用具体的、比较的、任何系列分析的例子来挑战任何异议。我很乐意在你的帮助下，找到我的模型的缺点，如果有的话。我相信，只要你认真研究和理解所提出的模式，你就会发现它的力量和全能性。简单地解释一下，该模型是高斯MOC在非线性领域的扩展，作为一个特例，它也涵盖了高斯MOC。因此，如果在线性领域，高斯MNA是公认的最受欢迎的，那么在一般情况下，所提出的方法可能被证明是如此。如果有反对意见的话，我准备予以驳斥。尊敬的尤素福-霍贾。 也许这种天真是由于这种模式没有实施而产生的？ 1...34567891011121314151617...61 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
给出一个明确的定义也无妨，或者至少澄清 "预测"、"预测 "等的含义。"预测 "的范围是什么？ 没有这个，"预测 "就没有意义。因为，根据地平线的不同，同一个 "预测 "在一个地平线上可能是正确的，在另一个地平线上可能是不正确的。此外，这种情节可能多次交替出现。
我不承担普遍性的概括，但我将给出预测和预测的以下定义。这些定义是基于R中可用的算法（不仅如此）。我也许可以给出其他定义，但我的定义是建设性的，因为它们有程序代码。
所以。
1.预测。其 原则是，总是使用前一个值进行预测。也就是说，真实的历史数据条被用于1步预测。然后还有以下细微差别。对于两步预测，总是使用前面第一步的数值。对于3步预测，则使用前2步的数值，等等。这是最基本的，因为它把以前所有预测步骤的误差加起来。所以你会得到一个不断扩大的漏斗型误差图。提前n步的误差总是大于提前n-1步的误差。这个方向最广为人知的代表是预测包。
2.预测。在这里，你指定一组数值，从这些数值中进行预测，这被称为预测，以区别于它，因为你可以使用一组条形图来进行一步、两步或n步的预测。是否使用预测值不是由算法决定的，而是由开发者决定的。预测误差的行为是未知的。人们可以决定自己的想法。如果在H1的一组预测因子中，有一些预测因子天生具有H4的预测能力，那么，每隔四小时的误差可能比第三小时的误差要小。预测器都是分类类型的模型。
我不会做普遍的归纳，但我将给出预测和预测的以下定义。
对于回归--金融序列的非平稳性是一个基本问题。因此，在选择工具时，应该看看所选择的工具如何解决非平稳性问题。我提到的ARIMA在一定程度上解决了非平稳性问题，但我从未听说过泰勒数列解决了非平稳性问题。
在应用静止模型时，非静止性被看作是一个问题。 如果使用非静止模型，那么非静止性就不是一个问题，而是一个需要解决的问题。
ARIMA不能解决所谓的 "非平稳性问题"--它不是为它设计的。
泰勒数列在某种意义上是通用的--如果系数是常数，我们就有静止模型（ARIMA也在这里），但如果系数是时间/或状态的函数，我们就得到非静止模型。 这就是本质，简而言之，供快速参考。
在我的案例中，以E日为起点，提前1步（季度）预测，使用e=0至e=D-1日的所有可用输入值。以E日期提前2步预测，使用e=0至e=D-2日期的所有可用输入值。以此类推。换句话说，E日的两步预测不使用D-1日的预测，因为它意味着如果D-1日的预测在0...D-2日使用了一组输入，那么同样的输入可以直接用于D日的两步预测，而不需要D-1日的中间预测。
在应用静止模型时，非静止性被视为一个问题。 如果使用非静止模型，那么非静止性就不是一个问题，而是一个需要解决的问题。
ARIMA不能解决所谓的 "非平稳性问题"--它不是为它设计的。
.
我们要么承认非平稳性的存在，要么不承认。
如果我们这样做，那么要么我们的模型应该立即吃下非平稳数据，要么很可能我们需要一些初步的行动来准备原始数据，使它们适合于模型。
而这里ARIMA是一个典型的例子。它正是一个非平稳数据的模型。第 一步，将原来的非稳态序列转换为稳态，然后对产生的序列进行建模。
具体来说就是。
对于静止的数据，它是一个没有字母I的模型，这意味着要对原始数据进行多少次微分（取差），使其成为静止的，可以应用ARMA模型。另一件事是，用于确定ARIMA模型中的静止性的标准，弱化作为ARMA模型应用于区分的结果，不适用于这些结果，需要额外的研究，通常通过建模方差-ARCH，但也有细微差别.....。结果是，你在输入处有一句话，你对一些东西进行了剖析建模，但不可能理解把结果放在哪里。
我们要么承认非平稳性的存在，要么不承认。
如果我们承认，那么要么我们的模型必须立即吞噬非平稳数据，要么很可能需要采取一些初步行动来准备原始数据，使其适合于模型。
而这里ARIMA是一个典型的例子。它正是一个非平稳数据的模型。第 一步，将原来的非稳态序列转换为 稳态，然后对产生的序列进行建模。
具体来说就是。
对于静止的数据，它是一个没有字母I的模型，这意味着要对原始数据进行多少次微分（取差），使其成为静止的，可以应用ARMA模型。另一件事是，用于确定ARIMA模型中的静止性的标准，弱化作为ARMA模型应用于区分的结果，不适用于这些结果，需要额外的研究，通常是关于方差-ARCH的建模，也有细微的差别.....。结果是，你在输入处有一句话，你对一些东西进行了剖析建模，但不可能理解把结果放在哪里。
你又在重蹈覆辙，关于这一点，以前已经说过很多了......
不可能将原来的非稳态序列转化为等效的稳态序列。有可能对初始数列进行各种操作，但有必要了解得到的结果可能不等同于初始数列。 这正是在进行 "非稳态数列向稳态数列的转换 "时发生的情况。
关于这一点，已经说了很多。但我看到你没有注意到这些原则性问题。形象地说，通过用绳索驱使猫变成狗是行不通的。
你又在重蹈覆辙，这在以前已经说过很多遍了......
不可能将一个初始的非平稳序列转化为一个等效的平稳序列。有可能对初始数列进行各种操作，但有必要了解得到的结果可能不等同于初始数列。 这正是在进行 "非稳态数列向稳态数列的转换 "时发生的情况。
关于这一点，已经说了很多。但我看到你没有注意到这些原则性问题。形象地说，通过用绳索驱使猫变成狗是行不通的。
尊敬的本专题讨论的参与者我敢向你保证，我的研究表明，任何已知的回归分析方法，包括傅里叶变换、神经网络、线性和非线性回归模型以及其他用于描述和/或预测数字序列行为的模型、方法和技术，包括市场价格流，都无法与我提出的、众所周知的任何评价参数的通用回归模型竞争。我准备用具体的、比较的、任何系列分析的例子来挑战任何异议。我很乐意在你的帮助下，找到我的模型的缺点，如果有的话。我相信，只要你认真研究和理解所提出的模式，你就会发现它的力量和全能性。简单地解释一下，该模型是高斯MOC在非线性领域的扩展，作为一个特例，它也涵盖了高斯MOC。因此，如果在线性领域，高斯MNA是公认的最受欢迎的，那么在一般情况下，所提出的方法可能被证明是如此。如果有反对意见的话，我准备予以驳斥。尊敬的尤素福-霍贾。