贝叶斯回归 - 有没有人用这种算法做了一个EA？ - 页 12 1...5678910111213141516171819...55 新评论 Dmitry Fedoseev 2016.02.11 09:30 #111 Yousufkhodja Sultonov:...尤素福，我很抱歉，但你已经厌倦了在任何地方、任何场合推崇你的18岁。高斯ISC并不是一种回归，它是一种经典，它比以前更好、更简单，而且永远不会过时。没有什么比把数学方法分为现代的和过时的更愚蠢、更笨的了。 Yousufkhodja Sultonov 2016.02.11 09:49 #112 Dmitry Fedoseev:尤素福，我很抱歉，但你已经厌倦了在任何地方、任何场合推崇你的18岁。高斯ISC并不是一种回归，它是一种经典，它比以前更好、更简单，而且永远不会过时。没有什么比把数学方法分为现代的和过时的更愚蠢、更笨的了。 德米特里，感谢你对不正确性的评论，已经改正，但从本质上讲，对你所说的（18）是否有有效的反对意见？比如，这个回归模型 比（18）好吗？MOC适用于存在线性关系的情况，而（18）除了线性情况外，同样成功地涵盖了非线性领域，同时保留了MOC的所有优点。 Dmitry Fedoseev 2016.02.11 10:00 #113 Yousufkhodja Sultonov: 迪米特里，感谢你对不正确性的评论，已纠正，但从本质上讲，对你所说的（18）是否有强烈的反对意见？比如，这个回归模型比（18）好吗？MNC适用于线性依赖的存在，而（18）除了线性情况外，同样成功地涵盖了非线性领域，同时保留了MNC的所有优点。 没有任何东西被（18）所涵盖。它被线性回归 和费波水平完美地替代了。没有正常的对话可言，你不支持建设性的对话。你甚至还没有证明你了解18岁是什么以及它的作用。 Yury Reshetov 2016.02.11 10:06 #114 Yuri Evseenkov:接下来，为了使回归成为贝叶斯式的，假设eps是按照正态法分布的。请那些是哥本哈根主义者的人纠正我的错误，并告诉我下一步该怎么做。扔掉正态分布，因为在金融工具中没有任何地方观察到它。而建立一个真实分布密度的直方图并对其进行近似。要了解区别，只需看一下下面的截图。黑线代表正态分布，红线代表真实概率密度函数的柱状图。也就是说，如果我们只取一个三角形分布，误差会小很多。虽然为了更准确，取两个中心在同一水平线上 的连续圆或连续的椭圆更容易，因为三角形的边显然是凹进去的。 Dmitry Fedoseev 2016.02.11 10:10 #115 Yury Reshetov:1.扔掉正态分布，因为在金融工具中没有任何地方观察到它。相反，构建一个真实分布密度的直方图并对其进行近似。2.要了解其中的区别，只需看一下下面的截图。黑线表示正态分布，红线表示实际波动率概率密度函数的柱状图。3 也就是说，如果你只取一个三角形分布，误差会小很多。虽然取两个中心在同一水平线上 的连续圆或连续的椭圆更容易，因为三角形的边明显是凹进去的，以获得更好的准确性。 1.近似的地方？近似什么，与什么有关？2.3.什么的错误？ Yuri Evseenkov 2016.02.11 10:13 #116 Dmitry Fedoseev:你为什么会这样想？一点也不。你不必考虑这个问题，这就像定义贝叶斯回归的范围。我们需要确定计算贝叶斯回归所需的特征。这是第一个问题，即如何制作一个正方形的圆。这时你可能会意识到，贝叶斯回归根本不适合。但我们不在乎......必须要做一些事情。假设一行的价格值和第二行（在我们的例子中是线）的重合将对应于最大可能性。而最大的一个一个的路径将是1/n（n-条数）。虽然这种方法就像在水中用干草叉作画一样。所以我们应该发明一些公式，在参数0时给出1/n，在参数增加时趋向于0。然后我们写下baes公式，并将我们之前发明的公式替换为概率。接下来，我们需要找到所得函数的最大值。可能是取其导数，将其等同于零......其结果将与线性回归 几乎相同，因为最初的目标是将直线和价格系列结合起来。假设外汇的数据具有正态分布，因此它是贝叶斯回归的范围，这是为什么。外汇是很多经纪公司，外汇公司，套件 - 欧洲，中国，巴哈马，百慕大...有很多这样的人。他们中没有一个人占主导地位，也没有对价格的形成做出决定性的贡献，市场上的任何参与者也没有。这个假设是基于概率论的中心极限定理。"足够多的弱依赖性随机变量的总和，其大小大致相同（其中没有一个占主导地位，没有决定因素对总和有贡献），其分布接近于正态。"（维基百科）。按照我对外汇的理解，它与外汇有关。如果我们把所有经纪公司的所有点数都收集在一个M5柱子里（数以百万计的点数），那么柱子内的点数分布将接近正态。 时间框架越长，它就越接近。 每个特定的经纪公司都有自己的报价流，通过该经纪公司的贬值措施与主导的全球流有所不同。图表上的这一主导流代表了一条曲线（当然不是直线！），任何经纪公司都不可能从这条曲线上走远。 Dmitry Fedoseev 2016.02.11 10:16 #117 Yuri Evseenkov:假设外汇数据具有正态分布，因此是贝叶斯回归的范围，这是为什么。外汇是很多经纪公司，外汇公司，套件 - 欧洲，中国，巴哈马，百慕大...有很多这样的人。他们中没有一个人占主导地位，也没有对价格的形成做出决定性的贡献，市场上的参与者也没有一个。这个假设是基于概率论的中心极限定理。"足够多的弱依赖性随机变量的总和，其大小大致相同（没有一个总和占主导地位，没有决定因素对总和有贡献），其分布接近于正态。"（维基百科）按照我对外汇的理解，它与外汇有关。如果我们在一个M5条中收集了所有经纪公司的所有ticks（数以百万计的ticks），那么条内的ticks分布将接近于正态。 时间越长，就越接近。 每个特定的经纪公司都有自己的报价流，与主导的全球流不同的是该经纪公司的贬值措施。图表上的这一主导流代表了一条曲线（当然不是直线！），任何经纪公司都不可能从这条曲线上走远。所以你没有理解我写的任何东西？ Alexey Burnakov 2016.02.11 10:38 #118 Yury Reshetov:扔掉正态分布，因为在金融工具中没有任何地方观察到它。相反，建立一个真实分布密度的直方图并对其进行近似。要了解区别，只需看一下下面的截图。黑线表示正态分布，红线表示真实概率密度函数的直方图。也就是说，如果我们只取一个三角形分布，误差会小很多。虽然为了更好的准确性，取两个中心在同一水平线上 的连续圆或连续的椭圆更容易，因为三角形的边明显是凹下去的。 尤里。试试拉普拉斯分布--双边指数。在我看来，财务数据是最接近它的。 拉普拉斯最大似然参数的分析性估计。参数估计[编辑]给定N个独立且相同分布 的样本x1,x2, ...,xN，μ的最大似然估计值是样本中位数，[1]而b的最大似然估计值是来自: https://en.wikipedia.org/wiki/Laplace_distribution Editing Laplace distribution (section) - Wikipedia, the free encyclopedia en.wikipedia.org Copy and paste: – — ° ′ ″ ≈ ≠ ≤ ≥ ± − × ÷ ← → · § Cite your sources: Dmitry Fedoseev 2016.02.11 10:48 #119 不成熟的人来到这里，会想 "哎呀，什么头骨都聚集在这里"。仔细一看，才想起克雷洛夫的寓言《猴子和眼镜》。 Yuri Evseenkov 2016.02.11 10:58 #120 Dmitry Fedoseev:所以你没有理解我写的任何东西？我回答了你的第一个问题。关于标志，我真的不明白。 要找到理论工作的小节数？ 然后从这一点出发去跳舞？我立即拒绝了它。"最初的目的是要把直线和价格系列结合起来"。- 如果贝叶斯回归是一条直线，那么它就真的不好了。 1...5678910111213141516171819...55 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
...
尤素福，我很抱歉，但你已经厌倦了在任何地方、任何场合推崇你的18岁。
高斯ISC并不是一种回归，它是一种经典，它比以前更好、更简单，而且永远不会过时。没有什么比把数学方法分为现代的和过时的更愚蠢、更笨的了。
尤素福，我很抱歉，但你已经厌倦了在任何地方、任何场合推崇你的18岁。
高斯ISC并不是一种回归，它是一种经典，它比以前更好、更简单，而且永远不会过时。没有什么比把数学方法分为现代的和过时的更愚蠢、更笨的了。
迪米特里，感谢你对不正确性的评论，已纠正，但从本质上讲，对你所说的（18）是否有强烈的反对意见？比如，这个回归模型比（18）好吗？MNC适用于线性依赖的存在，而（18）除了线性情况外，同样成功地涵盖了非线性领域，同时保留了MNC的所有优点。
接下来，为了使回归成为贝叶斯式的，假设eps是按照正态法分布的。
请那些是哥本哈根主义者的人纠正我的错误，并告诉我下一步该怎么做。
扔掉正态分布，因为在金融工具中没有任何地方观察到它。而建立一个真实分布密度的直方图并对其进行近似。
要了解区别，只需看一下下面的截图。黑线代表正态分布，红线代表真实概率密度函数的柱状图。
也就是说，如果我们只取一个三角形分布，误差会小很多。虽然为了更准确，取两个中心在同一水平线上 的连续圆或连续的椭圆更容易，因为三角形的边显然是凹进去的。
1.扔掉正态分布，因为在金融工具中没有任何地方观察到它。相反，构建一个真实分布密度的直方图并对其进行近似。
2.要了解其中的区别，只需看一下下面的截图。黑线表示正态分布，红线表示实际波动率概率密度函数的柱状图。
3 也就是说，如果你只取一个三角形分布，误差会小很多。虽然取两个中心在同一水平线上 的连续圆或连续的椭圆更容易，因为三角形的边明显是凹进去的，以获得更好的准确性。
1.近似的地方？近似什么，与什么有关？
2.
3.什么的错误？
你为什么会这样想？一点也不。你不必考虑这个问题，这就像定义贝叶斯回归的范围。
我们需要确定计算贝叶斯回归所需的特征。这是第一个问题，即如何制作一个正方形的圆。这时你可能会意识到，贝叶斯回归根本不适合。但我们不在乎......必须要做一些事情。假设一行的价格值和第二行（在我们的例子中是线）的重合将对应于最大可能性。而最大的一个一个的路径将是1/n（n-条数）。虽然这种方法就像在水中用干草叉作画一样。所以我们应该发明一些公式，在参数0时给出1/n，在参数增加时趋向于0。然后我们写下baes公式，并将我们之前发明的公式替换为概率。接下来，我们需要找到所得函数的最大值。可能是取其导数，将其等同于零......
其结果将与线性回归 几乎相同，因为最初的目标是将直线和价格系列结合起来。
假设外汇的数据具有正态分布，因此它是贝叶斯回归的范围，这是为什么。
外汇是很多经纪公司，外汇公司，套件 - 欧洲，中国，巴哈马，百慕大...有很多这样的人。他们中没有一个人占主导地位，也没有对价格的形成做出决定性的贡献，市场上的任何参与者也没有。这个假设是基于概率论的中心极限定理。
"足够多的弱依赖性随机变量的总和，其大小大致相同（其中没有一个占主导地位，没有决定因素对总和有贡献），其分布接近于正态。"（维基百科）。
按照我对外汇的理解，它与外汇有关。如果我们把所有经纪公司的所有点数都收集在一个M5柱子里（数以百万计的点数），那么柱子内的点数分布将接近正态。 时间框架越长，它就越接近。 每个特定的经纪公司都有自己的报价流，通过该经纪公司的贬值措施与主导的全球流有所不同。图表上的这一主导流代表了一条曲线（当然不是直线！），任何经纪公司都不可能从这条曲线上走远。
假设外汇数据具有正态分布，因此是贝叶斯回归的范围，这是为什么。
外汇是很多经纪公司，外汇公司，套件 - 欧洲，中国，巴哈马，百慕大...有很多这样的人。他们中没有一个人占主导地位，也没有对价格的形成做出决定性的贡献，市场上的参与者也没有一个。这个假设是基于概率论的中心极限定理。
"足够多的弱依赖性随机变量的总和，其大小大致相同（没有一个总和占主导地位，没有决定因素对总和有贡献），其分布接近于正态。"（维基百科）
按照我对外汇的理解，它与外汇有关。如果我们在一个M5条中收集了所有经纪公司的所有ticks（数以百万计的ticks），那么条内的ticks分布将接近于正态。 时间越长，就越接近。 每个特定的经纪公司都有自己的报价流，与主导的全球流不同的是该经纪公司的贬值措施。图表上的这一主导流代表了一条曲线（当然不是直线！），任何经纪公司都不可能从这条曲线上走远。
所以你没有理解我写的任何东西？
扔掉正态分布，因为在金融工具中没有任何地方观察到它。相反，建立一个真实分布密度的直方图并对其进行近似。
要了解区别，只需看一下下面的截图。黑线表示正态分布，红线表示真实概率密度函数的直方图。
也就是说，如果我们只取一个三角形分布，误差会小很多。虽然为了更好的准确性，取两个中心在同一水平线上 的连续圆或连续的椭圆更容易，因为三角形的边明显是凹下去的。
尤里。
试试拉普拉斯分布--双边指数。在我看来，财务数据是最接近它的。
拉普拉斯最大似然参数的分析性估计。
参数估计[编辑]
给定N个独立且相同分布 的样本x1,x2, ...,xN，μ的最大似然估计值是样本中位数，[1]而b的最大似然估计值是
来自: https://en.wikipedia.org/wiki/Laplace_distribution
所以你没有理解我写的任何东西？
我回答了你的第一个问题。关于标志，我真的不明白。 要找到理论工作的小节数？ 然后从这一点出发去跳舞？我立即拒绝了它。
"最初的目的是要把直线和价格系列结合起来"。- 如果贝叶斯回归是一条直线，那么它就真的不好了。