In statistics and optimization, errors and residuals are two closely related and easily confused measures of the deviation of an observed value of an element of a statistical sample from its "theoretical value". The error (or disturbance) of an observed value is the deviation of the observed value from the (unobservable) true value of a...
这就是我们正在谈论的问题。
研究人员选择了一个没有明显趋势的时期,这就是为什么结果很有趣。
简而言之--截图中的内容是什么?
Сейчас идет разговор о том. как работает алгоритм.
Насчет применимости, найдется какая-нибудь задача, для которой пригодится. Цены кластеризовать не пойдет.
这就是我们正在谈论的问题。
研究人员选择了一个没有明显趋势的时期,这就是为什么结果很有趣。
贝叶斯回归与概率神经网络(PNN)或通用回归神经网络(GRNN)相同。如果你不喜欢正态误差分布,你可以使用任何其他距离函数来代替指数核,例如exp(-|distance|),exp(-distance^n),等等。结果不会有太大变化。一个快速递减的距离函数会给过去较近的事件以较高的权重。我涉足了这个网络及其变体。作为一种回归,它不是特别合适。但作为一个分类器,它是更好的,但它在市场上的使用结果仍然不比其他工具或硬币翻转好。在4号的论坛上查一下。人们在他们的时间里一直在那里讨论它。
尤其不要相信大学里关于市场交易 的文章。这些文章大多是学生为了满足博士生的要求(3-4篇论文+论文)而写的。这也适用于科学:数百万的学生文章,而价值为零。相信在这些行业工作的人。任何有经验的交易员都比麻省理工学院的教授知道得多。
从这里: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
由于误差的正态性假设,我质疑这种方法对金融市场的适用性。
此外,在任何模型中,如果依赖性只被估计为超平面,就有可能遗漏非线性边缘,这可能使模型有利可图。
你认为哪种误差假设可能适合于金融市场?
"由于误差的正态性假设,我质疑这种方法对金融市场的适用性。"
金融市场卖出和买入。错误会发生,这很正常。
// 对报价的评论进行双重处理
)
因此,对原帖的解释是不同的。
任何数学处理或对报价的任何其他解释都是一样的,不应该这样做!
"由于误差的正态性假设,我质疑这种方法对金融市场的适用性。"
金融市场卖出和买入。错误发生了,这 没有关系。
// 对报价的评论进行双重处理
)
因此,对原帖的解释是不同的。
任何数学处理或对报价的任何其他解释都是一样的,不应该这样做!
是的!这就是这里的那种家庭式解释。
但我仍然想知道谁会先抽到结果
没有人愿意。
人们应该使用一种误差分布密度不重要的方法。非参数方法。
我在实验中根本不做回归和价格值(或其变换),我预测的是符号,但你可以说,这也是价格信息的一部分。
我的错误看起来是这样的。
0 1
0 0,58 0,42
1 0,43 0,57
或者说,大致上是按照最初的写法。
1 - 真实,0 - 错误:1, 1, 1, 0, 0, 0, 1 , 1, 1, 0, 1
而产生的概率分布应该尽可能地与0.5 / 0.5不同。
如果我们获得这种结果的相互不敏感性,我们将得出二项分布,对于它有很多很多的公式和统计测试。
但如果我打算为价格建立某种回归模型,关于PDF形式的错误的假设不应该影响我。
UPD: https://en.wikipedia.org/wiki/Errors_and_residuals
https://en.wikipedia.org/wiki/Robust_statistics
我们根本不知道外汇的误差分布。从形式上看--严格来说--误差是建模值与在基因群体上获得的模型值之间的差异,即纯理论值。残差是在现有样本上的模型值与模型值的区别上得到的,但它们也很难是正常的,因为金融时间序列(更确切地说,它们的回报)不是正常的(!),是厚重的线条 和峰值,而对这样一个厚重的线条和峰值的序列 进行建模是非常困难的。
我甚至还为每小时的增量推导出原始分布(绿松石=))和具有相同平均数和SD参数的正常分布。正如你所看到的,这远远不是正常的。而正态性检验远远没有通过。
依靠误差的正态性的方法是经典的,来自20世纪的方法,如线性回归和方差分析。但我们可以没有他们。
阅读维基)。