贝叶斯回归 - 有没有人用这种算法做了一个EA？ - 页 42

[Vladimir]

Alexey Burnakov:

在R中进行简要的分布分析。

我们从现有的时钟柱开盘价增量中估计出正态分布的参数，并绘制出比较原始系列和具有相同分布的正态系列的频率和密度。你甚至可以用眼睛看到，原来一系列的小时条的增量远远不是正常的。

顺便说一句，我们不是在上帝的殿堂里。相信是没有必要的，甚至是有害的。

把函数F(x)=a*exp(-b*|x|^p)写入你的分布中。p=2将给出一个正态分布。当你知道p的真实值时，将回归误差平方之和的最小化替换为|error|^p之和。我以前在这个主题中展示过输出。如果你认为最小化误差|^p之和会比最小化误差^2之和给你带来更好的预测精度，那么就去实现它吧。

[Vladimir Suslov]

Alexey Burnakov:

首先，我希望在 "信徒 "的眼中看到一丝理解。然后，是的，如果有必要，可以转换。粗大的尾巴是否能被转化是一个问题。它们可以对质量产生很大的影响。

我怕重复自己的说法，但转换粗尾巴不是问题。

你认为这将影响什么样的质量？

https://www.mql5.com/ru/forum/72329/page14#comment_2253485

[СанСаныч Фоменко]

Alexey Burnakov:

这是同一件事!增量变成了+或-符号。而你可以提前一小时拿着这样的牌子进行增量。

问题是什么？

我有一个分类模型：学习买、卖。通过巧合/非巧合的方向正确性评估模型

一个增量，例如大于零，不一定是买，因为增量有一个置信区间。而评价是一个错误，例如MAE

[СанСаныч Фоменко]

Vladimir:
把函数F(x)=a*exp(-b*|x|^p)写入你的分布中。p=2将给出一个正态分布。

这种想法简直是革命性的。在 这个网站上，它被简明扼要地阐述了。近似于正常是很有可能的，但要....

[Vladimir]

СанСаныч Фоменко:
这个想法简直是革命性的。它在网站上被搁置在这里。接近正常是很有可能的，但要....

如果事先知道系列偏差的分布是静态的，你也可以用Box Cox来做。我认为这里的人被两件重要的事情所迷惑：回归误差的分布和输入序列本身的分布。RMS回归并不关心输入是如何分布的。主要的假设是，模型拟合误差的分布必须是正常的。同样，如果你不喜欢具有正常误差要求的RMS回归，那么就使用具有 "非正常 "误差|error|^p的一般回归。

[СанСаныч Фоменко]

Vladimir:
如果事先知道系列偏差的分布是静态的，你也可以使用Box Cox。我认为人们在这里混淆了两个重要的东西：回归误差的分布和输入序列本身的分布。RMS回归并不关心输入是如何分布的。主要的假设是，模型拟合误差的分布必须是正常的。同样，如果你不喜欢具有正常误差要求的RMS回归，那么就使用具有 "非正常 "误差|error|^p的一般回归。

出于某种原因，我完全相信，输入变量的静止性要求对于决定回归分析 在原则上的适用性至关重要。ARMA的整个理念是建立在对输入变量的静止性的讨论上，其非静止性通过ARIMA模型中的分化转化为静止的形式。在这一切中，证明时间序列本身的静止性属性存在着严重的困难。

至于回归拟合误差，这来自于静止性的范畴。虽然对时间序列进行微分可以实际地消除平均值的变异性，但方差的变异性则由ARCH工具来处理。

它是如此详细，因为绝对不清楚成千上万的非常有能力的人怎么会找不到这样一个简单的手段来对付时间序列的非平稳性，结果发现有一个RMS回归，它解决了所有的平稳性问题，这些问题大约从70年代中期开始研究。

[Дмитрий]

СанСаныч Фоменко:

出于某种原因，我完全相信，输入变量的静止性要求对于决定回归分析原则上是否适用至关重要。

非稳态数据不能被时间序列 模型所预测。既没有统计模型（回归、自回归、平滑等），也没有结构模型（NS、分类、马尔科夫链等）。

只有学科领域模式

[Alexey Burnakov]

Vladimir:
把函数F(x)=a*exp(-b*|x|^p)写入你的分布中。p=2将给出一个正态分布。当你知道p的真实值时，将回归误差平方之和的最小化替换为|error|^p之和。我以前在这个主题中展示过输出。如果你认为最小化误差|^p之和会比最小化误差^2之和给你带来更好的预测精度，那么就去实现它吧。

也许我会尝试转换。谢谢

[Dmitry Fedoseev]

СанСаныч Фоменко:

出于某种原因，我完全相信，输入变量的静止性要求对于决定回归分析在原则上的适用性至关重要。ARMA的整个理念是建立在对输入变量的静止性的讨论上，其非静止性通过ARIMA模型中的分化转化为静止的形式。在这一切中，证明时间序列本身的静止性属性存在着严重的困难。

至于回归拟合误差，这来自于静止性的范畴。虽然对时间序列进行微分可以实际地消除平均值的变异性，但方差的变异性则由ARCH工具来处理。

它是如此详细，因为不清楚成千上万的非常有能力的人怎么会找不到这样一个简单的手段来对付时间序列的非平稳性，结果发现有一个RMS回归，它解决了所有与平稳性有关的问题，大约从70年代中期开始研究。

请最后解释一下（有人，或者最好是一次）你所谓的静止性，你是如何理解它的？

[Дмитрий]

Dmitry Fedoseev:
请最后解释一下（有人，或者最好是一次）你所谓的静止性，你是如何理解它的？

静止性是一个过程不随时间改变其特征的属性。