引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 2 123456789...74 新评论 СанСаныч Фоменко 2011.09.03 12:50 #11 alexeymosc: 首先，周期性不是在日线图上，而是在小时图上！这是不可能的。顺便说一下，我在那里写过。 而对于日线图来说，其结果不会是周期性的，你是对的。 请原谅，我们重复一下小时图。 原图为120小时。 我在图中没有看到周期性，趋势是存在的。让我们检查一下是否正常。 在烤肉啤酒上，这一点都不正常。检查ACF。 有趋势而无周期性--结果不同。 如果有一个趋势，就没有必要做统计分析。让我们用同样的Hodrick进行解读。 残余的是白噪声。看看其中的循环。 当然有波浪，但它并不坚实，与你的相比，一点也不美丽。我认为整个区别在于去趋势化。如果不去除去势的成分，就不可能进行统计。 Alexey Burnakov 2011.09.03 13:10 #12 你正在做你自己的事情。与我的工作完全没有联系 )))让我们从我用一系列增量工作的事实开始。然后，如果你把这个系列的值进行调制（即正负值）并建立一个自回归图，我打赌你会得到一个周期为24的漂亮的周期性。这在逻辑上更接近于我的业务。 Alexey Burnakov 2011.09.03 13:16 #13 昨天我在Hubra的一篇文章中加入了关于信息理论的摘录。它可能有助于理解寻找重要变量的过程。 СанСаныч Фоменко 2011.09.03 13:38 #14 alexeymosc: 你在做你自己的事情。与我正在做的事情一点关系都没有 )))让我们从我用一些增量工作的事实开始。然后，如果你把这个系列的值进行模数化（也就是正负值）并建立一个自回归图，我打赌你会得到一个周期为24的漂亮的周期性。这在逻辑上更接近于我的业务。随你怎么说。我计算的增量是每一个连续的增量与前一个增量之差。我得到一个图表。 对于这些增量，我计算了ACF 请注意最后一栏是条形图之间没有相关性的概率。 我取增量的平方。这里是图表。 这些都是波动的峰值，增量的周期性与之有什么关系？也许是波动的周期性？这也很有意思。让我们检查一下增殖的周期性。 那么，这里没有周期性，注意最后一栏--没有相关性的概率极高。 还有两个数字很有意思。让我们检查一下增量的正常性。 请注意，根据Jarque-Bera的说法，正态性的概率等于零! 这是一种什么样的分布？我希望它是正常的。我一直认为用增量来工作的想法是值得怀疑的，因为增量是后来者与前者的区别。 最后。由于某些原因，我无法得到你的结果。 Sceptic Philozoff 2011.09.03 13:46 #15 faa1947，你的计算与话题发起人所说的平均信息流 毫无关系。你是在处理过去5天的数据，而阿列克谢的 图表是 处理十几年来的手表数据的结果。阿列克谢的 是一个统计数字，而你的是一个单独的、孤立的案例，在讨论的背景下证明不了什么。 专题讨论会所显示的周期性与波动性或回报没有直接关系。这不是一个价格周期，而是 一个in-forma-tsion-na-na。 横轴上是滞后，纵轴上是平均相互信息，单位是比特。而自回归图是阿列克谢 为了迷惑大家而提到的:)这不是回报率的自相关！这不是回报率的自相关。我们根本不谈这个问题，因为这些信息的依赖性在大多数情况下显然是非线性的，而且它们根本无法被ACF回报所检测到。 你仔细阅读了关于hubra的文章吗？它与你所喜爱的静止性无关，也与回报流的正常性无关，甚至与波动的条件周期性也无关。当然，在这里检查静止性也是很好的，但从信息上来说，这将是一个非常不同的类型（如果有的话）。 2 阿瓦尔斯： 我恐怕找不到深入的tick历史，无法直接测试你的波动性假设。是的，而且这里的计算在数量上将是完全疯狂的（它们已经相当庞大了）。我们将通过直接预测的尝试来判断所发现的情况（当然，如果它能成功的话；有很多很多的陷阱）。 СанСаныч Фоменко 2011.09.03 15:05 #16 Mathemat: 阿列克谢的 是一个统计数字，而你的是一个单独的、孤立的案例，在讨论的背景下证明不了什么。 我只想指出，当观察值的数量超过30个时，t统计数字会收敛为z统计数字。对我来说，10000次观察就一定比1000次好，这是个大新闻。为了揭示每小时数据的每周周期性--你需要几周的时间。但这是题外话了。 主题启动器显示的周期性与波动性或回报率无关。这根本不是一个价格周期，而是 一个in-form-ma-tsion-na-na。 更重要的是该方法的方法论 价值。对我来说，任何数学计算都必须有一个定性的经济解释，这是不言自明的。信息周期性是一些揭示数据周期性的公式，它本身就是一种递增关系。回去后，我们必须能够回到原来的时间序列，找到这些地方，并找到经济解释，也就是说，回到价格是必须的，否则只是另一种数学上的聪明。这就是为什么我把这个话题与常规周期联系起来。 СанСаныч Фоменко 2011.09.03 15:28 #17 Mathemat: 这不是回报率的自相关！这是不可能的。我们根本不谈这个问题，因为这些信息的依赖性在大多数情况下显然是非线性的，根本无法通过ACF回报来检测。实际上，在文章的结尾处应用了数学统计的通常方法。 我弥补了我的误解，并采取了邻近的价格比例。 价格比的图表。 检查是否正常 令人惊讶的是，常态性被严格拒绝。 我们绘制ACF--它是滞后期之间的依赖关系+从ACF的依赖关系中清理出来的部分ACF 注意最后一栏--没有依赖关系的概率非常高。 我对这些图片有明确的经济解释，有报价表的支持。在最初的报价上是如何确认的，经济理由是什么？没有这些问题的答案，我就无法理解 "信息依赖 "的含义。 Alexey Burnakov 2011.09.03 16:11 #18 对你来说，最简单的答案是。你使用的是自相关，也就是说，你只是在寻找线性依赖关系。相互信息表明存在任意的 依赖关系，这就是所有的差异来自于此。另外，我用统计学上冗余的几千和几万个增量的样本进行了实验，而你用了一个星期。那一周可能是任何事情，这是一个特殊的情况。你的结果没有任何意义。 Sceptic Philozoff 2011.09.03 16:37 #19 faa1947: 信息化的周期性是指在数据中揭示周期性的一些公式，它本身就是一种递增的关系。 从根本上说是错误的。在数据中不存在任何周期性的问题，如递增关系。 信息的依赖性被揭示出来，这根本不需要导致增量比率的周期性。这就是数据挖掘的特点，它使识别不在表面的结构成为可能。 回到过去，我们必须能够回到最初的时间序列，找到那些位置，并找到一个经济解释，也就是说，回到价格是必须的，否则只是另一种数学上的巧妙做法。这就是为什么我把这个话题与常规周期联系起来。 是的，他们应该，我没有争论。 不一定要有经济解释。这足以让我们回到价格上。但你把这种现象与正常周期联系起来是错误的。我不至于盲目到没有注意到图表上缺乏明显的周期性。 阿列克谢 已经告诉你线性和非线性依赖之间的区别。 СанСаныч Фоменко 2011.09.03 16:57 #20 alexeymosc: 对你来说，最简单的答案。你使用的是自相关，也就是说，你完全是在寻找线性的依赖关系。相互信息表明存在任意种类 的依赖关系，因此所有的差异都是如此。另外，我用几千和几万个增量的统计学上的冗余样本进行了实验，而你用了一个星期。那一周可能是任何事情，这是一个特殊的情况。你的结果没有任何意义。 另外，我是用几千和几万个增量的统计学上的冗余样本做实验，而你用了一个星期。那一周可能是任何事情，这是一个特殊的情况。你的结果没有任何意义。 在我看来，只有 在概率收敛于正态法的极限定理中，增加样本量才有意义。我想让你失望的是，如果我们不给自己设定这样一个目标，那么简单地增加样本量就没有任何作用。下面我给出一个增加10倍的样本。 作为下一个价格与前一个价格的比率的增量图。 这个图形的平方。 该图与你的有些相似。我有一个关于这个图的经济解释的问题，但你没有给出答案 下一步。 如果你与一个小10倍的样本进行比较，没有任何变化 这里有一些新的东西：没有关系的概率是零。 相互信息表明存在任意种类 的依赖关系，因此所有的差异都是如此。 我也会对 "线性 "和 "非线性 "保持谨慎，因为这个问题可以而且必须放在模型的框架内，你通过这个模型对时间序列 进行近似。通过分析这个模型的系数，你可以得出结论，这些系数是：常数（或几乎是常数），确定性的函数或随机性的函数。这是一个完全具体和建设性的分析依赖关系类型的过程。 而发现这种信息依赖的建设性意义是什么？再说一遍，你在原始时间序列上是怎么看的？ 123456789...74 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
首先，周期性不是在日线图上，而是在小时图上！这是不可能的。顺便说一下，我在那里写过。
而对于日线图来说，其结果不会是周期性的，你是对的。
请原谅，我们重复一下小时图。
原图为120小时。
我在图中没有看到周期性，趋势是存在的。让我们检查一下是否正常。
在烤肉啤酒上，这一点都不正常。检查ACF。
有趋势而无周期性--结果不同。
如果有一个趋势，就没有必要做统计分析。让我们用同样的Hodrick进行解读。
残余的是白噪声。看看其中的循环。
当然有波浪，但它并不坚实，与你的相比，一点也不美丽。我认为整个区别在于去趋势化。如果不去除去势的成分，就不可能进行统计。
你在做你自己的事情。与我正在做的事情一点关系都没有 )))让我们从我用一些增量工作的事实开始。然后，如果你把这个系列的值进行模数化（也就是正负值）并建立一个自回归图，我打赌你会得到一个周期为24的漂亮的周期性。这在逻辑上更接近于我的业务。
随你怎么说。我计算的增量是每一个连续的增量与前一个增量之差。我得到一个图表。
对于这些增量，我计算了ACF
请注意最后一栏是条形图之间没有相关性的概率。
我取增量的平方。这里是图表。
这些都是波动的峰值，增量的周期性与之有什么关系？也许是波动的周期性？这也很有意思。让我们检查一下增殖的周期性。
那么，这里没有周期性，注意最后一栏--没有相关性的概率极高。
还有两个数字很有意思。让我们检查一下增量的正常性。
请注意，根据Jarque-Bera的说法，正态性的概率等于零!
这是一种什么样的分布？我希望它是正常的。我一直认为用增量来工作的想法是值得怀疑的，因为增量是后来者与前者的区别。
最后。由于某些原因，我无法得到你的结果。
faa1947，你的计算与话题发起人所说的平均信息流 毫无关系。你是在处理过去5天的数据，而阿列克谢的 图表是 处理十几年来的手表数据的结果。阿列克谢的 是一个统计数字，而你的是一个单独的、孤立的案例，在讨论的背景下证明不了什么。
专题讨论会所显示的周期性与波动性或回报没有直接关系。这不是一个价格周期，而是 一个in-forma-tsion-na-na。 横轴上是滞后，纵轴上是平均相互信息，单位是比特。而自回归图是阿列克谢 为了迷惑大家而提到的:)这不是回报率的自相关！这不是回报率的自相关。我们根本不谈这个问题，因为这些信息的依赖性在大多数情况下显然是非线性的，而且它们根本无法被ACF回报所检测到。
你仔细阅读了关于hubra的文章吗？它与你所喜爱的静止性无关，也与回报流的正常性无关，甚至与波动的条件周期性也无关。当然，在这里检查静止性也是很好的，但从信息上来说，这将是一个非常不同的类型（如果有的话）。
2 阿瓦尔斯： 我恐怕找不到深入的tick历史，无法直接测试你的波动性假设。是的，而且这里的计算在数量上将是完全疯狂的（它们已经相当庞大了）。我们将通过直接预测的尝试来判断所发现的情况（当然，如果它能成功的话；有很多很多的陷阱）。
阿列克谢的 是一个统计数字，而你的是一个单独的、孤立的案例，在讨论的背景下证明不了什么。
我只想指出，当观察值的数量超过30个时，t统计数字会收敛为z统计数字。对我来说，10000次观察就一定比1000次好，这是个大新闻。为了揭示每小时数据的每周周期性--你需要几周的时间。但这是题外话了。
主题启动器显示的周期性与波动性或回报率无关。这根本不是一个价格周期，而是 一个in-form-ma-tsion-na-na。
更重要的是该方法的方法论 价值。对我来说，任何数学计算都必须有一个定性的经济解释，这是不言自明的。信息周期性是一些揭示数据周期性的公式，它本身就是一种递增关系。回去后，我们必须能够回到原来的时间序列，找到这些地方，并找到经济解释，也就是说，回到价格是必须的，否则只是另一种数学上的聪明。这就是为什么我把这个话题与常规周期联系起来。实际上，在文章的结尾处应用了数学统计的通常方法。
我弥补了我的误解，并采取了邻近的价格比例。
价格比的图表。
检查是否正常
令人惊讶的是，常态性被严格拒绝。
我们绘制ACF--它是滞后期之间的依赖关系+从ACF的依赖关系中清理出来的部分ACF
注意最后一栏--没有依赖关系的概率非常高。
我对这些图片有明确的经济解释，有报价表的支持。在最初的报价上是如何确认的，经济理由是什么？没有这些问题的答案，我就无法理解 "信息依赖 "的含义。
从根本上说是错误的。在数据中不存在任何周期性的问题，如递增关系。
信息的依赖性被揭示出来，这根本不需要导致增量比率的周期性。这就是数据挖掘的特点，它使识别不在表面的结构成为可能。
是的，他们应该，我没有争论。 不一定要有经济解释。这足以让我们回到价格上。但你把这种现象与正常周期联系起来是错误的。我不至于盲目到没有注意到图表上缺乏明显的周期性。
阿列克谢 已经告诉你线性和非线性依赖之间的区别。
对你来说，最简单的答案。你使用的是自相关，也就是说，你完全是在寻找线性的依赖关系。相互信息表明存在任意种类 的依赖关系，因此所有的差异都是如此。另外，我用几千和几万个增量的统计学上的冗余样本进行了实验，而你用了一个星期。那一周可能是任何事情，这是一个特殊的情况。你的结果没有任何意义。
另外，我是用几千和几万个增量的统计学上的冗余样本做实验，而你用了一个星期。那一周可能是任何事情，这是一个特殊的情况。你的结果没有任何意义。
在我看来，只有 在概率收敛于正态法的极限定理中，增加样本量才有意义。我想让你失望的是，如果我们不给自己设定这样一个目标，那么简单地增加样本量就没有任何作用。下面我给出一个增加10倍的样本。
作为下一个价格与前一个价格的比率的增量图。
这个图形的平方。
该图与你的有些相似。我有一个关于这个图的经济解释的问题，但你没有给出答案
下一步。
如果你与一个小10倍的样本进行比较，没有任何变化
这里有一些新的东西：没有关系的概率是零。
相互信息表明存在任意种类 的依赖关系，因此所有的差异都是如此。
我也会对 "线性 "和 "非线性 "保持谨慎，因为这个问题可以而且必须放在模型的框架内，你通过这个模型对时间序列 进行近似。通过分析这个模型的系数，你可以得出结论，这些系数是：常数（或几乎是常数），确定性的函数或随机性的函数。这是一个完全具体和建设性的分析依赖关系类型的过程。 而发现这种信息依赖的建设性意义是什么？再说一遍，你在原始时间序列上是怎么看的？