引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 23 1...161718192021222324252627282930...74 新评论 Alexey Burnakov 2011.09.10 18:26 #221 joo:...并以何种方式组合？" 它比这更复杂。复杂得多，计算成本高。让我这样说吧：选择一组信息量大的变量很容易，去除多余的（相互有信息的）变量则比较困难；而选择成对的、三对的....首先，由于巨大的计算量，其组合影响目标变量的难度是指数级 的。 Andrey Dik 2011.09.10 18:37 #222 alexeymosc: 它比这更复杂。复杂得多，计算成本高。让我这样说吧：选择一组信息量大的变量是很容易的，而去除多余的（互为信息的）变量则比较困难；选择成对的、三对的....。变量的组合影响目标变量的难度是指数级的，首先，因为计算量巨大。 以及如何进行搜索，而不是通过蛮力？ Vasiliy Sokolov 2011.09.10 18:38 #223 非常奇怪的是，GARCH(1,1)的结果分布看起来很正常。更重要的是，这根本不可能。这种模型的一个标志是肥尾和拉长--只是为了模仿真实的市场分布。显然，得出的图表只是没有代表性，或者波动率核算的周期（P=1，Q=1）不够长，这就是为什么它显示出瘦弱的迹象。 但另一件事很有意思。 在计算图上可以清楚地看到GARCH(1,1)的影响痕迹，即在第一段有一个明显的 "关系 "扰动和所有其他数据的不确定性。这正是它应该有的样子，因为模型只记住了前一个条形图的波动率。我相信GARCH(3,3)的前三个滞后期会被清楚地标出来，GARCH(20,20)的前二十个滞后期会被标出来，等等。 我试着用MathLab战斗，获得GARCH（20，20）数据。 如果他们的分析显示了20个时期的相关性，那么事情就很清楚了--公式显示了波动性的相关性。 Alexey Burnakov 2011.09.10 18:41 #224 C-4: 我将尝试与MathLab进行斗争，获得GARCH(20, 20)数据。 如果他们的分析将显示20个时期的相关性，那么情况就很清楚了--公式显示了波动性的相关性。 它没有。我已经知道该公式考虑到了这一点......看一下5分钟图。在最接近的滞后期和滞后期288的vol的明显关系是一个日周期。如果你想，尽管去吧。我去看看。 我们试图找到 "其他依赖关系"，因为相互信息吸收了所有可能的依赖关系。我们必须能够将它们分开。 Alexey Burnakov 2011.09.10 19:27 #225 EURUSD H1. 我通过原始系列（同样通过5个量级离散化）。 相互信息之和。3.57比特!是所有测试的时间框架中的最高值。 现在让我们把回报率^ 2，去掉符号，研究波动性。 它看起来像。但I的总和=5.35比特。 有道理!毕竟，净波动率系列的不确定性比较小。 而如果你从另一个中减去一个会发生什么？ Sceptic Philozoff 2011.09.10 23:14 #226 alexeymosc: 这就是具有5分钟特征的随机数据的频率矩阵的样子（第1滞后期是目标变量）。 血腥的地狱。你的矩阵给我的印象是一个突破口和一个Logit。我在搜索引擎上查了一下，这到底是怎么回事......然后意识到这只是概率和它的对数。 P.S. Lu-u-u-dee，这些表格里的内容你都清楚吗？如果你不明白--问吧，问吧。对于愚蠢的问题，我们不会打（因为我自己在这里也是一个小笨蛋的感觉）。 这一次，有一个像样的主题，这几乎 没有幽默，冷笑话和专注于眼前的鱼而不是鱼竿 - 但有一个非常有趣的过程，寻找真理... 计量经济学 中哪里可以找到这样的问题？ СанСаныч Фоменко 2011.09.11 06:13 #227 anonymous: 的确，市场更加复杂。但这并不是忽视观察到的现象的理由 我不做关于市场的科学研究。具体目标是提前一步做出预测。 关于测试：异方差性是文献中普遍接受的事实 这是一个口号，说它在某处看到了什么。阅读这些出版物并不能让我赚更多的钱。 准确地说，异方差的测试不仅是针对使用不同公式计算的重项，而且是针对模型残差，这是计量经济学 软件包的标准。 有时，异方差检验被应用于预测因子和模型误差。 如果你说的 "模型误差 "是指模型的残差=原始报价和模型之间的差异，那么我同意。而异方差检验不是有时，而是一直在 应用。如果模型中的残差存在异方差，那么它就会被建模，总体模型的最终目标是获得一个静止的残差（莫和方差是一个常数）。如果莫和/或方差是变量--那么预测是不可能的，因为预测误差成为一个变量。 СанСаныч Фоменко 2011.09.11 06:15 #228 Mathemat:? 这一次，有一个像样的主题... 我想指出的是，所有质疑该话题体面性的帖子都被忽略了。 Avals 2011.09.11 07:01 #229 不产生基于GARCH的SB。你需要取一个真实的系列，并根据真实的波动性生成一个SB。我在这里发布了一个脚本https://forum.mql4.com/ru/41986/page10，它使用tick volumetric将真实仪器的离线历史替换成SB。这样的SB几乎100%地复制了真实的Vol。GARCH等，他们没有考虑到许多细微的差别，如不同的波浪周期和许多其他。如果SB的这一行和它所产生的一行之间有区别，那就更有意思了 :) Candid 2011.09.11 07:09 #230 alexeymosc: EURUSD H1. 我对原始系列（同样以5个量级离散化）。 我没有记错的话，这里的原始数据是百分比增量模块？ 但如果是这样的话，实际上是同一个波动率（即它的单调和不明确的功能），我们可以预期所有与波动率有关的影响也会出现在这里，尽管是以某种过滤的形式出现。而且，由于波动的影响似乎远远超过所有其他市场现象，在其背景中看到 "其他东西 "的前景看起来相当有问题。我再说一遍，我认为尝试从原始数据中持续排除已知但 "无用 "的影响是更有希望的。 顺便问一下，Alexey（Mathemat），你也有原始数据的模块吗？ 1...161718192021222324252627282930...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
...并以何种方式组合？"
它比这更复杂。复杂得多，计算成本高。让我这样说吧：选择一组信息量大的变量是很容易的，而去除多余的（互为信息的）变量则比较困难；选择成对的、三对的....。变量的组合影响目标变量的难度是指数级的，首先，因为计算量巨大。
非常奇怪的是，GARCH(1,1)的结果分布看起来很正常。更重要的是，这根本不可能。这种模型的一个标志是肥尾和拉长--只是为了模仿真实的市场分布。显然，得出的图表只是没有代表性，或者波动率核算的周期（P=1，Q=1）不够长，这就是为什么它显示出瘦弱的迹象。
但另一件事很有意思。
在计算图上可以清楚地看到GARCH(1,1)的影响痕迹，即在第一段有一个明显的 "关系 "扰动和所有其他数据的不确定性。这正是它应该有的样子，因为模型只记住了前一个条形图的波动率。我相信GARCH(3,3)的前三个滞后期会被清楚地标出来，GARCH(20,20)的前二十个滞后期会被标出来，等等。
我试着用MathLab战斗，获得GARCH（20，20）数据。 如果他们的分析显示了20个时期的相关性，那么事情就很清楚了--公式显示了波动性的相关性。
我将尝试与MathLab进行斗争，获得GARCH(20, 20)数据。 如果他们的分析将显示20个时期的相关性，那么情况就很清楚了--公式显示了波动性的相关性。
它没有。我已经知道该公式考虑到了这一点......看一下5分钟图。在最接近的滞后期和滞后期288的vol的明显关系是一个日周期。如果你想，尽管去吧。我去看看。
我们试图找到 "其他依赖关系"，因为相互信息吸收了所有可能的依赖关系。我们必须能够将它们分开。
EURUSD H1.
我通过原始系列（同样通过5个量级离散化）。
相互信息之和。3.57比特!是所有测试的时间框架中的最高值。
现在让我们把回报率^ 2，去掉符号，研究波动性。
它看起来像。但I的总和=5.35比特。
有道理!毕竟，净波动率系列的不确定性比较小。
而如果你从另一个中减去一个会发生什么？
血腥的地狱。你的矩阵给我的印象是一个突破口和一个Logit。我在搜索引擎上查了一下，这到底是怎么回事......然后意识到这只是概率和它的对数。
P.S. Lu-u-u-dee，这些表格里的内容你都清楚吗？如果你不明白--问吧，问吧。对于愚蠢的问题，我们不会打（因为我自己在这里也是一个小笨蛋的感觉）。
这一次，有一个像样的主题，这几乎 没有幽默，冷笑话和专注于眼前的鱼而不是鱼竿 - 但有一个非常有趣的过程，寻找真理...
计量经济学 中哪里可以找到这样的问题？
的确，市场更加复杂。但这并不是忽视观察到的现象的理由
我不做关于市场的科学研究。具体目标是提前一步做出预测。
关于测试：异方差性是文献中普遍接受的事实
这是一个口号，说它在某处看到了什么。阅读这些出版物并不能让我赚更多的钱。
准确地说，异方差的测试不仅是针对使用不同公式计算的重项，而且是针对模型残差，这是计量经济学 软件包的标准。
有时，异方差检验被应用于预测因子和模型误差。
如果你说的 "模型误差 "是指模型的残差=原始报价和模型之间的差异，那么我同意。而异方差检验不是有时，而是一直在 应用。如果模型中的残差存在异方差，那么它就会被建模，总体模型的最终目标是获得一个静止的残差（莫和方差是一个常数）。如果莫和/或方差是变量--那么预测是不可能的，因为预测误差成为一个变量。
这一次，有一个像样的主题...
我想指出的是，所有质疑该话题体面性的帖子都被忽略了。
EURUSD H1.
我对原始系列（同样以5个量级离散化）。
我没有记错的话，这里的原始数据是百分比增量模块？
但如果是这样的话，实际上是同一个波动率（即它的单调和不明确的功能），我们可以预期所有与波动率有关的影响也会出现在这里，尽管是以某种过滤的形式出现。而且，由于波动的影响似乎远远超过所有其他市场现象，在其背景中看到 "其他东西 "的前景看起来相当有问题。我再说一遍，我认为尝试从原始数据中持续排除已知但 "无用 "的影响是更有希望的。
顺便问一下，Alexey（Mathemat），你也有原始数据的模块吗？