引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 28 1...212223242526272829303132333435...74 新评论 Vasiliy Sokolov 2011.09.13 10:25 #271 Та же возвратность тоже является установленным свойством ценовых рядов 市场分布是帕雷托-列维形式的，并不意味着它们是可以返回的。根据同样的HMT，投入的非均匀性 决定了波动性的聚集，这反过来又需要增加超过正常分布的小百分比收益变化的积累。但这一切都没有说到回报。根本没有信息（外部影响），所以没有交易（市场处于平衡状态），所以没有运动，仅仅没有运动并不表明价格已经准备好回去了。 但所有这些都与主题无关。 Candid 2011.09.13 13:09 #272 C-4: 市场分布是帕雷托-列维形式的，并不意味着它们是可以返回的。根据同样的HMT，投入的非均匀性决定了波动性的聚集，这反过来又需要增加超过正常分布的小百分比收益变化的积累。但这一切都没有说到回报。根本没有信息（外部影响），所以没有交易（市场处于平衡状态），所以没有运动，仅仅没有运动并不表明价格已经准备好回去了。 但这一切都与主题无关。 可能只是需要在还原的定义上达成一致 :) Vasiliy Sokolov 2011.09.13 13:28 #273 在这种情况下，我把它理解为市场希望回到过去的价格（回归）。 回报 指的是回报，在我们的意义上也是指价格在t期的百分比变化。 回报--指的是回报 或返还，在市场的背景下，可以解释为市场希望回到过去的价格。 在提到退货时，最好使用 "退货 "一词或说 "退货"，在提到退货时，应该说是退货。 Candid 2011.09.13 14:39 #274 C-4: 在这种情况下，我把它理解为市场希望回到过去的价格（回归）。 回报 指的是回报，在我们的意义上又是指t时期的价格变化百分比。回报 指的是回报 或返回，在市场背景下，可以解释为市场希望回到过去的价格。当提到回报时，我们应该使用 "回报 "或说 "返回"，当提到返回时，我们应该说返回。 没错，回报通常指 的是希望回到过去的价格，但文字学是错的。继续和逆转只是有特定的概率（或频率，如果你愿意的话），而后者在小的时候占主导地位，这是一个众所周知的事实。 Юсуфходжа 2011.09.13 17:02 #275 有没有人想过，价格变动是否可以与高层建筑中楼层间交通繁忙的电梯相比？是否可以用 "条形"、"TF"、"趋势"、"平坦"、"水平"、"趋势 "等概念来预测升降机的位置，....？ Tantrik 2011.09.13 17:39 #276 yosuf: 有没有人想过，价格变动是否可以与高层建筑中楼层间交通繁忙的电梯相比？是否可以 用 "条形"、"TF"、"趋势"、"平坦"、"水平"、"趋势 "等概念来预测升降机的位置，....？ 很容易，通常一楼的灯都是亮着的! Sceptic Philozoff 2011.09.13 19:41 #277 faa1947: 为一个非稳态过程建立模型是没有意义的，而是采取并建立一个模型，但一直在简化问题。从一个非稳态过程中，我们提取一些部分，例如趋势，然后看看残差是什么。然后我们采取下一步行动。目的是为了得到残留物的静止过程，这样做只是为了确保预测的稳定性。 没有什么能阻止检查这个信息过程的静止性，然后一次性地应用所有的计量经济学。 Alexey Burnakov 2011.09.14 06:53 #278 Candid: C-4: 在这种情况下，我的理解是指市场希望恢复到过去的价格（回归） 。 Returns 从英文翻译为回报，在我们的意义上，同样是指t时期的价格变化百分比。Returns 从英文翻译为回报 或返回，在市场背景下，可以解释为市场希望回到以前的价格。当我们指回报时，我们应该使用 "return "或说 "returns"，但当我们指回报时，我们应该说return。 对，回报通常 意味着市场希望回到以前的价格，但语言学是错的。继续和逆转只是有特定的概率（或频率，如果你愿意的话），而后者在小的时候占主导地位，这是一个众所周知的事实。 有可能是这种情况。但当我们建立一个如下形式的回报序列：X[t]-X[t-1]，它几乎不显示。我使用了回报、增量、回报这些词，这些都是有区别的价格系列。 符号变化方向上的概率倾斜是最小的，不明显的。但是如果你计算因变量和收益率之间的条件熵，超过两个或更多的滞后期，那么所有的不均衡性都会在结果图中得到考虑，这样熵就会降低。 我试图在每小时的数据上训练NS，只取了信息量最大的滞后期（42个变量，在滞后期1、2、23、23、25、...479、480、481）。不幸的是，结果并不是很好。预测量化数的准确性--在30-40%的范围内。虽然，神经网络的不规则性能够转化为输出，但依赖性并不足以进行预测。整个问题是，自变量在滞后1、2、24....，是相互通报的。而关于零条的信息总量确实很小。我们应该认为，作为一种选择，可以采取日线和老的时间框架。 СанСаныч Фоменко 2011.09.14 07:02 #279 Mathemat: 没有什么能阻止我们检查这个信息过程的静止性，然后一气呵成地应用所有计量经济学。 我不太明白。 计量经济学是以非平稳过程为工作对象的，近似的算法在帖子里有描述。我们应该明白，非平稳性导致我们不能采取最好的指标或一组指标来获得TS和稳定的交易，因为由于非平稳性，对TS的任何估计（PF、缩减和其他）都是虚构的，将来会出现这样的商数区域，TS将卖出存款。 测量经济数据的科学--计量经济学，与其他非常值得尊敬的科学有区别，但它是一门独立的科学，并提出了一致的行动，将每个中间结果固定为一个模型，旨在得到一个静止的残差，在非静止的市场上工作时给出未来TS的稳定估计。 这里 以欧元兑美元和三个指标（直线、指数平滑、Hodrick-Prescott滤波器）为例进行说明。 伙计们，让我们用一门独立的科学来衡量经济数据，而不是试图从相邻的科学中抽出一些东西，只是因为我们懒得读计量经济学教科书。在我国，有这样的教科书可以追溯到2000年，也就是说，10多年来，大学一直在培养科学地衡量经济数据的专家，并没有受到所谓的 "信息依赖 "的废话。 总的来说，让我们生活在和平之中。 Alexey Burnakov 2011.09.14 07:19 #280 faa1947: 不太明白。 计量经济学是以非平稳过程为工作对象的，近似的算法在帖子里有描述。我们应该明白，非平稳性导致我们不能采取最好的指标或一组指标来获得TS和稳定的交易，因为由于非平稳性，对TS的任何估计（PF、缩减和其他）都是虚构的，将来会出现这样的商数区域，TS将卖出存款。 测量经济数据的科学--计量经济学，与其他非常值得尊敬的科学有区别，但它是一门独立的科学，并提出了一致的行动，将每个中间结果固定为一个模型，旨在获得一个静止的残差，在非静止的市场上工作时给出未来TS的稳定性估计。 这里 以欧元兑美元和三个指标（直线、指数平滑、Hodrick-Prescott滤波器）为例进行说明。 伙计们，让我们用一门独立的科学来衡量经济数据，而不是试图从相邻的科学中抽出一些东西，只是因为我们懒得读计量经济学教科书。在我国，从2000年起就有这样的教科书，也就是说，10多年来，大学一直在培养科学地衡量经济数据的专家，不受所谓 "信息依赖症 "的困扰。 而在一般情况下，让我们生活在友谊中。 顺便说一下，我读了你的文章。这是一篇有价值的文章，那里很好地解决了非平稳性的问题。我也同意，金融数据的非平稳性是一个真实而紧迫的问题。在我掌握神经网络的许多个月里，我尝试对初始时间序列进行不同的转换，以改善其静止性，因为NS对这种现象很敏感，学习能力不足。更确切地说，输出数据的误差密度是不均匀的，在实践中会导致强烈的缩减（然而，模型的MO一般是正的）。 我们现在只能说，我们已经在原始数据（不完全是原始数据，而是一个有区别的系列）上简单地试了一下，看看会发生什么。我决不是在贬低计量经济学的重要性，尽管我没有读过任何教科书。 当我有时间的时候，我会发布我的数据预处理版本，通过眼睛，它产生了一个更静止的系列，但我还没有做静止性测试。 1...212223242526272829303132333435...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
Та же возвратность тоже является установленным свойством ценовых рядов
市场分布是帕雷托-列维形式的，并不意味着它们是可以返回的。根据同样的HMT，投入的非均匀性 决定了波动性的聚集，这反过来又需要增加超过正常分布的小百分比收益变化的积累。但这一切都没有说到回报。根本没有信息（外部影响），所以没有交易（市场处于平衡状态），所以没有运动，仅仅没有运动并不表明价格已经准备好回去了。
但所有这些都与主题无关。
市场分布是帕雷托-列维形式的，并不意味着它们是可以返回的。根据同样的HMT，投入的非均匀性决定了波动性的聚集，这反过来又需要增加超过正常分布的小百分比收益变化的积累。但这一切都没有说到回报。根本没有信息（外部影响），所以没有交易（市场处于平衡状态），所以没有运动，仅仅没有运动并不表明价格已经准备好回去了。
但这一切都与主题无关。
在这种情况下，我把它理解为市场希望回到过去的价格（回归）。
回报 指的是回报，在我们的意义上也是指价格在t期的百分比变化。
回报--指的是回报 或返还，在市场的背景下，可以解释为市场希望回到过去的价格。
在提到退货时，最好使用 "退货 "一词或说 "退货"，在提到退货时，应该说是退货。
在这种情况下，我把它理解为市场希望回到过去的价格（回归）。
回报
指的是回报
，在我们的意义上又是指t时期的价格变化百分比。回报 指的是回报
或返回，在市场背景下，可以解释为市场希望回到过去的价格。当提到回报时，我们应该使用 "回报 "或说 "返回"，当提到返回时，我们应该说返回。
有没有人想过，价格变动是否可以与高层建筑中楼层间交通繁忙的电梯相比？是否可以 用 "条形"、"TF"、"趋势"、"平坦"、"水平"、"趋势 "等概念来预测升降机的位置，....？
很容易，通常一楼的灯都是亮着的!
在
这种情况下，我的理解是指市场希望恢复到过去的价格（回归）
Returns
为回报
，在我们的意义上，同样是指t时期的价格变化百分比。Returns 从英文翻译为回报
或返回，在市场背景下，可以解释为市场希望回到以前的价格。当我们指回报时，我们应该使用 "return "或说 "returns"，但当我们指回报时，我们应该说return。
有可能是这种情况。但当我们建立一个如下形式的回报序列：X[t]-X[t-1]，它几乎不显示。我使用了回报、增量、回报这些词，这些都是有区别的价格系列。
符号变化方向上的概率倾斜是最小的，不明显的。但是如果你计算因变量和收益率之间的条件熵，超过两个或更多的滞后期，那么所有的不均衡性都会在结果图中得到考虑，这样熵就会降低。
我试图在每小时的数据上训练NS，只取了信息量最大的滞后期（42个变量，在滞后期1、2、23、23、25、...479、480、481）。不幸的是，结果并不是很好。预测量化数的准确性--在30-40%的范围内。虽然，神经网络的不规则性能够转化为输出，但依赖性并不足以进行预测。整个问题是，自变量在滞后1、2、24....，是相互通报的。而关于零条的信息总量确实很小。我们应该认为，作为一种选择，可以采取日线和老的时间框架。
没有什么能阻止我们检查这个信息过程的静止性，然后一气呵成地应用所有计量经济学。
我不太明白。
计量经济学是以非平稳过程为工作对象的，近似的算法在帖子里有描述。我们应该明白，非平稳性导致我们不能采取最好的指标或一组指标来获得TS和稳定的交易，因为由于非平稳性，对TS的任何估计（PF、缩减和其他）都是虚构的，将来会出现这样的商数区域，TS将卖出存款。
测量经济数据的科学--计量经济学，与其他非常值得尊敬的科学有区别，但它是一门独立的科学，并提出了一致的行动，将每个中间结果固定为一个模型，旨在得到一个静止的残差，在非静止的市场上工作时给出未来TS的稳定估计。
这里 以欧元兑美元和三个指标（直线、指数平滑、Hodrick-Prescott滤波器）为例进行说明。
伙计们，让我们用一门独立的科学来衡量经济数据，而不是试图从相邻的科学中抽出一些东西，只是因为我们懒得读计量经济学教科书。在我国，有这样的教科书可以追溯到2000年，也就是说，10多年来，大学一直在培养科学地衡量经济数据的专家，并没有受到所谓的 "信息依赖 "的废话。
总的来说，让我们生活在和平之中。
不太明白。
计量经济学是以非平稳过程为工作对象的，近似的算法在帖子里有描述。我们应该明白，非平稳性导致我们不能采取最好的指标或一组指标来获得TS和稳定的交易，因为由于非平稳性，对TS的任何估计（PF、缩减和其他）都是虚构的，将来会出现这样的商数区域，TS将卖出存款。
测量经济数据的科学--计量经济学，与其他非常值得尊敬的科学有区别，但它是一门独立的科学，并提出了一致的行动，将每个中间结果固定为一个模型，旨在获得一个静止的残差，在非静止的市场上工作时给出未来TS的稳定性估计。
这里 以欧元兑美元和三个指标（直线、指数平滑、Hodrick-Prescott滤波器）为例进行说明。
伙计们，让我们用一门独立的科学来衡量经济数据，而不是试图从相邻的科学中抽出一些东西，只是因为我们懒得读计量经济学教科书。在我国，从2000年起就有这样的教科书，也就是说，10多年来，大学一直在培养科学地衡量经济数据的专家，不受所谓 "信息依赖症 "的困扰。
而在一般情况下，让我们生活在友谊中。
顺便说一下，我读了你的文章。这是一篇有价值的文章，那里很好地解决了非平稳性的问题。我也同意，金融数据的非平稳性是一个真实而紧迫的问题。在我掌握神经网络的许多个月里，我尝试对初始时间序列进行不同的转换，以改善其静止性，因为NS对这种现象很敏感，学习能力不足。更确切地说，输出数据的误差密度是不均匀的，在实践中会导致强烈的缩减（然而，模型的MO一般是正的）。
我们现在只能说，我们已经在原始数据（不完全是原始数据，而是一个有区别的系列）上简单地试了一下，看看会发生什么。我决不是在贬低计量经济学的重要性，尽管我没有读过任何教科书。
当我有时间的时候，我会发布我的数据预处理版本，通过眼睛，它产生了一个更静止的系列，但我还没有做静止性测试。