引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 30

新评论
 
faa1947:

残差分析的自相关和概率密度函数的类型。 当然，还有R^2。原则上，这些都是常见的时间序列预测技术。

这只是一个开始，在被普遍接受的意义上，并不完整。这里 显示的是完整的，尽管这只是一个使用的例子。三组分析：系数、残差和稳定性。如果你能调和这些矛盾，你可能会得到一个估计，这总是一个预测误差，因为目标是预测，其他都是中间的结果。

是的，我不认为我曾经做过全面的学术研究。工作中通常时间和精力不足，所以我走的是较短的路线：建立几个（2个或更多）预测模型并做残差分析，然后根据对残差系列的准确性和质量的平衡评估选择一个模型。我同意，如果有时间，人们可以深入研究预测器的可靠性估计。

顺便说一下，对预测器准确性和稳定性的一个很好的、成本相对较低的测试是交叉验证，即多次选择训练期和验证期，以便最终将整个原始序列分解成小段，每段都包括在验证样本中。

 
alexeymosc:

是的，我不认为我曾经做过全面的学术研究。通常在我的工作中，时间和精力都很短缺，所以我采取较短的路线：建立几个（2个或更多）预测模型并做残差分析，然后根据对残差系列的准确性和质量的平衡估计，选择一个模型。我同意，如果有时间，人们可以深入研究预测器的可靠性估计。

顺便说一下，对于预测器的准确性和稳定性，一个很好的、成本相对较低的测试是交叉验证，即多次选择训练期和验证期，这样，最终整个原始序列被分成小段，每段都被纳入验证样本。

很长时间以来，我一直在给出以下建议，这是从我自己的经验中得来的。大约三十年来，尤其是现在，掌握一个学科领域最有效的方法是参加一个专注于该学科领域的现成的软件包。我提到了EViews，但它并不是唯一的软件包。只是在我们的大学里，这套教材被用于教学。通过使用该软件包，你将获得。

大量的功能和经数百万用户验证的专业方案

分析计划

分析的完整性

所用的算法来自于参考文献。

在获得了经验和展望之后，你就可以继续进行一些强化工作。但这些改进将基于对主题领域的系统性知识，你不会想到像上面一些人那样把彼得斯或像托勒密那样的人找来。

 
faa1947:

很长时间以来，我一直在给出以下建议，这是从我自己的经验中来之不易的。大约三十年来，尤其是现在，学习一个学科领域最有效的方法是参加一个专注于该学科领域的现成的软件包。我提到了EViews，但它不是唯一的软件包。只是在我们的大学里，这套教材被用于教学。使用该套餐，你会得到。

为数以百万计的用户提供大量的功能和测试的专门程序

一个分析框架

分析的完整性

所用算法的参考文献清单。

在获得经验和展望之后，你就可以继续进行任何改进。但这些改进将基于对主题领域的系统性知识，你不会想到像上面一些人那样把彼得斯或其他像托勒密那样的人请来。


对不起，但主要的是正确的问题陈述和结论。例如，与"指标的诊断"有关的文章中所写的内容，以及根据残留物得出的指标是否有用的结论等等。- 是不正确的（imha）。就像指标必须对整个系列进行预测或完全有用一样，这不是真的。你不需要一直预测价格来获得利润，只需要在相对罕见的时刻预测。在某种意义上的预测，因为它不是单一的价格变化，而是系统的稳健性和对过去统计数据的重复。而且，进行预测的不是指标，而只是整个系统。

P.S. 这篇文章仍然有用，谢谢 :)

 
Avals:


例如，你在文章中写到的关于 "指标诊断"和基于残差得出的指标是否有用的结论，等等。- 是不正确的（imha）。也不是说该指标应该在整个范围内预测或完全有用。

我同意，这篇文章写得有些犹豫，因为它的目的是在总体上展示这个方法，可以说是整个方法论。

你不需要一直进行价格预测来获取利润，只需要在相对罕见的时刻进行预测。

我一点也不同意。任何TS总是预测的，不管它是否承认。有了周期性的分析，就可以为未来 做出决定： 持仓、退出、不进入市场或留在市场中。这些决定是基于对未来市场行为的预测。

预测的不是单一的价格变化，而是系统的稳健性。

稳健性不是预测出来的，而是构建出来的，而构建的结果是通过预测误差来评估的--如果误差方差接近常数，系统将是稳定的。

而且，预测的不是指标，而只是整个系统。

自然而然。这篇文章假设系统由一个单一的指标组成。即使这样简化，这篇文章也变得过于复杂。

如果你想详细讨论这篇文章，我建议转移到适当的话题，也许其他人会加入。这个主题毕竟有一个不同的主题。

 
faa1947:

没有必要不断地预测价格来赚取利润，只有在相对罕见的情况下才有可能。

完全不同意。任何TS总是预测，不管它承认与否。通过对TS的周期性分析，可以为未来 做出决定： 持仓、退出、不入市或入市。这些决定是基于对未来市场行为的预测。


不是不需要预测，而是不需要连续 预测 :)只有在离散的时刻，在整个系列上检查指标的残差，实际上是测试其连续预测系列的能力
faa1947:

预测的不是单一的价格变化，而是系统的稳健性

稳健性不是预测出来的，而是构建出来的，而构建的结果是通过预测误差来评估的--如果误差方差接近常数，那么系统将是稳定的。

单个交易的结果并不重要，对许多交易的统计才是重要的。它必须至少部分地对应于背面测试的有利统计数据。因此，当你把钱交给系统管理时，赌注正是在此--我们有利的统计数据将保持（有系统的方法）。而这就是稳健性
 
alexeymosc:

有可能是这样的。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，它们都是一个有区别的价格系列。

这很容易验证，不需要语言学上的争论:)。顺便说一下，你可以尝试在这个论坛上找到相关信息。

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被计入结果图中，这样熵就会减少。

再次强调：效果的强弱取决于TF，但在随机点上产生的H1会不会与在有实际回报的点上产生的H1相似？

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。


我从一开始就假设该技术能感知所有的依赖关系，包括对预测有用和无用。关于波动性，这里有明确的证据来支持这样的假设。也就是说，你的那些 "信息量大 "的滞后期可以简单地被这种无用的预测信息所堵塞住。

我想我在这个问题上的时间要么已经结束，要么还没有到来 :)。可能是时候让喷泉休息一下了:)。

 
Candid:


我从一开始就假定，该方法能感觉到任何依赖关系，包括适合预测的和无用的依赖关系。至于波动性，这里有一些证据可以支持这样的假设。也就是说，你的那些 "信息量大 "的滞后期可以简单地被这种无用的预测信息所堵塞住。

我也很好地意识到了这一点。这个问题已经变得更加复杂，达到了寻找价格变化迹象 的信息性标志的程度。而如果事实证明，在日内时间框架上，所需的信息滞后期是周期性的（我怀疑它们是），那么它们关于零条上价格运动方向的总信息将非常小。

这一点我将会检查。接下来会有：尝试调查日线，可能周线在统计学上仍然是可靠的。但如果信息滞后在那里也是循环的，唉，我想只用滞后的想法是行不通的。然后你可以试试指标。

顺便说一句，我从一开始就这样计划。但在我测试之前，喷泉是不会消失的。

"所以你的这些 "信息量大 "的滞后可能只是被这种无用的预测信息所堵塞。"

而且你说的 "无用的信息 "是什么意思？好吧，波动性不是我们的朋友。还有噪音成分。我认为你很早就决定废止这个方法。一个人必须知道如何使用任何工具，我还在学习，所以这里的水比卡路里多。

我已经建议过了：公布任何指标和它所指示的目标。一个条件是，它应该是由Echel中的公式组成的，而且应该有可能对其参数进行调整。目标也应该是具体的，例如，价格将在最多6个柱子中下降，或者价格将超过当前价格 10个点。我将运行数据并给你一套信息熵方面的最佳指标参数。

 
Avals:
实际上，它应该至少部分符合对我们有利的回测统计数据。
希望 "有利 "或对这种 "有利 "有一个数字表达。上面我说出了其中一个估计值--预测误差的方差变化不应超过5%。但这并不是对一个强大系统的唯一要求。而后面的测试只给人希望，它不会改变。
 
faa1947:
希望 "有利 "或对这种 "有利 "有一个数字表达。上面我说出了其中一个计算值--预测误差的方差变化不应超过5%。但这并不是对一个强大系统的唯一要求。而后面的测试只给人希望，它不会改变。


是的，有一些评估稳健性的方法。

应用于该主题和你的文章：将整个价格序列带入具有正MO的静止形式的方法是创建一个有利可图的、强大的反转系统，并一直在市场中。这也适用于区分真实系列和随机游走的方式。事实上，这就是能通过你的测试的指标，将真实系列与SB区分开来的标准就是这个系统的算法。因此，认为随机抽取的指标或相互信息法是市场报价的这样一种算法是天真的。这只能是纯粹的偶然发生。

 
faa1947:

计量经济学中没有考虑 有效市场理论。它所有的假设都是基于市场没有效率这一事实。计量经济学并不包括马科维茨和他的辩护人以及他们的有效投资组合。计量经济学已经存在了100多年，它从来没有被彼得斯、曼德布罗特和其他人推翻过，因为它最初是基于市场非平稳的 假设。

它是计量经济学，它证明了向前一步的预测是正确的，并显示了向前几步的预测致命的恶化的原因。


问题是，宏观指标可以定期改变其权重等......+可用于全面分析的时间短......。

我当然会同意--相位必须存在于分析中......

1...232425262728293031323334353637...74
新评论