计量经济学：书目 - 页 7

新评论
 
faa1947:

TS和DS是俄罗斯的论文发明。

问题是不同的。我的观点是：从商数中分离出确定性的部分，然后看一下残差。如果残差是静止的，我们可以推断出确定性的部分。如果不是，则从残余的....，提取确定的成分。有可能通过这种方式获得一个工作系统吗？一般情况下不是，我没有证据。但在所附的附件中认为，如果在趋势中没有磕磕碰碰，一切都会顺利进行。但对本案也提出了一些建议，以克服这一困扰。

100%同意，我为同样的课程写了一个EA，自适应时间序列预测 模型，有不稳定的波动，沿着趋势工作到最后，但在反转时暴跌，在平坦处表现得可以接受。
 
faa1947:

TS和DS是俄罗斯的论文发明。

问题是不同的。我的观点是：我们从商中提取确定的部分，然后看一下残差。如果残差是静止的，我们可以推断出确定性的部分。如果不是，那么就从残余的....，提取确定性的成分。

如果你已经提取了确定性成分并将其移除，那么显然你需要使用另一种 提取方法来从残差中提取一些东西（除非你想在输出中得到一个已知的零）。以此类推，每一步都是如此。

从这些帖子来看，这个集体并不了解什么是 "断点"。 用简单的话来说。他们已经调整了模式。在每一个新的条形图上，我们都会重新拟合，新的条形图与之前的条形图相匹配。然后，新的模型按其参数与之前的模型不一致。这意味着样本内部 的科蒂尔发生了变化，使模型参数发生了变化。 如果参数是好的，我们可以调整它们，并希望在下一栏中一切都会好起来。但有时商数会发生变化，因此必须改变函数形式。此外，中断很可能不是在一个小节的到来时被诊断出来的，而是需要几个小节，也就是说，我们转移到了损失，在这里开始了关于SL的歌曲。

这里有一个关于这个问题的附件。在我看来--这是交易中的主要问题--它是断裂的。

应用于交易的问题是，在 SL 爆炸之前，尽可能早地检测到一个断点（或不管你怎么称呼它，我更喜欢 "静止性破坏 "的说法）。但使用你附件中的方法，我们很难做到这一点，如果只是因为在一个线性模型中，我们完全没有办法确定在样本中的 哪个精确点发生断裂。而且，正如你正确指出的那样，在这个模型中，断裂几乎不会因为一个单杠的到来而被诊断出来，除非这个单杠立即让你陷入困境。

 
orb:
100%同意，我在同样的课程上写了一个专家顾问，用于预测具有不稳定波动的时间序列的适应性模型，沿着趋势工作，直到结束，但反转会丢失，在平坦处表现得可以接受。
"不要读苏联的报纸"。
 
alsu:

如果你已经提取了一个确定性的成分并将其移除，那么显然为了从剩余部分提取一些东西，你需要使用另一种提取方法（除非你想在输出中得到一个故意的零）。以此类推，每一步都是如此。

为什么是不同的呢？我不明白。在预测分支，我展示了霍德里克-普雷斯科特滤波器的多种应用。证明了它没有任何好处。我没有从这个集体中挤出任何东西。但现在我可以说，有两个问题。(1）对过滤器的抱怨，我怀疑这是右边的边缘效应，（2）与模型本身一样的问题是对所产生的预测的使用。如果这个问题没有得到解决，那么猜测平滑方法 就没有意义了。也就是说，我抛弃了MM作为解决使用预测的问题的方法。

在此基础上，我发布了一个附件和一个手册的链接。这两个职位对论坛来说都是新的，在我看来非常有前途。

应用于交易的问题是，在SL被触发之前，尽可能早地检测到kink（或不管你怎么称呼它，我更喜欢 "静止性破坏 "的说法）。但使用你附件中的方法，我们很难做到这一点，如果只是因为在一个线性模型中，我们完全没有办法确定在样本中的哪个精确点发生断裂。而且，正如你正确指出的那样，在这个模型中，几乎从来没有人因为一根钢筋的到来而诊断出扭结，除非这根钢筋立即把你逼成了一头麋鹿。

附件的想法是通过多种模型进行预测。不同的模型会在不同的点上给出扭结，由于这个原因，预测将被完善。我想是的。

 
faa1947:


为什么是另一个？我不明白。

简单的逻辑。假设我们有一个信号，想从中提取确定性的成分。当然，我们要做到最优化，即让我们使用的方法在任何情况下都不能在这个信号上得到最佳结果。这里应该指出的是，在这种情况下，我们必须引入最优性标准，通过该标准，我们将对算法参数进行约束。但由此可见，如果我们确实实现了这一目标，并从所使用的方法中挤出了一个最佳值，那么使用相同的方法和相同的最佳标准，在剩余物上必须返回零，因为否则我们就会与前一步的参数是根据最佳标准计算的这一事实相矛盾......

这里有一个牺牲品--如果我们不应用优化标准，而只是，例如，只是用静态滤波器过滤信号，那么在理论上，我们没有权利把结果称为确定性的成分。什么是决定性的？毕竟，你可以应用一堆结构相同但参数不同的过滤器，它们都会产生不同的结果。那么其中的哪一个要被视为决定性的成分呢？所有的参数集都是平等的，只要我们不引入优化标准。

(1)关于过滤器的说法，我怀疑这是对权利的边缘化影响

边缘效应在任何方法中都是不可避免的，它们是因果关系原则的结果，我们永远无法完全摆脱它们。但我们可以尝试通过平滑它们的影响来抵制它们。这需要对样本有一个先验的了解，这意味着要进行一些基本的研究。
。


和（2）与模型本身一样的问题是对所产生的预测的使用。

嗯，这完全是一首老歌））。
 
alsu:

简单的逻辑。假设我们有一个信号，想从中提取确定性的成分。当然，我们希望以最佳方式进行。

我们知道这个标准 - RMSE。因此，为了不被SE所困扰。这个标准允许我们为一个特定的样本选择平滑的参数。移位时，我们重新计算。

我们得到了一个确定性的成分，即商的一部分被一个公式所近似。往往是一个平滑的差值，等等。没有随机性的气味。但总是有一个近似的错误。而且还有另一个考虑。

原始商数是非稳态的。这个平滑的近似值被减去了。问题：非平稳性在哪里？它消失了吗？残留物是静止的吗？如果残差是静止的，我们就可以进行预测了。如果它不是静止的，我们就不能进行预测，必须通过咬住非静止性继续进行平滑处理。残留物的绝对值会减少，在第三次平滑之后，价差通常是一个点的几分之一，所以你终于可以忘记它。

 
faa1947:

简单的逻辑。假设我们有一个信号，想从中提取确定性的成分。当然，我们希望以最佳方式进行。

我们知道这个标准 - RMSE。因此，为了不被SE所困扰。这个标准允许我们为一个特定的样本选择平滑的参数。移位时，我们重新计算。

我们得到了一个确定性的成分，即商的一部分被一个公式所近似。往往是一个平滑的差值，等等。没有随机性的气味。但总是有一个近似的错误。而且还有另一个考虑。

原始商数是非稳态的。这个平滑的近似值被减去了。问题：非平稳性在哪里？它消失了吗？残留物是静止的吗？如果残差是静止的，你就可以进行预测了。如果它不是静止的，我们就不能进行预测，必须通过咬住非静止性继续进行平滑处理。考虑到残留物的绝对值减少，在第三次平滑后，价差通常为一个点左右，我们终于可以吐槽了。

最终，我们可以认为迭代程序本身就是确定确定性成分的最佳方法。最主要的是，它必须在输出端产生静止的白噪声，也就是说，不仅要去除非静止性，还要去除残差自相关，否则预测结果将是微不足道的。简而言之，这个问题在这个表述中早已为人所知，但我还没有看到它对开放性的Fora的解决方案。但即使是这样，谁能说分析窗口中的决定性成分的形式本身是静止的，也就是说，当窗口移位时，它不会改变？如果没有，那么这个预测就毫无价值。

 
alsu:

如果没有，预测就毫无价值。

理想是不可能实现的。

让我们以一个计划为例来看看。

让我们来看看一台T=10的机器。对我来说，它是10个独立变量的计算，恒定系数=0.1。

一旦计算出来，H1的拟合误差超过100点。

有什么问题呢？显然是恒定系数。

我们对10个滞后值进行回归，并计算系数。 它们不等于0.1 误差较小，但仍约为100点。

下一个问题。为什么是10个独立变量？

接下来，为什么是这些变量的线性组合？

在这一点上，我所得到的推理。

我们必须调整：系数、独立变量的数量、函数形式。

就这些吗？

不，它不是。

我们向市场提出了适应性模式的概念，但问题是，我们在市场上看到了什么，或者我们从市场上得到了什么？

如果你采取EViews，有一组测试，允许你分离出比上述更广泛的要近似的参数集。几乎完全是我在预测分支展示的这组参数。

 

这就对了。这就是剩下的一切。

Адаптировать [...] коэффициенты, кол-во независимых переменных, функциональную форму

仅仅是一件小事))
 
orb:
=）继续，继续）我没有听到很多，我不知道很多。
阅读《伊利亚-普里戈津》。你会学到很多东西。所有的动态系统中都存在着混乱。
1234567891011121314...19
新评论