苏尔托诺夫回归模型（SRM）--声称是市场的数学模型。 - 页 46

新评论
 
VladislavVG:


这并不重要。解方程的方法对解决方案没有影响，如果它存在并且是唯一的解决方案，但如果有许多可接受的解决方案，并且优素福有一个局部最小值，那么遗传学或蜜蜂会更好。对于正面的手动解决方案，只需使用测试器：遗传算法会帮助你。

有一种滑向拟合的危险--由于有这么多的参数需要变化，你需要采取更多的例子来进行优化。

还有一句话--你不知道搜索系数的样本期。如果这个时期与图上的平衡增长期相吻合，那么，唉，一切都不那么美好。

在我的例子中，如果有的话，只有一个解，而且这个解总是给出零的残差之和（MO=0），也就是说，它是有关方程的分析精确解，近似解是不可能的，尽管你是对的，它们有权利存在。但现在，随着精确解法的出现，处理近似解法将是无稽之谈。在OHLC外汇数据上还没有观察到输入数据退化的情况，即不可能解决方程。该算法没有绊住他们，所以他们是正确的。
 

现在让我们试着把下一个柱状体形成的平均价格的依赖性表达为该类型的线性函数。

F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)

对于选定的15个日线D1的历史，可以得到以下系数值。

a4 a3 a2 a1 a0 RR%。
1,17387 -0,71318 0,04476 0,27979 0,27433 0,2894








我们已经获得了关于价格变化性质的非常重要的信息。
1.当前条形图C的收盘价对未来条形图价格的形成最为重要。
2.第二个最重要的是L价格，这表明熊市相对于牛市有明显的优势。
3.那么O型的开盘价就很重要了。
4.H价格的不显著性表明，价格大幅上升的可能性不大。
结论：短期内卖出为宜。



 
yosuf:

现在让我们试着把下一个柱状体形成的平均价格的依赖性表达为该类型的线性函数。

F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)

对于选定的15个日线D1的历史，可以得到以下系数值。

a4 a3 a2 a1 a0 RR%。
1,17387 -0,71318 0,04476 0,27979 0,27433 0,2894














我完全不明白回归系数是如何估计的。

下面是最小二乘法（OLS）对EURUSD_H1的样本长度=50条。

因变量：F

方法：小组最小二乘法

日期: 12/02/12 时间: 10:26

样本：1 50

包括的时期：23

包括横截面：3

小组（非平衡）观察总数：47

F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)

系数 Std.误差 t-统计学 概率。

C(1) 0.114716 0.046286 2.478392 0.0173

C(2) -0.051038 0.156544 -0.326030 0.7460

C(3) -0.343986 0.179835 -1.912786 0.0626

C(4) 0.139395 0.190961 0.729968 0.4695

C(5) 1.163942 0.207562 5.607671 0.0000

R-squared 0.947458 平均依赖变量 1.247037

调整后的R平方 0.942454 S.D.因变量 0.002839

S.E.的回归 0.000681 Akaike信息准则 -11.64578

和平方残差 1.95E-05 施瓦兹准则 -11.44895

Log likelihood 278.6757 Hannan-Quinn criterion。 -11.57171

F-statistic 189.3409 Durbin-Watson stat 1.935322

Prob(F-statistic) 0.000000

以下是图表

下面是EURUSD_H1的最小二乘法（LOS），样本长度=2000条。

因变量：F

方法：小组最小二乘法

日期: 12/02/12 时间: 10:29

样本：1,000

包括的时期：23

包括横截面：85

小组（非平衡）观察总数：1915

F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)

系数 Std.误差 t-统计学 概率。

C(1) 0.000190 0.000729 0.260526 0.7945

C(2) 0.026179 0.029181 0.897122 0.3698

C(3) -0.020055 0.028992 -0.691745 0.4892

C(4) -0.106262 0.032127 -3.307569 0.0010

C(5) 1.099945 0.031672 34.72901 0.0000

R-squared 0.999362 平均依赖变量 1.259869

调整后的R平方 0.999361 S.D.因变量 0.031014

S.E.的回归 0.000784 Akaike信息准则 -11.46178

和平方残差 0.001174 施瓦兹准则 -11.44727

Log likelihood 10979.66 Hannan-Quinn criterion。 -11.45644

F-statistic 748391.1 Durbin-Watson stat 2.058272

Prob(F-statistic) 0.000000

在任何样本长度下，都必须计算估计系数的误差。 我们看到，在最后一次估计中，系数值=0.000190 ，skop=0.000729。不仅是系数的价值很荒谬，而且分数是面值的7倍!

对不起，优素福，但这只是另一辆自行车。任何关于回归分析的教科书都是从你这样的方程开始的。但与你不同的是，学生们知道如何评估拟合的结果--他们中的任何一个人都会告诉你，上述回归不能使用。

 
faa1947:


我完全不明白回归系数是如何估计的。

下面是最小二乘法（OLS）对EURUSD_H1的样本长度=50条。


在任何样本长度下，都有义务计算估计系数的误差。 我们看到，在最后一次估计中，系数=0.000190 sko =0.000729。不仅仅是系数的数值很可笑，而且分数是名义值的7倍！这就是所谓的 "不公平"。

请告诉我你正在研究的回归方程的类型。
 
yosuf:
请提供你所研究的回归方程的类型。


它在帖子中列出了。这里有一个副本。

F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)

对于50条，这里是系数。

F= 0.114716047564-0.0510381399594*OPEN(-1)-0.343985953799*HIGH(-1)+0.139395237588*LOW(-1)+1.16394204527*CLOSE(-1)

但这都是对这些系数的估计。 你不想明白，远非总是如此，而是总是如此，对系数的估计（它们的价值）是不可信的。这就是回归分析的 核心。

你必须回答这个问题：我们凭什么相信我们计算的系数正好有我们看到的值？

 
faa1947:


帖子中说。这里有一份副本。

F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)

对于50条，这里是系数。

F= 0.114716047564-0.0510381399594*OPEN(-1)-0.343985953799*HIGH(-1)+0.139395237588*LOW(-1)+1.16394204527*CLOSE(-1)

但这都是对这些系数的估计。 你不想明白，远非总是如此，而是总是如此，对系数的估计（它们的价值）是不可信的。这就是回归分析的核心。

我们需要回答这样一个问题：我们根据什么来相信我们计算的系数正好有我们看到的数值？

根据定义，MNC给出了有关方程的系数的最佳估计，如果你由于某种原因不喜欢这些系数，可以寻找其他方法来估计它们，或者改变方程的形式。这是调查现象和过程时的标准方法。如果用发现的ANC的回归方程提供的相对误差小于1%（在这种情况下是0.29%），那么我还想从这些系数中得到什么？你被系数的可靠性问题困住了，目前还没有设计出比ANC更可靠的确定系数的方法。尽管如此，我们必须意识到，我们所做的任何推理和结论只在有关的样本中是真实的，不能保证在样本之外，包括未来，它们仍是真实的。但是，我们在一定程度上被迫假设它们在不久的将来适用。没有什么，也没有人能够绝对肯定地预测未来。
 
yosuf:
根据定义，MNC给出了有关方程的系数的最佳估计，如果你由于某种原因不喜欢这些系数，可以寻找其他方法来估计它们，或者改变方程的形式。这是调查现象和过程时的标准方法。如果用发现的ANC的回归方程提供的相对误差小于1%（在这种情况下是0.29%），那么我还想从这些系数中得到什么？你被系数的可靠性问题困住了，目前还没有设计出比ANC更可靠的确定系数的方法。尽管如此，我们必须意识到，我们所做的任何推理和结论只在有关的样本中是真实的，不能保证在样本之外，包括未来，它们仍是真实的。但是，我们在一定程度上被迫假设它们在不久的将来适用。没有什么，也没有人能够绝对肯定地预测未来。


不知为何，你没有进入回归拟合报告。在后者中，不同的系数有不同的计算精度。最好的是3%。但也有多倍于面值的情况。

我不会在任何事情上犹豫不决。我只是做标准的回归估计。总之，我不会在没有估计的情况下给出系数值。

关于ISC。我想让你失望。跨国公司不是唯一的方法，而且它是一个有大量限制的方法。还有一些方法没有这种限制。

 
yosuf:

现在让我们试着把下一个柱状体形成的平均价格的依赖性表达为该类型的线性函数。

F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)

对于选定的15个日线D1的历史，可以得到以下系数值。


 
Demi:
那些15天的酒吧--采取的是什么日期？

数据用于D1，从16.09.12到05。10.12
 
yosuf:
数据用于D1，从16.09.12到05。10.12




))))I认为如此。

1.你的数据是不均匀的。该模型包括描述24小时价格动态的数据和描述4小时价格动态的数据。周日的数据应该被删除。每个人都会犯这个错误。

2.你必须有一个最佳的观察数量。没有精确的公式，但每个变量的观察值在5到10之间。你有四个变量和十五个观察值。该模型是不充分的。而且不要像本论坛的一位伟大专家那样--采取一个有四个变量和5000个观测值的模型！))))。

3.一旦你建立了模型，确定每个变量的偏相关系数。而你发现只有C是统计学上显著的。 建立一个只包括C的模型，C之前的系数将是正数。

由此你可以得出一个所有自回归模型的共同结论--如果价格在上升，那么它在未来继续上升的概率就会更大，反之亦然。然后你就把这个模型扔掉。

1...394041424344454647
新评论