Cтраница 2
Комплексная количественная оценка влияния различных факторов на эффективность ОПЗ вызывает значительные трудности. Решение такого типа задач методами параметрической статистики требует большого статистического материала, и на практике они оказались недостаточно эффективными. [16]
Однако при решении конкретных задач структура плотности Р ( х, у) неизвестна. Таким образом, успех применения методов параметрической статистики оказывается основанным на вере в то, что используемая гипотетическая структура плотности соответствует истинной. [17]
Среднеквадратичная ошибка ( СКО) равна квадратному корню из суммы квадратов индивидуальных ошибок. Так же, как и стандартное отклонение ошибок, СКО совместима с параметрической статистикой. [18]
В рамках параметрического подхода задача восстановления плотности вероятностей сводится к задаче восстановления значений тех неизвестных параметров и, от которых зависит плотность вероятностей. При решении прикладных задач методами математической статистики исследователя чаще всего интересуют именно значения восстанавливаемых параметров, а не сама плотность вероятностей, поэтому методам параметрической статистики будет уделено наибольшее внимание. [19]
Как отмечалось в главе II, этот путь минимизации риска (6.1), вообще говоря, не является рациональным - задача восстановления плотности более трудная, чем минимизация среднего риска. И лишь когда об искомой плотности Р ( я, у) имеется настолько большая априорная информация, что функция Р ( х9 у) может быть задана с точностью до параметров, такой путь оказывается приемлемым. Разработанные для этого случая методы параметрической статистики и были использованы в предыдущих главах. [20]
Рассмотрению методов минимизации риска, основанных на использовании механизма равномерной сходимости, посвящены главы VI - X. Однако, прежде чем перейти к систематическому изучению этого механизма, мы рассмотрим классические методы минимизации риска, основанные на идее минимизации функционала, построенного с помощью восстановленной плотности. Как уже указывалось выше, в том исключительном случае, когда плотность известна с точностью до параметров, задача восстановления может оказаться устойчивой, и ее решение, а вместе с ней и решение задачи восстановления зависимостей по эмпирическим данным, может быть успешно проведено методами параметрической статистики. В главе III мы рассмотрим применение методов параметрической статистики к решению задачи обучения распознаванию образов, а в главах IV и V - к задаче восстановления регрессии. [21]
Рассмотрению методов минимизации риска, основанных на использовании механизма равномерной сходимости, посвящены главы VI - X. Однако, прежде чем перейти к систематическому изучению этого механизма, мы рассмотрим классические методы минимизации риска, основанные на идее минимизации функционала, построенного с помощью восстановленной плотности. Как уже указывалось выше, в том исключительном случае, когда плотность известна с точностью до параметров, задача восстановления может оказаться устойчивой, и ее решение, а вместе с ней и решение задачи восстановления зависимостей по эмпирическим данным, может быть успешно проведено методами параметрической статистики. В главе III мы рассмотрим применение методов параметрической статистики к решению задачи обучения распознаванию образов, а в главах IV и V - к задаче восстановления регрессии. [22]
Она равна среднему арифметическому отдельных ошибок по положению, взятых без учета их знака. Она отражает как переменную ошибку, так и постоянную ошибку по положению. Распределение этой меры имеет У-образную форму, поэтому она менее подходит для тестов параметрической статистики, чем постоянная ошибка по положению. [23]
Вы, вероятно, потерпите неудачу, если будете использовать одни и те же методы вычислений как для дискретных, так и для непрерывных переменных. Нужно сначала определить тип переменных, а затем выбрать соответствующий метод. Это происходит потому, что методы - работы с непрерывными переменными обычно основаны на параметрической статистике, но вопрос выбора подходящих параметрических семейств относится к разряду довольно сложных. [24]
Она равна среднему арифметическому отдельных ошибок по положению, взятых без учета их знака. Она отражает как переменную ошибку, так и постоянную ошибку по положению. Распределение этой меры имеет / - образную форму, поэтому она менее подходит для тестов параметрической статистики, чем постоянная ошибка цо положению. [25]
В начале 1980 - х годов на рынок пришли системы черные ящики, стоимостью по 3000 долларов, стохастики, RSI, индексы настроения рынка и так далее. Затем Trade Station и другие разработчики подобных программ предложили интересный проект для новых трейдеров, создав автоматическую систему, которая обеспечивает возможность проведения тестов на исторических данных и построения кривой, показывающей результаты таких исследований. Механические системы воспринялись с воодушевлением: они были популярны, но невыгодны. Трейдеры потерпели неудачу потому, что Рыночный Профиль использует параметрическую статистику, основанную на предположении о случайности рынка. [26]