检测趋势变化的蝌蚪贝叶斯模型在金融报价|开放获取期刊雷竞技app下载苹果版<gydF4y2Ba/title> <link rel="stylesheet" href="https://stackpath.bootstrapcdn.com/bootstrap/4.1.3/css/bootstrap.min.css"> <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.11.2/css/all.min.css"> <link rel="stylesheet" href="https://maxcdn.bootstrapcdn.com/bootstrap/4.5.0/css/bootstrap.min.css"> <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/4.7.0/css/font-awesome.min.css"> <link href="//www.cheescube.com/css/global.css" rel="stylesheet"> <link href="//www.cheescube.com/css/rroij_journal_styles.css" rel="stylesheet"> <link href="//www.cheescube.com/css/styles.css" rel="stylesheet"> <link href="//www.cheescube.com/css/author.css" rel="stylesheet"> <link href="https://fonts.googleapis.com/css?family=Muli" rel="stylesheet" type="text/css"> <link rel="stylesheet" type="text/css" href="//www.cheescube.com/css/main-coolautosuggest.css"> </head> <body> <ul class="social-icons hidden-xs"> <li><a href="#"><i class="fa fa-facebook"></i></a></li> <li><a href="https://twitter.com/RROIJournals"><i class="fa fa-twitter"></i></a></li> <li><a href="#"><i class="fa fa-linkedin"></i></a></li> </ul> <header> <div class="container"> <div class="row justify-content-between align-items-center my-3"> <div class="col-12 col-sm-6"> <div class="navbar-header"> <div class="media"> <a href="//www.cheescube.com/" class="align-self-center mr-3"><img src="//www.cheescube.com/images/research-reviews-logo.svg" alt="雷竞技网页版研究和评论——国际期刊雷竞技苹果下载gydF4y2Ba" title="Research & Reviews: Journal of Statistics and Mathematical Sciences"></a> <div class="media-body media-bottom"> <h4 class="media-heading">研究和评论:统计和数学雷竞技苹果下载科学杂志》上<gydF4y2Ba/h4> </div> </div> </div> </div> <div class="col-12 col-sm-auto"> <div class="d-flex align-items-center"> <div class="toggle-mnu ml-3"> <a id="menu-toggle" href="#0"><img src="//www.cheescube.com/images/menu-icon.svg" width="30px">菜单<gydF4y2Ba/a> <nav id="sidebar-wrapper"> <ul class="sidebar-nav"> <a id="menu-close" href="#" class="btn btn-light btn-lg pull-right toggle"><i class="fa fa-times"></i></a> <li class="sidebar-brand"><a href="//www.cheescube.com/" onclick="$("#menu-close").click();">雷竞技网页版</a></li> <li><a title="家gydF4y2Ba" href="//www.cheescube.com/" onclick="$("#menu-close").click();">家<gydF4y2Ba/a></li> <li><a title="雷竞技官网" href="//www.cheescube.com/about.php" onclick="$("#menu-close").click();">雷竞技官网</a></li> <li><a title="raybet56 " href="//www.cheescube.com/open-access.php" onclick="$("#menu-close").click();">raybet56 </a></li> <li class="dropdown"><a aria-expanded="false" role="button" data-toggle="dropdown" class="dropdown-toggle" href="//www.cheescube.com/open-access-journals-list.php">raybet51 </a> <ul role="menu" class="dropdown-menu pds"> <li><a title="浏览标题gydF4y2Ba" href="//www.cheescube.com/open-access-journals-list.php" onclick="$("#menu-close").click();">raybet51 </a></li> <li><a title="常见问题gydF4y2Ba" href="//www.cheescube.com/faqs.php" onclick="$("#menu-close").click();">newbee赞助雷竞技 </a>各自的杂志。<gydF4y2Ba/div> </div> </div> <div class="container full-text"> <div class="row m-t"> <div class="col-md-12 contnet-home"> <h1 style="margin-top:5px;">的蝌蚪贝叶斯模型检测金融行情的变化趋势<gydF4y2Ba/h1> <div class="col-xs-12 col-sm-9"> <strong>Krzysztof Wojciech Fornalski<gydF4y2Basup><a href="#corr">*<gydF4y2Ba/a></sup></strong> <p>波兰核能协会(PTN), Ul。Dorodna 16日03 - 195年华沙,波兰<gydF4y2Ba/p> <dl class="dl-horizontal"> <dt> *通讯作者:<gydF4y2Ba/dt> <dd> Fornalski千瓦<gydF4y2Baa id="corr" name="corr"></a> <br>波兰核能协会(PTN), Ul。Dorodna 16日03 - 195年华沙,波兰<gydF4y2Babr> <strong>电话:<gydF4y2Ba/strong>+ 48223401276<gydF4y2Babr> <strong>电子邮件:<gydF4y2Ba/strong> <a href="//www.cheescube.com/cdn-cgi/l/email-protection" class="__cf_email__" data-cfemail="a0cbd2dad9d3dad4cfc68ec6cfd2cec1ccd3cbc9e0c7cdc1c9cc8ec3cfcd">(电子邮件保护)<gydF4y2Ba/a> </dd> </dl> <p><strong>收到日期:<gydF4y2Ba/strong>10/03/2016<gydF4y2Bastrong>接受日期:<gydF4y2Ba/strong>05/05/2016<gydF4y2Bastrong>发表日期:<gydF4y2Ba/strong>10/05/2016<gydF4y2Ba/p> <p><strong>访问更多的相关文章<gydF4y2Ba/strong><a href="//www.cheescube.com/ArchiveJSMS/currentissue-statistics-and-mathematical-sciences.php" title="研究和评论:统计和数学雷竞技苹果下载科学杂志》上gydF4y2Ba">研究和评论:统计和数学雷竞技苹果下载科学杂志》上<gydF4y2Ba/a></p> </div> <div class="col-xs-12 col-sm-3"> <div class="card shadow-sm sidebar mb-3"> <div class="list-group list-group-flush qr_code_image"> <img title="QR" src="https://chart.googleapis.com/chart?chs=185x185&cht=qr&chl=https%3A%2F%2Fwww.cheescube.com%2Fopen-access%2Fthe-tadpole-bayesian-model-for-detecting-trend-changesin-financial-quotations-.php%3Faid%3D73273&chld=M|0&icqrf=00b1e4"> <nav class="nav nav-pills social-icons-footer sidebar_social_icons a-pl-0"> <a title="" target="_blank" class="nav-link" style="padding-left:2%;" href="http://www.facebook.com/sharer.php?s=100&p[title]=The Tadpole Bayesian Model for Detecting Trend Changes in Financial Quotations&p[url]=https%3A%2F%2Fwww.cheescube.com%2Fopen-access%2Fthe-tadpole-bayesian-model-for-detecting-trend-changesin-financial-quotations-.php%3Faid%3D73273"><img src="//www.cheescube.com/assets/socials/facebook.png" alt="脸谱网gydF4y2Ba"></a> <a title="" target="_blank" class="nav-link" style="padding-left:2%;" href="https://web.whatsapp.com/send?text=https%3A%2F%2Fwww.cheescube.com%2Fopen-access%2Fthe-tadpole-bayesian-model-for-detecting-trend-changesin-financial-quotations-.php%3Faid%3D73273"><img src="//www.cheescube.com/assets/socials/whatsapp.png" alt="WhatsappgydF4y2Ba"></a> <a title="" target="_blank" class="nav-link" style="padding-left:2%;" href="https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fwww.cheescube.com%2Fopen-access%2Fthe-tadpole-bayesian-model-for-detecting-trend-changesin-financial-quotations-.php%3Faid%3D73273"><img src="//www.cheescube.com/assets/socials/linkedin.png" alt="LinkedIngydF4y2Ba"></a> <a title="" target="_blank" class="nav-link" style="padding-left:2%;" href="http://twitter.com/share?text=The Tadpole Bayesian Model for Detecting Trend Changes in Financial Quotations&url=https%3A%2F%2Fwww.cheescube.com%2Fopen-access%2Fthe-tadpole-bayesian-model-for-detecting-trend-changesin-financial-quotations-.php%3Faid%3D73273"><img src="//www.cheescube.com/assets/socials/twitter.png" alt="推特gydF4y2Ba"></a> </nav> </div> </div> </div> <div class="btn-group" role="group" aria-label="..."> <a href="//www.cheescube.com/open-access/the-tadpole-bayesian-model-for-detecting-trend-changesin-financial-quotations-.pdf" title="" class="btn btn-default text-warning"><button type="button" class="btn btn-danger">查看PDF<gydF4y2Ba/button></a> <a href="//www.cheescube.com/pdfdownload.php?download=open-access/the-tadpole-bayesian-model-for-detecting-trend-changesin-financial-quotations-.pdf&aid=73273" title="" class="btn btn-default text-warning"><button type="button" class="btn btn-danger">下载<gydF4y2Ba/button></a> </div> <h2>文摘<gydF4y2Ba/h2> <p>的蝌蚪<gydF4y2Baa target="_blank" href="//www.cheescube.com/journals/model-1286.html" class="cu_a_color">模型<gydF4y2Ba/a>介绍了基于稳健贝叶斯回归方法。本文描述了数值算法检测财务报价或一般趋势变化——在时间的功能。贝叶斯算法拟合的应用使得模型对当地的波动,最后是无噪声的。算法检测到证券交易所行情的变化趋势,货币汇率,等。模型可以在线工作,这意味着它系统接收到的当前值分析报价,发现潜在的关键和函数的拐点。测试模型的历史数据涉及几十小时货币汇率和华沙证交所报价。大约60%的模型的趋势变化检测是正确的。<gydF4y2Ba/p> <h4>关键字<gydF4y2Ba/h4> <p>经济物理学、贝叶斯稳健贝叶斯回归,金融行情,股票交易所,货币。<gydF4y2Ba/p> <h4>介绍<gydF4y2Ba/h4> <p>数据来自股票交易所或货币报价的是简单的数学时间函数可以自然波动。然而,在长时间的情况下,你可以注意到一些普通的趋势,可以因为不同的一些市场信号。一般来说,一个可以增强这样一个问题的分析金融时间变化的函数。<gydF4y2Ba/p> <p>有许多随机进化算法可以预测趋势和近期的金融功能,如。<gydF4y2Baa title="1gydF4y2Ba" href="#1">1<gydF4y2Ba/a>- - - - - -<gydF4y2Baa title="6gydF4y2Ba" href="#6">6<gydF4y2Ba/a>]。然而,特性转化,通常是严格与频率概率,可以误导在接收到的数据的情况下在线。确定的方法<gydF4y2Basup><a href="#F1">1<gydF4y2Ba/a></sup>是更合适的如果可以获得更精确的趋势检测而不是随机预测。<gydF4y2Ba/p> <p>介绍了蝌蚪模型——确定性方法涉及的贝叶斯回归分析方法。算法检测到证券交易所行情的变化趋势,汇率等模型中可以在线,这意味着它系统接收到的当前值分析报价(如股价),和发现的关键函数的拐点。它可能会影响决定买进或卖出的商品。模型可以转化为计算机程序的主要算法,不断并自动进行金融交易而无需人工干预。<gydF4y2Ba/p> <p>算法决定当当地潜在的变化趋势。它建立了拟议交易的准确价值和行为本身。蝌蚪模型扩展,这样它将会执行两个功能之前提到的。<gydF4y2Ba/p> <p>蝌蚪模型应用稳健贝叶斯回归方法,这是非常有用的在当地的背景下波动的数据点。因此,只有检测到显著的变化趋势和波动都省略了。它帮助最大限度地无噪声的模型。<gydF4y2Ba/p> <p>提出了论文由以下部分组成:<gydF4y2Ba/p> <p>•健壮的贝叶斯方法——大纲的回归分析,<gydF4y2Ba/p> <p>•健壮的应用贝叶斯方法检测趋势变化的具体情况(蝌蚪模型)<gydF4y2Ba/p> <p>•结果和在实践中这种模式是如何运作的。<gydF4y2Ba/p> <h4>健壮的贝叶斯回归方法<gydF4y2Ba/h4> <p>贝叶斯定理连接的概率<gydF4y2Baem>P(模型|数据)<gydF4y2Ba/em>与<gydF4y2Baem>P(数据|模型)<gydF4y2Ba/em>,可以使用或者古典概率理论基于频率的概念。贝叶斯推理可以减少简单方程定义的后验概率<gydF4y2Baa title="7gydF4y2Ba" href="#7">7<gydF4y2Ba/a>]。<gydF4y2Ba/p> <p><em>后验概率。<gydF4y2Ba/em>=<gydF4y2Baem>似然概率。<gydF4y2Ba/em>×<gydF4y2Baem>先验概率。<gydF4y2Ba/em>(1)<gydF4y2Ba/p> <p>似然函数描述了一些模型及其参数,而之前函数描述的信仰程度参数(年代)。<gydF4y2Ba/p> <p>回归分析是全面的健壮的贝叶斯方法教科书中描述(<gydF4y2Baa title="7gydF4y2Ba" href="#7">7<gydF4y2Ba/a>和应用于<gydF4y2Baa title="8gydF4y2Ba" href="#8">8<gydF4y2Ba/a>- - - - - -<gydF4y2Baa title="13gydF4y2Ba" href="#13">13<gydF4y2Ba/a>]。最实用的和详细的介绍了应用(<gydF4y2Baa title="9gydF4y2Ba" href="#9">9<gydF4y2Ba/a>]。这样的稳健回归方法可以用于适当的曲线拟合实验数据点包含异常值(突出点创建一个噪音的数据)。这个方法是一个很好的替代最小二乘回归分析(<gydF4y2Baa title="14gydF4y2Ba" href="#14">14<gydF4y2Ba/a>]。的模范比较这两种方法都提出了<gydF4y2Bastrong>图1<gydF4y2Ba/strong>它显示了示例数据离群点。人们可以清楚地看到,离群值使最小二乘法非常误导,而贝叶斯适合处理和遵循的主要趋势。<gydF4y2Ba/p> <div class="well well-sm"> <div class="row"> <div class="col-xs-12 col-md-2"> <a onclick="openimage('//www.cheescube.com/articles-images/statistics-and-mathematical-example-2-1-117-g001.png','','scrollbars=yes,resizable=yes,width=500,height=330')" class="thumbnail"><img src="//www.cheescube.com/articles-images/statistics-and-mathematical-example-2-1-117-g001.png" class="img-responsive" alt="statistics-and-mathematical-examplegydF4y2Ba" title="statistics-and-mathematical-example"></a> </div> <div class="col-xs-12 col-md-10"> <p><strong>图1:<gydF4y2Ba/strong>稳健贝叶斯的例子(黑色实线)和最小二乘(灰色虚线)适合一些典型实验改变数据点(t, D)三个异常值(突出点)。<gydF4y2Ba/p> </div> </div> </div> <p>的后验概率的贝叶斯方法定义了每个i点(eq。1),可作为概率密度函数(PDF)正态(高斯)分布<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e001.png" class="img-responsive">(2)<gydF4y2Ba/p> <p>似然函数,L,以及之前的函数的概率σ<gydF4y2Basub>我<gydF4y2Ba/sub>Sivia[提出的,<gydF4y2Baa title="7gydF4y2Ba" href="#7">7<gydF4y2Ba/a>]:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e002.png" class="img-responsive">(3)<gydF4y2Ba/p> <p>将方程(2)和(3)到(1)和使用边缘化过程,可以现在i数据点的后验概率(<gydF4y2Baa title="7gydF4y2Ba" href="#7">7<gydF4y2Ba/a>,<gydF4y2Baa title="9gydF4y2Ba" href="#9">9<gydF4y2Ba/a>,<gydF4y2Baa title="10gydF4y2Ba" href="#10">10<gydF4y2Ba/a>]:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e003.png" class="img-responsive">(4)<gydF4y2Ba/p> <p>在高斯残差相等<我mg alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e004.png" class="img-responsive">为模型<gydF4y2Baem>米<gydF4y2Basub>我<gydF4y2Ba/sub></em>和时间数据<gydF4y2Baem>D<gydF4y2Basub>我<gydF4y2Ba/sub>(t<gydF4y2Basub>我<gydF4y2Ba/sub>)<gydF4y2Ba/em>(数据点(<gydF4y2Baem>t<gydF4y2Basub>我<gydF4y2Ba/sub>D<gydF4y2Basub>我<gydF4y2Ba/sub></em>),看到的<gydF4y2Bastrong>图1<gydF4y2Ba/strong>)和垂直的不确定性<gydF4y2Baem>σ<gydF4y2Basub>0我<gydF4y2Ba/sub></em>每一个(<gydF4y2Baa title="" href="#9"><strong>9<gydF4y2Ba/strong></a>]。之前的功能描述<gydF4y2Baem>σ<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>从情商。(3)假设<gydF4y2Baem>我<gydF4y2Ba/em>th概率分析<gydF4y2Baem>σ<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>位于原之间一个(<gydF4y2Baem>σ<gydF4y2Basub>0我<gydF4y2Ba/sub></em>)和无穷。这个过程把所有的异常值变成了无关紧要的输入完整的后验概率分布P N个点,根据最大似然估计方法,(<gydF4y2Baa title="10gydF4y2Ba" href="#10">10<gydF4y2Ba/a>),一个可以用一笔代替产品:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e005.png" class="img-responsive">(5)<gydF4y2Ba/p> <p>在哪里<gydF4y2Baem>P<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>是情商的集成的结果。(4)单点吗<gydF4y2Baem>我<gydF4y2Ba/em>。<gydF4y2Ba/p> <p>分化后的对数概率对所有拟合参数<gydF4y2Baem>α<gydF4y2Ba/em>={α<gydF4y2Basub>0<gydF4y2Ba/sub>,α<gydF4y2Basub>1<gydF4y2Ba/sub>…,α<gydF4y2Basub>n<gydF4y2Ba/sub>}的假设模型<gydF4y2Baem>米<gydF4y2Ba/em>,一个可以找到最后,贝叶斯拟合方程的一般形式:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e006.png" class="img-responsive">(6)<gydF4y2Ba/p> <p>的权重<gydF4y2Baem>g<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>点是:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e007.png" class="img-responsive">(7)<gydF4y2Ba/p> <p>方程(6)可以实现直接计算算法来找到最好的健壮的贝叶斯适合所有N实验数据点(<gydF4y2Baem>t<gydF4y2Basub>我<gydF4y2Ba/sub>D<gydF4y2Basub>我<gydF4y2Ba/sub></em>)和垂直σ0i每个不确定性(<gydF4y2Baa title="9gydF4y2Ba" href="#9">9<gydF4y2Ba/a>),就像在<gydF4y2Bastrong>图1<gydF4y2Ba/strong>。<gydF4y2Ba/p> <p>的详细计算方法,以及它的实际应用,提出了在文献[<gydF4y2Baa title="7gydF4y2Ba" href="#7">7<gydF4y2Ba/a>- - - - - -<gydF4y2Baa title="13gydF4y2Ba" href="#13">13<gydF4y2Ba/a>]。<gydF4y2Ba/p> <p>上面的算法可以推广到这种情况,只有一些贝叶斯分离群值需要健康,而大多数人只需要经典的高斯最小二乘拟合方法。适当的后验概率函数,类似eq。(4),它可以将两种方法结合到一个,可以写成(<gydF4y2Baa title="10gydF4y2Ba" href="#10">10<gydF4y2Ba/a>- - - - - -<gydF4y2Baa title="12gydF4y2Ba" href="#12">12<gydF4y2Ba/a>]:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e008.png" class="img-responsive">(8)<gydF4y2Ba/p> <p>在哪里<gydF4y2Baem>N<gydF4y2Ba/em>是正态(高斯)分布和可能性<gydF4y2Baem>β<gydF4y2Ba/em>的概率是数据<gydF4y2Baem>D<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>是一个例外。这是情商的左边的原因。(8)是一个贝叶斯分布(eq。(4))一样,右手高斯(最后在使用最小二乘方法)。这种方法被称为<gydF4y2Baem>混合分布<gydF4y2Ba/em>(<gydF4y2Baa title="15gydF4y2Ba" href="#15">15<gydF4y2Ba/a>]或<gydF4y2Baem>好的和坏的数据模型<gydF4y2Ba/em>(<gydF4y2Baa title="7gydF4y2Ba" href="#7">7<gydF4y2Ba/a>]。人能注意到<gydF4y2Baem>β<gydF4y2Ba/em>= 1(8)成为了一个贝叶斯方法回归,而为<gydF4y2Baem>β<gydF4y2Ba/em>= 0的方法成为一个经典高斯。然而,仅仅适用于混合模型<gydF4y2Baem>β<gydF4y2Ba/em>= 0.05 (<gydF4y2Baa title="16gydF4y2Ba" href="#16">16<gydF4y2Ba/a>),因为通常离群点是少数在所有实验数据(<gydF4y2Baa title="9gydF4y2Ba" href="#9">9<gydF4y2Ba/a>]。<gydF4y2Ba/p> <h4>蝌蚪模型<gydF4y2Ba/h4> <p>贝叶斯拟合方程(6)是严格与模型(曲线),称为<gydF4y2Baem>米<gydF4y2Ba/em>。一般来说,该模型<gydF4y2Baem>米<gydF4y2Ba/em>(<gydF4y2Baem>t<gydF4y2Ba/em>)是一个时间函数拟合数据点(<gydF4y2Baem>t<gydF4y2Basub>我<gydF4y2Ba/sub>D<gydF4y2Basub>我<gydF4y2Ba/sub></em>)使用eq。(6),拟合参数α={α<gydF4y2Basub>0<gydF4y2Ba/sub>,α<gydF4y2Basub>1<gydF4y2Ba/sub>…,α<gydF4y2Basub>n<gydF4y2Ba/sub>}一个可以使用简单的多项式<gydF4y2Baem>M (t)<gydF4y2Ba/em>=α<gydF4y2Basub>0<gydF4y2Ba/sub>+α<gydF4y2Basub>1<gydF4y2Ba/sub>t +…+α<gydF4y2Basub>n<gydF4y2Ba/sub>t<gydF4y2Basup>n<gydF4y2Ba/sup>。在蝌蚪模型<gydF4y2Baem>我<gydF4y2Ba/em>th点,<gydF4y2Baem>M (t)<gydF4y2Ba/em>假设线性:<gydF4y2Ba/p> <p>米<gydF4y2Basub>我<gydF4y2Ba/sub>=α<gydF4y2Basub>0<gydF4y2Ba/sub>+α<gydF4y2Basub>1<gydF4y2Ba/sub>(9)<gydF4y2Ba/p> <p>应用情商。(9)eq。(6),可以现在专用联立方程(<gydF4y2Baa title="9gydF4y2Ba" href="#9">9<gydF4y2Ba/a>]<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e009.png" class="img-responsive">(10)<gydF4y2Ba/p> <p>可直接用于α的算法寻找估计<gydF4y2Basub>0<gydF4y2Ba/sub>和α<gydF4y2Basub>1<gydF4y2Ba/sub>参数线性<gydF4y2Baem>米<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>。<gydF4y2Ba/p> <p>蝌蚪的下一个特征模型是时间函数(9)拟合<gydF4y2Baem>N<gydF4y2Ba/em>数据点(<gydF4y2Baem>t<gydF4y2Basub>我<gydF4y2Ba/sub>D<gydF4y2Basub>我<gydF4y2Ba/sub></em>)是一个一维多变量链(<gydF4y2Baa title="9gydF4y2Ba" href="#9">9<gydF4y2Ba/a>]:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e010.png" class="img-responsive">(11)<gydF4y2Ba/p> <p>每个单元的<gydF4y2Baem>N<gydF4y2Ba/em>细胞的链式eq。(11)可以有自己的价值的重量,w<gydF4y2Basub>我<gydF4y2Ba/sub>:<gydF4y2Ba/p> <p><img alt="方程gydF4y2Ba" src="//www.cheescube.com/articles-images/statistics-and-mathematical-sciences-2-1-117-e011.png" class="img-responsive">(12)<gydF4y2Ba/p> <p>在实践中,权重<gydF4y2Baem>w<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>介绍了作为一个<gydF4y2Baem>σ<gydF4y2Ba/em><sub>0我<gydF4y2Ba/sub>= 1 / w<gydF4y2Basub>我<gydF4y2Ba/sub>,在那里<gydF4y2Baem>σ<gydF4y2Ba/em><sub>0我<gydF4y2Ba/sub>任意垂直的不确定性吗<gydF4y2Baem>我<gydF4y2Ba/em>th点,<gydF4y2Baem>D<gydF4y2Ba/em><sub>我<gydF4y2Ba/sub>±<gydF4y2Baem>σ<gydF4y2Ba/em><sub>0我<gydF4y2Ba/sub>。<gydF4y2Ba/p> <p>实际的时间步的细胞(<gydF4y2Baem>t<gydF4y2Ba/em><sub>0<gydF4y2Ba/sub>)具有最高价值的重量(<gydF4y2Baem>w<gydF4y2Ba/em><sub>N<gydF4y2Ba/sub>),而其余的细胞小,通常等于重量(<gydF4y2Baem>w<gydF4y2Ba/em><sub>1<gydF4y2Ba/sub>=<gydF4y2Baem>w<gydF4y2Ba/em><sub>2<gydF4y2Ba/sub>=…=<gydF4y2Baem>w<gydF4y2Ba/em><sub>n - 1<gydF4y2Ba/sub>)。这种假设带出“头”之间的类比与高体重和低重量的“尾巴”,如蝌蚪的解剖学。有时可以应用“脖子”(<gydF4y2Baem>w<gydF4y2Ba/em><sub>n -<gydF4y2Ba/sub><<gydF4y2Baem>w<gydF4y2Ba/em><sub>n - 1<gydF4y2Ba/sub><<gydF4y2Baem>w<gydF4y2Ba/em><sub>N<gydF4y2Ba/sub>)。<gydF4y2Bastrong>图2<gydF4y2Ba/strong>介绍了tadpole-like链的简单的例子(eq (12))。<gydF4y2Ba/p> <div class="well well-sm"> <div class="row"> <div class="col-xs-12 col-md-2"> <a onclick="openimage('//www.cheescube.com/articles-images/statistics-and-mathematical-tadpole-like-2-1-117-g002.png','','scrollbars=yes,resizable=yes,width=500,height=330')" class="thumbnail"><img src="//www.cheescube.com/articles-images/statistics-and-mathematical-tadpole-like-2-1-117-g002.png" class="img-responsive" alt="statistics-and-mathematical-tadpole-likegydF4y2Ba" title="statistics-and-mathematical-tadpole-like"></a> </div> <div class="col-xs-12 col-md-10"> <p><strong>图2:<gydF4y2Ba/strong>tadpole-like链的线性函数的例子Mi安装一些虚拟金融数据(灰色点),其中N = 7。增厚的squaresA¢边对应重量wi。实际的时间步骤对应于t<gydF4y2Basub>0<gydF4y2Ba/sub>。<gydF4y2Ba/p> </div> </div> </div> <p>在接下来的时间步长链(12)向前移动,因为“头”应该总是一开始(用于实际<gydF4y2Baem>t<gydF4y2Ba/em><sub>0<gydF4y2Ba/sub>)。一般来说,对<gydF4y2Baem>δ<gydF4y2Ba/em><sub>t<gydF4y2Ba/sub>时移可以计算的实际值<gydF4y2Baem>α<gydF4y2Basub>0<gydF4y2Ba/sub>”<gydF4y2Ba/em>=<gydF4y2Baem>α<gydF4y2Basub>0<gydF4y2Ba/sub></em>+<gydF4y2Baem>δα<gydF4y2Basub>0<gydF4y2Ba/sub></em>和<gydF4y2Baem>α<gydF4y2Basub>1<gydF4y2Ba/sub></em>' =<gydF4y2Baem>α<gydF4y2Basub>1<gydF4y2Ba/sub></em>+<gydF4y2Baem>δα<gydF4y2Basub>1<gydF4y2Ba/sub></em>。的变化<gydF4y2Baem>α<gydF4y2Basub>1<gydF4y2Ba/sub></em>严格的连接与趋势预测和拐点。积极的价值<gydF4y2Baem>δα<gydF4y2Basub>1<gydF4y2Ba/sub></em>是一个信号,这一趋势正在增加。同样,重大的改变<gydF4y2Baem>δα<gydF4y2Basub>1<gydF4y2Ba/sub></em>之间的时间步骤可能是一个潜在的信号链的关键或转折点。<gydF4y2Ba/p> <p>很难确定时的一般条件变化趋势<gydF4y2Baem>δα<gydF4y2Basub>1<gydF4y2Ba/sub></em>可以被认为是一个重要的一个。这样的条件取决于许多参数,如数据的类型、潜在的散射数据,链的长度(<gydF4y2Baem>N<gydF4y2Ba/em>)等。这就是为什么模型应该在第一次校准使用的历史数据。然而,也可以解决这个问题用<gydF4y2Baem>H<gydF4y2Ba/em>过去的时间步骤(<gydF4y2Bastrong>表1<gydF4y2Ba/strong>)——通过他们可以找到H点的分布和标准差可以帮助评估数据的类型和特征散射和建立严格的条件<gydF4y2Baem>δα<gydF4y2Basub>1<gydF4y2Ba/sub></em>。<gydF4y2Ba/p> <div class="table-responsive"> <table class="table table-bordered"> <thead> <tr> <th>象征<gydF4y2Ba/th> <th>描述<gydF4y2Ba/th> </tr> </thead> <tbody> <tr> <td><em>米<gydF4y2Basub>我<gydF4y2Ba/sub></em></td> <td>模型(曲线),拟合数据使用健壮的贝叶斯回归方法;看到eq。(9)<gydF4y2Ba/td> </tr> <tr> <td><em>(t<gydF4y2Basub>我<gydF4y2Ba/sub>D<gydF4y2Basub>我<gydF4y2Ba/sub>)<gydF4y2Ba/em></td> <td>的坐标<gydF4y2Baem>我<gydF4y2Ba/em>th点,<gydF4y2Baem>t<gydF4y2Basub>我<gydF4y2Ba/sub></em>是水平协调(这里:时间)和<gydF4y2Baem>D<gydF4y2Basub>我<gydF4y2Ba/sub></em>是一个垂直的协调(数据);见图1和图2<gydF4y2Ba/td> </tr> <tr> <td><em>w<gydF4y2Basub>我<gydF4y2Ba/sub></em></td> <td>的重量<gydF4y2Baem>我<gydF4y2Ba/em>th点<gydF4y2Baem>(t<gydF4y2Basub>我<gydF4y2Ba/sub>D<gydF4y2Basub>我<gydF4y2Ba/sub>)<gydF4y2Ba/em>;<gydF4y2Baem>wi<gydF4y2Ba/em>实现为情商。(4)和(6)<gydF4y2Baem>σ<gydF4y2Basub>0我<gydF4y2Ba/sub>= 1 / w<gydF4y2Basub>我<gydF4y2Ba/sub></em>,在那里<gydF4y2Baem>σ<gydF4y2Basub>0我<gydF4y2Ba/sub></em>任意垂直的不确定性吗<gydF4y2Baem>我<gydF4y2Ba/em>th点,<gydF4y2Baem>D<gydF4y2Basub>我<gydF4y2Ba/sub>±σ<gydF4y2Basub>0我<gydF4y2Ba/sub></em>。<gydF4y2Ba/td> </tr> <tr> <td><em>δ<gydF4y2Basub>t<gydF4y2Ba/sub></em></td> <td>时间等于转移<gydF4y2Baem>t<gydF4y2Basub>我<gydF4y2Ba/sub>- t<gydF4y2Basub>张<gydF4y2Ba/sub></em></td> </tr> <tr> <td><em>δα<gydF4y2Basub>1<gydF4y2Ba/sub></em></td> <td>链的斜率变化之后<gydF4y2Baem>δt<gydF4y2Ba/em></td> </tr> <tr> <td><em>N<gydF4y2Ba/em></td> <td>分析点的数量——蝌蚪链的长度,看到eq。(12)<gydF4y2Ba/td> </tr> <tr> <td><em>H<gydF4y2Ba/em></td> <td>过去的历史——点保留在内存中<gydF4y2Ba/td> </tr> <tr> <td><em>B<gydF4y2Ba/em></td> <td>缓冲的时间趋势变化是路口的时间间隔<gydF4y2Baem>B<gydF4y2Ba/em>为了防止混乱的变化<gydF4y2Baem>α<gydF4y2Basub>1<gydF4y2Ba/sub></em></td> </tr> </tbody> </table> </div> <p><strong>表1:<gydF4y2Ba/strong>提出论文中使用的符号的描述。<gydF4y2Ba/p> <p>中使用的所有符号提出论文中描述<gydF4y2Bastrong>表1<gydF4y2Ba/strong>。<gydF4y2Ba/p> <p>提出了应用程序的健壮的贝叶斯回归分析金融趋势检测从未完全之前介绍过的,在早期研究。<gydF4y2Ba/p> <h4>结果<gydF4y2Ba/h4> <p>提出了简化的结果<gydF4y2Bastrong>图3<gydF4y2Ba/strong>算法应用于检测趋势变化的一些模拟的数据。然而,几步之间的延迟算法的信号和实际趋势变化是预防散射的结果,单一的突出点可以被视为局外人(<gydF4y2Bastrong>图2<gydF4y2Ba/strong>)。这种机制更有效和实际的分散数据(<gydF4y2Bastrong>图4<gydF4y2Ba/strong>)。<gydF4y2Ba/p> <div class="well well-sm"> <div class="row"> <div class="col-xs-12 col-md-2"> <a onclick="openimage('//www.cheescube.com/articles-images/statistics-and-mathematical-result-2-1-117-g003.png','','scrollbars=yes,resizable=yes,width=500,height=330')" class="thumbnail"><img src="//www.cheescube.com/articles-images/statistics-and-mathematical-result-2-1-117-g003.png" class="img-responsive" alt="statistics-and-mathematical-resultgydF4y2Ba" title="statistics-and-mathematical-result"></a> </div> <div class="col-xs-12 col-md-10"> <p><strong>图3:<gydF4y2Ba/strong>算法的应用趋势的结果检测模拟的数据。黑色竖线显示强大的改变´±<gydF4y2Basub>1<gydF4y2Ba/sub>(包括符号变化),而灰色的符合一个´的软变化±<gydF4y2Basub>1<gydF4y2Ba/sub>。<gydF4y2Ba/p> </div> </div> </div> <div class="well well-sm"> <div class="row"> <div class="col-xs-12 col-md-2"> <a onclick="openimage('//www.cheescube.com/articles-images/statistics-and-mathematical-depicts-2-1-117-g004.png','','scrollbars=yes,resizable=yes,width=500,height=330')" class="thumbnail"><img src="//www.cheescube.com/articles-images/statistics-and-mathematical-depicts-2-1-117-g004.png" class="img-responsive" alt="statistics-and-mathematical-depictsgydF4y2Ba" title="statistics-and-mathematical-depicts"></a> </div> <div class="col-xs-12 col-md-10"> <p><strong>图4:<gydF4y2Ba/strong>图描绘了加仑桶/美元的片段比作为一个小时10.05.2009和15.05.2009之间的依赖。趋势变化的时刻以及拐点发现算法区分为两种类型的信号,标志着黑色和灰色的竖线,类似图3。<gydF4y2Ba/p> </div> </div> </div> <p>此外,蝌蚪与贝叶斯模型回归也将在应用程序的几个实际数十小时汇率(欧元/美元、英镑/美元)和华沙证交所(WIG20)报价。使用的所有数据作为输入与额外的校准条件计算算法,如链的长度(<gydF4y2Baem>N<gydF4y2Ba/em>= 7)散射的历史(<gydF4y2Baem>H<gydF4y2Ba/em>= 20)和缓冲的时间(<gydF4y2Baem>B<gydF4y2Ba/em>= 4)(<gydF4y2Bastrong>表1<gydF4y2Ba/strong>)。缓冲的时间,<gydF4y2Baem>B<gydF4y2Ba/em>,介绍了防止混乱的α的变化<gydF4y2Basub>1<gydF4y2Ba/sub>由于的值<gydF4y2Baem>w<gydF4y2Ba/em><sub>N<gydF4y2Ba/sub>= 2,<gydF4y2Baem>w<gydF4y2Ba/em><sub>n - 1<gydF4y2Ba/sub>= 1.25 (<gydF4y2Baem>w<gydF4y2Ba/em><sub>1<gydF4y2Ba/sub>=…=<gydF4y2Baem>w<gydF4y2Ba/em><sub>n -<gydF4y2Ba/sub>= 1)。因此,后续信息的趋势变化通常可以不早于可用<gydF4y2Baem>B<gydF4y2Ba/em>在前一个步骤。另一方面,模型通常不能检测速度比的变化<gydF4y2Baem>B<gydF4y2Ba/em>报价。<gydF4y2Ba/p> <p>大约60%的拐点检测是准确的(见或临界点<gydF4y2Bastrong>图4<gydF4y2Ba/strong>的结果)。大约70%的趋势方向的预测也是正确的。然而,结果是严格与数据和输入参数的类型(<gydF4y2Baem>N、H、B、w<gydF4y2Basub>我<gydF4y2Ba/sub></em>)。与长期趋势预测模型效果更好,当波动比非常少见<gydF4y2Baem>B<gydF4y2Ba/em>和分散数据的变化是相同的。<gydF4y2Ba/p> <p>模型还测试了在实际的在线数据(加仑桶/美元汇率),使类似的结果。所有提交结果到目前为止从未发表。<gydF4y2Ba/p> <h4>讨论和结论<gydF4y2Ba/h4> <p>蝌蚪模型介绍了时间点的一维链(eq(12))安装到数据获得在线使用健壮的贝叶斯回归方法(eq (10))。这种确定性方法(分析中不仅模范组成数据,而且实际的)不同于许多其他模型的这种基于随机预测方法(<gydF4y2Bastrong>表2<gydF4y2Ba/strong>)。蝌蚪的输入模型接收下一个报价如每股的价格或货币。为了使第一个正确的决策算法需要至少两个序列的分析<gydF4y2Baem>N + B + H<gydF4y2Ba/em>报价和之前被校准。<gydF4y2Ba/p> <div class="table-responsive"> <table class="table table-bordered"> <thead> <tr> <th>模型和参考<gydF4y2Ba/th> <th>预测(P)、确定性(D)、混合(P + D)<gydF4y2Ba/th> <th>合适的数据<gydF4y2Ba/th> <th>需要校准?<gydF4y2Ba/th> <th>离群值耐药?<gydF4y2Ba/th> <th>提出出售/购买行动?<gydF4y2Ba/th> <th>基地的结果<gydF4y2Ba/th> </tr> </thead> <tbody> <tr> <td>(Bartolozzi和托马斯·2004)<gydF4y2Ba/td> <td>P + D<gydF4y2Ba/td> <td>所有的市场和金融数据<gydF4y2Ba/td> <td>没有<gydF4y2Ba/td> <td>部分<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>根据数据和参数<gydF4y2Ba/td> </tr> <tr> <td>(Chang和费根鲍姆2006)<gydF4y2Ba/td> <td>P<gydF4y2Ba/td> <td>金融崩溃的频率<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>没有<gydF4y2Ba/td> <td>根据校准(仅接受有限的测试数据)<gydF4y2Ba/td> </tr> <tr> <td>(Farahpour et al . 2007年)<gydF4y2Ba/td> <td>P<gydF4y2Ba/td> <td>货币汇率<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>部分<gydF4y2Ba/td> <td>没有<gydF4y2Ba/td> <td>根据数据和参数<gydF4y2Ba/td> </tr> <tr> <td>(藤原et al . 2003年)<gydF4y2Ba/td> <td>D<gydF4y2Ba/td> <td>个人收入<gydF4y2Ba/td> <td>没有<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>没有<gydF4y2Ba/td> <td>根据数据<gydF4y2Ba/td> </tr> <tr> <td>为了et al . 2001年)<gydF4y2Ba/td> <td>P<gydF4y2Ba/td> <td>货币汇率<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>没有<gydF4y2Ba/td> <td>根据数据和参数<gydF4y2Ba/td> </tr> <tr> <td>蝌蚪贝叶斯模型<gydF4y2Ba/td> <td>D<gydF4y2Ba/td> <td>所有时间相关数据<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>是的<gydF4y2Ba/td> <td>没有<gydF4y2Ba/td> <td>根据校准和数据类型<gydF4y2Ba/td> </tr> </tbody> </table> </div> <p><strong>表2:<gydF4y2Ba/strong>简单的比较测试选择econophysical模型的主要特点,包括提出论文中描述的一个。<gydF4y2Ba/p> <p>该算法是通过拟合直线(模型<gydF4y2Baem>米<gydF4y2Basub>我<gydF4y2Ba/sub></em>)函数的点躺在图说明报价value-to-time依赖。拟合直线是一个加权,分配权重最高的第一分(类似蝌蚪的头)。然而,这样的决定论导致延迟(≈等于几个时间的步骤<gydF4y2Baem>B<gydF4y2Ba/em>)之间的真正出现趋势变化和算法的发信号。<gydF4y2Ba/p> <p>拟合直线的取决于点的分散,在猛烈的单引号(“跳跃”)。提供的色散很小,一条直线也可以安装的古典χ的最小化<gydF4y2Basup>2<gydF4y2Ba/sup>函数(最小二乘法)。如果报价波动显著,应自动应用贝叶斯数据分析。然而,提出模型假设的贝叶斯拟合方法总是被使用。<gydF4y2Ba/p> <p>线性回归的贝叶斯方法需要找到最大的概率(乘法的结果<gydF4y2Baem>P<gydF4y2Basub>我<gydF4y2Ba/sub></em>概率拟合直线的点)<gydF4y2Baem>N<gydF4y2Ba/em>点被高斯分布(eq。(4)或(8))。这些点的不确定性与之前的标志<gydF4y2Baem>p(σ<gydF4y2Basub>我<gydF4y2Ba/sub>)<gydF4y2Ba/em>这实际上是概率分布。应用之前描述点的不确定性结果最后安装线基础上省略轻微的趋势波动的主要趋势。由于该方法算法着重于实际变化和不被偶然的变位<gydF4y2Baa title="9gydF4y2Ba" href="#9">9<gydF4y2Ba/a>]。<gydF4y2Ba/p> <p>目前程序检测到一个趋势变化(即一个拐点的一条线安装)它体现在一个适当的评论或信息直接发送到主程序/用户。精度高的算法也可以预测如果接下来的报价会有增加或减少的趋势,或者如果一个类型是关于加快趋势。<gydF4y2Ba/p> <p>一个也可以增强蝌蚪模型通过实现多项式的次数的价值就越高<gydF4y2Baem>米<gydF4y2Basub>我<gydF4y2Ba/sub></em>(eq (9))。因此,蝌蚪的多项式曲线的“尾巴”可以波浪可以改善了所提方法的有效性。<gydF4y2Ba/p> <p>健壮的应用贝叶斯模型回归分析使蝌蚪比其他人完全不同,因此,明确它们之间的比较是相当困难的。然而,简单的比较表(<gydF4y2Bastrong>表2<gydF4y2Ba/strong>)由若干标准,可以看到主要的方法和方式的差异得到正确的结果。这显然比较表明,蝌蚪贝叶斯模型是一个很好的选择其他现有econophysical模型。<gydF4y2Ba/p> <h4>引用<gydF4y2Ba/h4> <ol> <li value="1gydF4y2Ba" id="Reference_Titile_Link"><a id="1" name="1"></a>利维H, et al。模拟股市:微观多样性的影响。《de体格i . 1995; 5:1087 - 1107。<gydF4y2Ba/li> <li value="2gydF4y2Ba" id="Reference_Titile_Link"><a id="2" name="2"></a>雷纳CH, et al .马尔可夫性质的证据高频汇率数据。自然史a . 2001; 298:499 - 520。<gydF4y2Ba/li> <li value="3gydF4y2Ba" id="Reference_Titile_Link"><a id="3" name="3"></a>藤原T, et al。个人收入的增长和波动。自然史a . 2003; 321:598 - 604。<gydF4y2Ba/li> <li value="4gydF4y2Ba" id="Reference_Titile_Link"><a id="4" name="4"></a>Bartolozzi M和托马斯哦。随机元胞自动机模型对股市动态。物理评论e . 2004; 69:046112。<gydF4y2Ba/li> <li value="5gydF4y2Ba" id="Reference_Titile_Link"><a id="5" name="5"></a>Chang G andFeigenbaum农协。对数周期的贝叶斯分析金融危机的先兆。定量金融。2006;6:15-36。<gydF4y2Ba/li> <li value="6gydF4y2Ba" id="Reference_Titile_Link"><a id="6" name="6"></a>Farahpour F, et al。朗之万方程的利率汇率基于马尔可夫分析。自然史a . 2007; 385:601 - 608。<gydF4y2Ba/li> <li value="7gydF4y2Ba" id="Reference_Titile_Link"><a id="7" name="7"></a>Sivia DS和斯奇林j .数据分析。一个贝叶斯教程(2 ndedn)。牛津大学出版社,2006年。<gydF4y2Ba/li> <li value="8gydF4y2Ba" id="Reference_Titile_Link"><a id="8" name="8"></a>Fornalski千瓦。选择统计方法对细胞发生的辐射生物剂量学。2014年。<gydF4y2Ba/li> <li value="9gydF4y2Ba" id="Reference_Titile_Link"><a id="9" name="9"></a>Fornalski千瓦。应用程序的健壮的贝叶斯回归分析。Int J Soc系统Sci . 2015; 7:314 - 333。<gydF4y2Ba/li> <li value="10gydF4y2Ba" id="Reference_Titile_Link"><a id="10" name="10"></a>Fornalski千瓦,等。应用贝叶斯推理和最大熵方法一些重建问题。Acta phy Polon b . 2010; 117:892 - 899。<gydF4y2Ba/li> <li value="11gydF4y2Ba" id="Reference_Titile_Link"><a id="11" name="11"></a>Fornalski千瓦和DobrzyA滑雪l .健康工人效应和核工业的工人。剂量反应。2010 (a); 8:125 - 147。<gydF4y2Ba/li> <li value="12gydF4y2Ba" id="Reference_Titile_Link"><a id="12" name="12"></a>Fornalski千瓦和DobrzyA滑雪l . Zastosowania twierdzenia Bayesa做analizy niepewnych danych doA一wiadczalnych(波兰)。PostApy Fizyki。2010 (b); 61:178 - 192。<gydF4y2Ba/li> <li value="13gydF4y2Ba" id="Reference_Titile_Link"><a id="13" name="13"></a>Fornalski千瓦和DobrzyA滑雪l .汇集的贝叶斯分析28研究氡诱发肺癌。健康物理学。2011;101:265 - 273。<gydF4y2Ba/li> <li value="14gydF4y2Ba" id="Reference_Titile_Link"><a id="14" name="14"></a>Wolberg j .数据分析使用最小二乘的方法:从实验中提取最多的信息。施普林格》2005。<gydF4y2Ba/li> <li value="15gydF4y2Ba" id="Reference_Titile_Link"><a id="15" name="15"></a>盒子GEP和挑GC。贝叶斯方法一些异常问题。生物统计学。1968;55:119 - 129。<gydF4y2Ba/li> <li value="16gydF4y2Ba" id="Reference_Titile_Link"><a id="16" name="16"></a>Ekiz美国贝叶斯方法来检测异常值在多元线性回归。Hacettepe J数学统计。2002;31:77 - 82。<gydF4y2Ba/li> </ol> </div> </div> </div> <footer> <div class="container"> <div class="row"> <div class="col-md-3"> <h4>有用的链接<gydF4y2Ba/h4> <ul class="list-unstyled"> <li><a title="雷竞技官网" href="//www.cheescube.com/about.php">雷竞技官网</a></li> <li><a title="raybet56 " href="//www.cheescube.com/open-access.php">raybet56 </a></li> <li><a title="期刊gydF4y2Ba" href="//www.cheescube.com/open-access-journals-list.php">raybet51 </a></li> <li><a title="常见问题gydF4y2Ba" href="//www.cheescube.com/faqs.php">newbee赞助雷竞技 </a>,保留所有权利<gydF4y2Ba/p> </div> </div> </footer> <a href="https://www.globaltechsummit.com" class="bell_icon" target="_blank"><img src="https://www.vizagtechsummit.com/images/bellicon.png" alt="全球技术峰会gydF4y2Ba"></a> <div class="scroll-top-wrapper"> <span class="scroll-top-inner"><i class="fa fa-2x fa-arrow-circle-up"></i></span> </div> <div style="position: absolute; left: -14168px"> <a href="https://apecu.org/">Guvenilir希人Siteleri<gydF4y2Ba/a> <a href="https://lline.net/">Guvenilir希人Siteleri<gydF4y2Ba/a> <a href="https://world-oceans.org/">Guvenilir希人Siteleri<gydF4y2Ba/a> <a href="https://febayder.com">Guvenilir赌场Siteleri<gydF4y2Ba/a> </div> </body> </html>

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba

方程gydF4y2Ba