Stochastische Resonanz - Seite 30
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
...ich habe eine interessante Frage auf dem Weg. Kann mich jemand aufklären, warum eine so einfache und bequeme Verteilungsfunktion mit guten Eigenschaften nicht in der Statistik verwendet wird? Und wenn sie verwendet wird, warum wird dann nicht darüber geschrieben? Ich habe noch nie gesehen, dass jemand versucht hat, eine andere inkrementelle Verteilung als die Lognormalverteilung zu approximieren.
Jura, ich kenne die Antwort auf diese Frage nicht.
Ich kann nur vermuten, dass die von Ihnen vorgeschlagene Verteilung p(X)=A*(X^a)*exp(-B*(X^b)) ein Sonderfall ist (z. B. Verallgemeinerte Exponentialverteilung p(X)=a/(2G[1/a]*l*s)exp{-[(x-m)/l*sl*s]^a}, Bulaschew, S.41), oder die wenigen, die es auch geschafft haben, der Sache auf den Grund zu gehen, haben sich entschieden, zu schweigen und leise das Kraut auf der großen Forpolye zu mähen:)
Das dachte ich auch, und es wäre auch so, wenn die verallgemeinerte Verteilung einen Exponenten hätte. Da es so etwas nicht gibt, ist die verallgemeinerte Verteilung bei Null ungleich Null und erstreckt sich auf den Bereich x<0. Der Exponent macht die linke Steigung sehr steil (bei der verallgemeinerten Verteilung mit a<1 sind beide Steigungen sanft), und die rechte Steigung ist noch flacher als bei der verallgemeinerten Verteilung. Ich werde nicht zögern, dieses Wort zu benutzen - dicker Schwanz. :-) Und, was am wichtigsten ist, es wird nicht explizit integriert.
Aber ich habe eine Gegenfrage!
Vor einiger Zeit beschäftigte ich mich mit autoregressiven Modellen beliebiger Ordnung (bei denen man die Abhängigkeit der Amplitude des aktuellen Balkens und seines Vorzeichens von der Summe der auf ihn einwirkenden Aktionen einer beliebigen Anzahl früherer Balken sucht). Ich habe dieses Problem so gut gelöst, dass ich anhand des Aussehens der Modellreihe nicht erkennen konnte, ob sie real war oder nicht, mit einer Ausnahme: Die Verteilungsfunktion (DP) der Modellreihe war weit von der Realität entfernt. Intuitiv hatte ich den Eindruck, dass die Übereinstimmung der Autokorrelationsfunktionen ausreicht, um die PDF der ersten Differenzen zu erreichen. Es stellte sich heraus, dass es nicht so war... Es gibt etwas, das ich bei der Modellierung des Verhaltens der Residuenreihen nicht berücksichtige.
Was denken Sie über dieses Thema?
Da ich weder die Methoden kenne, die Sie zur Lösung dieses Problems verwendet haben, noch die Methode zur Modellierung der Residuen, und meine linke Hand und beide Füße in mathematischer Statistik lahm sind, kann ich leider nichts sagen. Um wenigstens ansatzweise darüber nachzudenken, reicht mir persönlich dieser kleine Absatz allein nicht aus, ich brauche mehr Informationen, um darüber nachzudenken, wie Stirlitz.
Es geht nicht um die Berechnung von Ymin und Ymax an sich. Es geht um die Neuberechnung aus dem ursprünglichen Datensatz der Ableitungsmenge. Außerdem ist Ihre Methode der Neuberechnung der Normalisierung willkürlich und an den historischen Datensatz gebunden, auf dem Sie sie durchführen. Wenn Sie t/f umschalten, kann sich der Wert von 2000 bar auf, sagen wir, 500000 bar ändern. Das Erreichen der Bereichsgrenze sagt im ersten Fall nichts aus, im zweiten Fall jedoch sehr viel. Sie können meine Methode nur dann der Willkür bezichtigen, wenn Sie eine Modellverteilungsfunktion vor Augen haben. Wenn aber die reale, experimentell konstruierte Verteilung auf der Grundlage der "maximal verfügbaren" Datenmenge durch die Modellverteilung gut angenähert wird, wo bleibt dann die Willkür?
Ich hatte keine Beschwerden über Willkür, für die Phänomenologie ist die einzige Einschränkung die Genauigkeit der Annäherung, und ich würde es vorziehen, Willkür nicht Willkür, sondern Freiheitsgrad zu nennen :)
Ich werde mich hier einmischen, Neutron. Ich bin kein Statistiker, also musste ich die Frage auf mexmat.ru stellen. Sie finden es hier: http://lib.mexmat.ru/forum/viewtopic.php?t=9102
Frage: Welche Informationen über den stationären Prozess reichen aus, um ihn korrekt zu reproduzieren? Die Antwort lautete: Man muss die Kovarianzfunktion und den Mittelwert des Prozesses kennen. Ich weiß noch nicht, wie ich einen Prozess mit einer bestimmten Kovarianzfunktion erstellen kann. Die Idee ist jedoch, dass der resultierende Prozess als eine korrekte Implementierung des ursprünglichen simulierten Prozesses angesehen werden kann. Vielleicht war Ihr Prozess nicht stationär?
P.S. Ich möchte eine plausible Simulation des Residualprozesses (Renditen). Nach Peters ist die Verteilung der Residuen fraktal mit akzeptabler Genauigkeit, und der Prozess ist stationär. Obwohl andere Modelle nicht ausgeschlossen sind...
Hallo Mathematik!
Ich bin ein statistischer Dilettant (überlassen wir die gegenteilige Behauptung dem Gewissen des Juras) und weiß auf die meisten Fragen einfach keine Antwort:(
Eine Reihe wird als streng stationär (oder stationär im engeren Sinne) bezeichnet, wenn ihr FR, ihr Mittelwert und ihre Varianz nicht von der Zeit abhängen.
Eine Reihe wird als schwach stationär (oder stationär im weiteren Sinne) bezeichnet, wenn ihr Mittelwert und ihre Varianz nicht von der Zeit abhängen.
Tatsächlich ist unsere Reihe der ersten Differenzen nicht einmal im weitesten Sinne des Wortes stationär - die Amplitude variiert merklich. Glauben Sie, dass dies die Ursache für den beobachteten Effekt sein könnte?
P.S. Ich frage mich, was Peters mit der Stationarität dieses Prozesses meint?
Ich mag es nicht, mich über theoretische Fragen zu streiten, ich schaffe es nur sehr selten, mich zu entscheiden :). In diesem Fall wurde kein Versuch unternommen, eine allgemeine Bewertung vorzunehmen. Ich habe lediglich versucht, den tatsächlichen Umfang der Berechnungen "für mich selbst" zu verstehen und zu vergleichen. Es scheint mir, dass es für Ihren Ansatz notwendig ist, die Berechnung von Merkmalen einer anfänglichen Reihe einzubeziehen, während dies bei meinem Ansatz nicht erforderlich ist. Der zweite Punkt - es ist nicht klar, was Sie für Y berechnen werden, komplexer als ein einfacher Durchschnitt. Ist Ihre Methode durch die Notwendigkeit der Verarbeitung der ersten Reihen nicht genauso empfindlich gegenüber dem Zeitrahmen wie meine? Ich verstehe, das ist die Besonderheit der ursprünglichen Serie. Aber ich habe einen ähnlichen Trumpf in der Hand - die gefundene Invariante, die für alle getesteten Symbole (Majors) und für alle Zeitrahmen gleich ist.
Ich hatte keine Beschwerden über Willkür, für die Phänomenologie ist die einzige Einschränkung die Genauigkeit der Annäherung, und ich würde es vorziehen, Willkür nicht Willkür, sondern Freiheitsgrad zu nennen :)
Ich diskutiere nicht. Das ist nur eine Ausrede. :-)
Berechnungen für nicht-triviale Mittelungsmethoden sind ein dunkler Wald. Ich gehe nicht dorthin, fürchte ich. Ich habe mein Problem gelöst, und das ist gut so.
P.S. Ich frage mich, was Peters mit der Stationarität des Prozesses meint.
Vielleicht hat die Steigung dieses Prozesses keine Konvergenzgrenze? :-)))
Übrigens, Neutron, könnten Sie mir ein Detail erklären. Was ist schlecht an MO<SCO, und was ist gut an der umgekehrten Reihenfolge? Diese Frage stellte sich einmal, und der von mir verwendete FR hat diese schlechte Eigenschaft.
Mathematik, vielleicht wissen Sie es auch, also erklären Sie es einem Analphabeten.
Die Frage von Vinin kam hier auf: "Beta-Verteilung". Dies ist eine spezifische Aufgabe, die von den Zielen des Verfassers des Zweigs abhängt. Im Allgemeinen ist gegen MO<SCO nichts einzuwenden. Die Situation ist die gleiche: auf den täglichen Märkten MO ist ein paar Punkte, auch auf den Trend von 2001 auf den Euro, und RMS ist mindestens Dutzende von Punkten. Bei der gleichen hebräischen Tendenz liegt der MoD bei etwa 0,2 Punkten und der RMS bei wenigen Punkten Minimum.
Wenn sie sich im gleichen Trend befindet, ist das nicht gut. Das Hauptmerkmal des Handels ist der Gewinn/das Risiko. Das Risiko wird durch die Volatilität bestimmt, die systematische IRR. Es gibt sogar solche Indikatoren - Sharpe (Gewinn für den Zeitraum/SCO), Sortino - das gleiche, aber unter Berücksichtigung der "Volatilität nach unten". Wenn der RMS größer ist als MO, dann übersteigt der Verlust aus dieser Volatilität wahrscheinlich die potenzielle Rendite, die mit einem positiven MO verbunden ist.