Zufallsstromtheorie und FOREX - Seite 11
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
Neutron
Habe ich geantwortet? Wenn nicht, konnte ich den Nebel dieser Formeln nicht vertreiben. Fragen Sie ruhig.
Ich werde morgen nach meinem Großvater suchen. Es ist ein gutes Buch, das er geschrieben hat. Tikhonov V.I. Nonlinear Transformation of Random Processes -M.: Radio and Communications. 1986. Wenn man das Buch benutzen will, gibt es einige Tippfehler, ich glaube, ich habe noch einen gefunden, das klappt bei mir nicht. Ich werde die Ergebnisse veröffentlichen, wenn ich die Gelegenheit habe, ihn zu treffen. Nach Abzug der Tendenz (y(x)=a+bx) scheint es sich um eine Trägheit zweiter Ordnung zu handeln.
Mathematische Autoregression erster Ordnung, die Varianz tendiert gegen unendlich (wenn ich mich nicht täusche). Aber das Trägheitsglied zweiter Ordnung macht oszillierende Bewegungen, als ob es zu einem Gleichgewichtspunkt tendiert, das scheint mir vom "Charakter" der Zitate her plausibler zu sein. Aber vielleicht alles zusammen ;-(
Lassen Sie es mich noch einmal an einem Beispiel versuchen.
Es ist wichtig, diese Formel zu verstehen.
...
In Ordnung, Prival, das war's!
Was Sie mit der Formel beschrieben haben, ist eine Autoregressionsdarstellung erster Ordnung für erste Differenzen (Markov-Prozess), wobei w eine Zufallskomponente (Rauschen mit bestimmten Merkmalen) und F ein Skalar (Sonderfall einer Matrix) ist, der dem Korrelationskoeffizienten zwischen den ersten Differenzen des BP entspricht. Noch einmal: Diese Formel bezieht sich auf die ersten Blutdruckunterschiede und sagt diese voraus, nicht den Blutdruck selbst. Um den Blutdruck wiederherzustellen und dann vorherzusagen, brauchen Sie ein Verfahren zur Integration einer Reihe von Inkrementen!
Nun stellt sich die Frage: Was werden Sie studieren? Alle Informationen zu diesem Thema werden in vielen Werken gut erklärt und in einer sehr verdaulichen Form dargestellt.
Nun zu einer Nuance. Markov-Prozess. Nach dieser Theorie hängt der Übergang von L(k) zu L(k+1) nicht vom Zustand L(k-1) ab, d. h. die Rate war gestern, vor einer Stunde und vor einer Minute dieselbe. Die Hauptsache ist der Wechselkurs L(k). Was es zum Zeitpunkt L(k+1) sein wird, wird durch diese verdammte (mir fällt kein anderes Wort ein ;-)) Matrix F bestimmt.
Er ist ein Spezialfall des Markov-Prozesses (wenn F=0) und hat einen eigenen Namen: "Wiener-Prozess" oder "eindimensionale Brownsche Bewegung". Sie ist nicht von praktischem Interesse.
Die Frage ist: Was hat das alles mit einem Flugzeugpiloten zu tun?
Ich habe mich auch gefragt, was L(k) ist. Es sieht doch wie ein Vektor aus. Dann ist F eine Matrix. Aber um welche Art von Vektor handelt es sich?
L(k) ist die aktuelle Anzahl der ersten Differenzen des ursprünglichen BP. L ist der Vektor der ersten Differenzen, L(k+1) ist der vorhergesagte Wert der ersten Differenz.
Gefragt! Ich weiß nicht, warum Prival es eine Matrix nennt.
Im Allgemeinen geht es um Folgendes:
haben wir ein autoregressives Modell N-ter Ordnung, das in folgender Form geschrieben werden kann
wobei sigma eine Zufallsvariable ist (ihre konkrete Form ist Gegenstand eines gesonderten Vortrags), X ein Vektor der verfügbaren Schätzungen der ersten Differenzen der vorhergesagten BP -Y(i) und der autoregressiven Koeffizienten ist (ihre Form ist begrenzt).
Um die autoregressiven Koeffizienten zu berechnen, müssen Sie also ein System linearer Gleichungen N-ter Ordnung lösen, das aus den ACF-Werten der ersten Differenzen besteht. Dies ist die einzige Matrix in dem ganzen Fall. Das Gleichungssystem wird als Yule-Walker [Yule (1927)], [Walker (1931)] bezeichnet.
Nachdem man X(i+1) der Differenz gefunden hat, ist es nicht schwierig, eine Vorhersage für den ursprünglichen BP zu erstellen: Y(i+1)=Y(i)+X(i+1).
Das war's, das Problem ist gelöst!
Ich sehe, Neutron, die AR(N) ist klar. Dennoch bin ich über eine kompliziertere Formel verblüfft
für die Prival zufällig erwähnt hat, dass F eine Übergangsmatrix ist.
Eine merkwürdige Sache stellt sich heraus. Wenn L(k) ein Vektor ist (z. B. die letzten M Rückgabewerte), dann kommt eine gewöhnliche Autoregression nicht in Frage, obwohl es sich formal um die gleiche AR(1) handelt, aber für einen Vektorfluss (Prozess) L(k). W(k) ist auch ein Vektor, aber er ist bereits nicht mehr mit dem anderen verbunden.
Hast du mich verstanden, Neutron? Vielleicht ist dies das Modell, von dem Prival spricht, dass die Berechnungen hier untragbar sind? Und MNC wäre hier genau richtig, wenn wir es durch die Geschichte laufen lassen (um die richtige Matrix F zu finden).
Nun gut, wir warten auf den Autor, der dieses Chaos angerichtet hat. Es ergibt sich ein seltsames Modell: Indem wir die letzten Renditen als Komponenten des Vektors L(k) nehmen, machen wir einige Renditen von ihren zukünftigen Werten abhängig. Ich denke, das ist irgendwie nicht gut.
Nun gut, wir warten auf den Autor, der dieses Chaos angerichtet hat. Es ergibt sich ein seltsames Modell: Indem wir die letzten Renditen als Komponenten des Vektors L(k) nehmen, machen wir einige Renditen von ihren zukünftigen Werten abhängig. Ich denke, das ist irgendwie nicht gut.
P. S. Diese Kondensstreifen sind einfach überall :)