Ich möchte den Link weitergeben - Seite 2
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
Mein Standpunkt ist ein anderer. Es lohnt sich einfach nicht, viel Zeit darauf zu verwenden, die Ungereimtheit der EMH zu beweisen - es gibt dort sowieso keine Fische. Ja, es gibt Schwänze, ja, der Grund dafür ist, dass man auf ein Bündel von Informationen reagiert und nicht auf einzelne Nachrichten. Ja, das ist jetzt wissenschaftlich bewiesen. Aber der Markt ist so unbeständig wie eh und je, und es ist nicht einfacher geworden, mit ihm Geld zu verdienen.
p.s. hehe, ein paar mehr Artikel wie dieser und du wirst in die Ideen der fraktalen Statistik einsteigen, Kausalität ist einer der Eckpfeiler dort.
Ich bin damit vertraut. Ich finde sie einfach unterentwickelt im Vergleich zu anderen Methoden.
Es lohnt sich einfach nicht, viel Zeit darauf zu verwenden, die EMH als ungültig zu beweisen - es gibt sowieso keinen Fisch.
Ich bin nicht daran interessiert, etwas zu beweisen. Die Idee ist völlig anders. Der Markt ist nicht stationär. Das ist eine Selbstverständlichkeit. Sie kann nicht geändert werden. Das heißt aber nicht, dass wir die Augen verschließen und auf das Schlimmste hoffen sollen. Der übliche wissenschaftliche Ansatz besteht darin, das zu nehmen, was wir verstehen und was wir abbeißen können.
faa1947: толстые хвосты являются результатом памяти в котире.
Dies ist eine bekannte Tatsache.
Und warum brauchen wir ein Gedächtnis in Form von obskuren Schwänzen, wenn wir unbegrenzten Zugang (Speicher) zu vergangenen Daten haben?
Wenn nur die Schwänze das zukünftige Verhalten des Quotienten anzeigen würden, wäre dies eine unschätzbare Information, denn wir handeln nicht in der Vergangenheit, sondern in der Zukunft.
Dies ist eine bekannte Tatsache.
Und warum brauchen wir ein Gedächtnis in Form von obskuren Schwänzen, wenn wir unbegrenzten Zugang (Speicher) zu vergangenen Daten haben?
Wenn nur die Schwänze das zukünftige Verhalten des Kotirs anzeigen würden, wäre dies eine unschätzbare Information, denn wir handeln nicht in der Vergangenheit, sondern in der Zukunft.
Ja, einen Teufel tust du. Ich greife einfach nach allem.
Ich habe neulich einen Artikel gelesen, in dem Vorhersagen anhand von Änderungen des Verteilungsgesetzes gemacht werden. Das ist eine ungewöhnliche Denkweise.
Ich werde sie teilen.
Was die Schwänze betrifft, so gibt es ein erfreuliches Ergebnis. Lassen Sie mich die Methodik der Berechnung erläutern.
Wir alle wissen, wie die ersten Differenzen einer Währungsreihe grob verteilt sind (ungefähr wie exp(-a|x|), oder so). Ich wollte herausfinden, welche Teile dieser Verteilung sozusagen die "wahren Träger der externen Informationen" sind. Was wir tun, ist Folgendes. Zählen wir die RMS-Renditen über ein großes Zeitintervall und berechnen wir für jeden Quotienten das Wahrscheinlichkeitsverhältnis seiner Zugehörigkeit zur Laplace-Verteilung im Vergleich zur Normalverteilung mit der gleichen Varianz. Ich will mich nicht damit aufhalten, wie man das berechnet, es gibt ja wikipedia.
Interessante Fälle ergeben sich, wenn wir die Verteilung des Wahrscheinlichkeitsverhältnisses selbst (oder besser gesagt, seinen Logarithmus) aufzeichnen:
In der Abbildung ist sie um 2 nach rechts abgeschnitten, aber das Ende geht theoretisch bis ins Unendliche. Das Ganze ist also nur ein scharfer Bruch beim Wert von 1/2*ln(pi). Es stellt sich heraus, dass ein kleiner Teil der Zitate ein deutlich anderes Auftreten der Laplace-Verteilung ergibt - eine Verteilung mit dickeren Schwänzen als die Gauß-Verteilung. Und diese Zitate sind berechenbar.
Es scheint möglich zu sein, auf der Grundlage dieser Tatsache einen effektiven Trend-Flat-Analysator zu entwickeln und die Einhaltung des Kriteriums bereits auf dem aktuellen Balken zu bestimmen. Nun ja, oder zumindest Katastrophen effektiv erkennen und schnell auf sie reagieren.
Ich werde es teilen.
Was die Schwänze angeht, so gibt es ein faszinierendes Ergebnis. Lassen Sie mich die Methodik der Berechnungen erläutern.
Wir alle wissen, wie die ersten Differenzen einer Währungsreihe grob verteilt sind (ungefähr wie exp(-a|x|), oder so). Ich wollte herausfinden, welche Teile dieser Verteilung sozusagen die "wahren Träger der externen Informationen" sind. Was wir tun, ist Folgendes. Zählen wir die RMS-Renditen über ein großes Zeitintervall und berechnen wir für jeden Quotienten das Wahrscheinlichkeitsverhältnis seiner Zugehörigkeit zur Laplace-Verteilung im Vergleich zur Normalverteilung mit der gleichen Varianz. Ich werde mich nicht damit aufhalten, wie man das berechnet, es gibt ja Wikipedia.
Interessante Dinge passieren, wenn wir die Verteilung des Wahrscheinlichkeitsverhältnisses selbst (oder besser gesagt, seinen Logarithmus) aufzeichnen:
In der Abbildung wird er bei 2 nach rechts abgeschnitten, aber das Ende geht theoretisch bis ins Unendliche. Das Ganze ist also nur eine scharfe Klippe beim Wert von 1/2*ln(pi). Es stellt sich heraus, dass ein kleiner Teil der Zitate ein deutlich anderes Auftreten der Laplace-Verteilung ergibt - eine Verteilung mit dickeren Schwänzen als die Gauß-Verteilung. Und diese Zitate sind berechenbar.
Es scheint möglich zu sein, auf der Grundlage dieser Tatsache einen effektiven Trend-Flat-Analysator zu entwickeln und die Einhaltung des Kriteriums bereits auf dem aktuellen Balken zu bestimmen. Nun ja, oder zumindest Katastrophen effektiv erkennen und schnell auf sie reagieren.
Sehr interessant.
Wenn wir von Verteilung sprechen, stützen wir uns auf eine ziemlich große Anzahl von Beobachtungen. In der Grafik sehe ich eine Zahl von 20.000. Ich stimme zu, dass wir bei so vielen Beobachtungen Rückschlüsse auf das Gesetz der Verteilung ziehen können. Wir interessieren uns jedoch für den Balken, der auf den aktuellen Balken folgt. Und hier gilt: Je größer die Anzahl der Beobachtungen, desto mehr "durchschnittliche" Schlüsse lassen sich aus dem letzten Balken ziehen.
Es gibt eine merkwürdige Zahl von 30. Vor 30 gilt die t-Statistik, nach 30 die z-Statistik, wenn es sich um eine Normalbevölkerung handelt.
Die Frage ist also. Ist es möglich, das bei großen Stichproben ermittelte Muster auch auf kleine Stichproben anzuwenden, wenn man davon ausgeht, dass diese kleine Stichprobe zu einer großen gehört?
Sehr interessant.
Wenn wir von einer Verteilung sprechen, gehen wir von einer ausreichend großen Anzahl von Beobachtungen aus. In der Grafik sehe ich eine Zahl von 20.000. Ich stimme zu, dass wir bei so vielen Beobachtungen Rückschlüsse auf das Gesetz der Verteilung ziehen können. Wir interessieren uns jedoch für den Balken, der auf den aktuellen Balken folgt. Und hier gilt: Je größer die Anzahl der Beobachtungen, desto mehr "durchschnittliche" Schlüsse lassen sich aus dem letzten Balken ziehen.
Es gibt eine kuriose Zahl von 30. Vor 30 Jahren spricht man von einer t-Statistik und nach 30 Jahren von einer z-Statistik, wenn die Stichprobe und die Grundgesamtheit normal sind.
Die Frage ist also. Ist es möglich, das ermittelte Muster auf große Proben anzuwenden, um es auf kleine Proben zu übertragen, wenn man davon ausgeht, dass diese kleine Probe zu einer großen Probe gehört?
Die Art der Verteilung ändert sich nicht. Die Studie selbst ging übrigens von der Tatsache aus, dass das seltsame Verhalten des Likelihood Ratio mit bloßem Auge erkennbar ist: