Woran erkenne ich den Unterschied zwischen einem FOREX-Chart und einem PRNG? - Seite 28
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
Es ist seltsam, das von Ihnen zu hören. Glauben Sie wirklich, dass das Ranking absolute Werte in keiner Weise berücksichtigt?
Die Hauptanforderung an nicht-parametrische Methoden ist die Robustheit gegenüber "Rauschen" und Verteilungen (insbesondere "fat tails"). Dies kann mit geringsten Abstrichen bei der Genauigkeit erreicht werden, die oft schwer fassbar und irreführend ist.
Diese Berechnung hängt von dem gewählten statistischen Rangmaß (eine Art Funktional) ab, so dass die Koeffizienten für Spearman, Kendall und Hefding bei kleinen Stichproben unterschiedliche Werte aufweisen werden. Was ist also zu verwenden? Für die unterschiedlichen Medien des wertbildenden Systems, wie z.B. die Art und Ordnung der Trendträgerfunktion, wird das eine oder andere Maß besser sein. Ja, eine nicht-parametrische Methode kann die QC annähernd schätzen, aber ist dies notwendig, wenn die Art dieser Korrelation unbekannt ist? Nicht-parametrische QC ist nicht-parametrisch in dem Sinne, dass die zu ihrer Messung gewählten Maße nur unempfindlich gegenüber monotonen Transformationen von Beobachtungen sind, was auch auf dem Markt nicht immer der Fall ist. SB mit Abriss sorgt oft für abrupte, nicht monotone Rangveränderungen.
Im Gegensatz dazu liefert die lineare QC einen Wert, der nachvollziehbar anwendbar ist.
Alexey, lassen Sie uns definieren und unterscheiden zwischen langen Schwänzen und dicken Schwänzen, weil sie sich gegenseitig umkehren. Nach meinen Recherchen gibt es auf dem Markt keine Verteilungen mit langen Schwänzen.
Ich kann den Unterschied nicht erkennen. Ich werde meine Nase hineinstecken, um zu sehen, wo ich falsch liege.
Niemand behauptet, dass nicht-parametrische Methoden alle Probleme lösen. Aber oft sind ihre Schätzungen besser geeignet als parametrische Schätzungen - gerade wenn die Art der Korrelation unbekannt ist.
Wenn der Schwanz lang ist, ist er dünn. Die Ausnahme ist die Dreiecksverteilung und ähnliche (Trapezoide). Und vice versa. Und wenn man lange dünne Schwänze als dick bezeichnet, ist das verwirrend, denn dicke Schwänze sind eher kurz. Dies ist imho, nicht durch googeln.
Die Frage ist nur, wie die Verteilung aussieht. Die klassische Theorie erlaubt es nicht, diesen Begriff eindeutig zu definieren (mehr noch, sie erlaubt es nicht einmal, ihn zu konstruieren), daher verwende ich ihn nicht. Mein Ansatz ist die Entwicklung einer quasi-stationären Verteilung in einem Raum, der ein Fehlermaß definiert.
Ich kenne mich mit den Feinheiten nicht so gut aus. Wir sprachen über etwas anderes - nicht-parametrische Methoden.
HatAlexEro nicht recht mit Matlab? Es ist eine heilige Sache, leuchtend in der Luft, bezahlt, verrückte Kohle.....
Es ist nicht Matcad's Schuld, ich habe bereits oben geschrieben, warum der Rückgang passiert.
Noch einmal, AlexEro, der Zerfall kommt daher, dass man lcorr nicht aus cos(w*i) (einer Funktion, die sich auf beiden Seiten der Zahlenachse unendlich fortsetzt), sondern aus cos(w*i)*[h(i) - h(100-i)] berechnet, wobei h(t) die Heaviside-Funktion ist (Einheitsschritt). Eine einfache Möglichkeit zur Überprüfung: Je mehr Abtastwerte der Sinuskurve Sie einstellen, desto geringer ist das Dekrement. Die komplizierte Art der Prüfung: Setzen Sie den angegebenen Ausdruck explizit in die Formel für lcorr ein und erhalten Sie ein Dreieck.
Wenn der Schwanz lang ist, ist er dünn.
Im Fernsehen ist es genau umgekehrt, nicht wie in der Zoologie: Wenn der Schwanz lang ist, dann ist er dick.) Es geht darum, die Fläche unter dem Diagramm mit 1 zu normalisieren, d. h. der "Schwanz" pumpt einen Teil der Wahrscheinlichkeit aus dem zentralen Bereich heraus. Im Allgemeinen bedeutet "dick" (oder "lang", wenn Sie so wollen) je nach Kontext unterschiedliche Dinge - es kann sich um Verteilungen handeln, die langsamer abnehmen als die Gaußsche Verteilung, oder um Verteilungen mit unendlicher Varianz usw.
Es ist nicht die Schuld von Matcad, ich habe bereits oben beschrieben, warum die Dekrementierung auftritt.
Noch einmal, AlexEro, der Zerfall kommt daher, dass man lcorr nicht aus cos(w*i) (einer Funktion, die sich auf beiden Seiten der Zahlenachse unendlich fortsetzt), sondern aus cos(w*i)*[h(i) - h(100-i)] berechnet, wobei h(t) die Heaviside-Funktion ist (Einheitsschritt). Eine einfache Methode zur Überprüfung: Je mehr Samples einer Sinuskurve Sie einstellen, desto geringer ist die Abnahme. Die harte Art der Überprüfung: Setzen Sie den angegebenen Ausdruck explizit in die Formel für lcorr ein und erhalten Sie ein Dreieck.
(mit der müden Stimme von Professor Preobraschenski)
"Verzeihung, wer hat auf wem gestanden?"
Entschuldigung, wo habe ich "das Havyside-Funktionsfenster gezählt"? Zeigen Sie es mir, bitte, stupsen Sie mich mit Ihrer Nase an.
Oh, Scheiße, ich werde hier zu Allochka. Das ist eine Art Verschwörung, ein Ablenkungsmanöver.
Es ist mir egal, wie Matlab rechnet,
Es ist mir egal, wie Physiker in Fortran programmieren,
Es ist mir egal, was in den Köpfen von Matlab-Programmierern vor sich geht,
Es ist mir egal, was in den Köpfen eines bekifften Hindu-Taskmasters bei Matlab vorgeht, und dass er denkt, es sei "korrekt", Autokorrelation zu programmieren, und dass er für seine bekiffte "Korrektheit" denkt, dass das Fehlen von Stichproben am Ende eines Stichprobenintervalls IMMER mit einem Heaviside-Fenster "kompensiert" werden muss, was die gesamte Autokorrelation aufzehrt.
Das ist mir egal. Ich benutze Matlab nicht, habe es nie benutzt und habe auch nicht vor, es zu benutzen. Die Matlab-Zeichnungen, die ich zitiert habe, stammen von Privalova; ich habe dort auch einen Link zu ihnen angegeben.
Ich verstehe einfach nicht, wie Sie die Diskussion so verdrehen können. Das ist keine Diskussion, das ist eine sowjetische Demagogie. Ich spreche über die Definition von Autokorrelation, die Bedeutung dieses Konzepts, ich zeige Ihnen theoretische Grundlagen und einfache Regeln für die Überprüfung der Korrektheit jedes Autokorrelationsalgorithmus, ich zeige, dass in Matlab und in der Privalov-Dämpfung die Autokorrelation gleich bei der ersten Zählung beginnt, und ich erkläre, dass ich mir selbst die Schuld gebe, weilich "das Heaviside-Fenster zähle" . Ich werde von mir selbst unter verklagt!
Verdammt noch mal, gibt es hier auch nur einen Menschen, der weiß, wovon ich rede? Aua!
Verdammt noch mal, gibt es hier auch nur einen Menschen, der weiß, wovon ich spreche? Aua!
Es gibt sie. Na also, du hast es versprochen!
P.S. Warum gehen Sie nicht in den Thread "Was ist ein INDICATOR"? Vielleicht schreibst du in einem Jahr etwas Vernünftiges...
Während Alex darüber nachdenkt, was ein INDICATOR ist, eine Frage an alle: Es gibt zwei Proben von SILBER und GOLD. Tägliche Daten, 420 Beobachtungen.
Spearmans AC ist 0,52, der Rangkorrelationskoeffizient ist statistisch signifikant und die Rangkorrelationsbeziehung zwischen den Ergebnissen der beiden Tests ist signifikant.
Der KC-Wert von Pearson beträgt 0,64.
Und? Direkte Korrelation. Praktische Schlussfolgerung?