Beneficio de un rango de precios aleatorio - página 3

 
Mathemat:

hay que convertir los datos reales en datos con distribución normal.

¡No esperaba eso de ti! ¿Cómo es posible convertir los datos empíricos que no se ajustan a una distribución gaussiana en una distribución normal?

¿No hiciste tu tesis junto con el roble?
 
Rosh:
Es decir, ¿encontrar esa transformación de los datos brutos (cotizaciones) para ver los incrementos normales? ¿Y cómo funciona?
No lo sé, Rosh. Sólo lanzó esta idea desde el enlace que di. Aparentemente estaba tratando de hacer algo...
 
usdjpy писал (а): ¡No esperaba eso de ti! ¿Cómo es posible transformar los datos empíricos que no se ajustan a una distribución gaussiana en datos normales?

¿No hiciste tu tesis con un roble?
Aprende el Terver, Newton... Hay una distribución fractal que satisface Returns, y es estacionaria. Hay tablas de ello. Está la gaussiana, para la que existe una fórmula clara. Hay un teorema de Therver para la función de distribución integral de una variable aleatoria que es una función determinista dada de otra variable aleatoria. ¿Qué más necesita?
 
usdjpy:
Matemáticas:

hay que convertir los datos reales en datos con distribución normal.

¡No esperaba eso de ti! ¿Cómo es posible transformar los datos empíricos que no se ajustan a una distribución gaussiana en datos normales?

¿No hiciste tu tesis con un roble?


Primero hay que aprender a leer y entender lo que está escrito, luego hay que aprender a escribir

Hay que convertir los datos reales en datos con distribución normal, que es también la idea de Northwind...
 
El post anterior es un poco incoherente:
  • Existe una cosa llamada distribución fractal parabólica (algo bastante nuevo, se trata de modelar la distribución de objetos reales, como el tamaño de la ciudad de París en relación con las ciudades frugales de Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A no ser que hayas salido directamente de la universidad, probablemente no te lo hayan enseñado. No veo cómo encaja aquí.
  • Distribución estacionaria: si los vectores el. representan el. en el espacio de estados de una cadena de Markov, son números no negativos, dan una suma de 1, y el. i es la suma del vector el. j multiplicada por la probabilidad de transición del estado j al i. Cómo llega aquí tampoco lo entiendo.
  • También conozco el teorema de la integral de Mois-Laplace, de que para grandes n la distribución binomial converge a la distribución normal. No conozco otro, y éste tampoco encaja aquí.
Bien, sobre la distribución normal - las cotizaciones tal y como son, tal y como escribió S.W. y lo que hay en la palma de su mano, se distribuyen normalmente alrededor de la media móvil, así que aquí estamos tranquilos.
 
Mathemat:
Rosh:
Es decir, ¿encontrar esa transformación de los datos brutos (cotizaciones) para ver los incrementos normales? ¿Y cómo funciona?
No lo sé, Rosh. Sólo lanzó esta idea desde el enlace que di. Aparentemente, estaba tratando de hacer algo...
Lee apenas la primera página de ese hilo. Lo interesante es que modelé más o menos lo mismo, es decir, las entradas son aleatorias, el tamaño del stop es mayor que el del beneficio. Además, tanto el objetivo como el stop están lejos de los pips, cientos de pips. La rentabilidad es estable. Se ha tenido en cuenta la dispersión (2 puntos). Ojalá fuera tan fácil en el mercado real :)
 
olexij:
El post anterior es un poco incoherente:
  • Existe una cosa llamada distribución fractal parabólica (algo bastante nuevo, se trata de modelar la distribución de objetos reales, como el tamaño de la ciudad de París en relación con las ciudades frugales de Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A no ser que hayas salido directamente de la universidad, probablemente no te lo hayan enseñado. No veo cómo encaja aquí.
  • Distribución estacionaria: si los vectores el. en el espacio de estados de una cadena de Markov, son números no negativos, dan una suma de 1, y el. i es la suma del vector el. j multiplicada por la probabilidad de transición del estado j al i. Cómo llega aquí tampoco lo entiendo.
  • También conozco el teorema de la integral de Mois-Laplace, de que para grandes n la distribución binomial converge a la normal. No conozco otro, y este tampoco encaja aquí.
Bien, sobre la distribución normal - las cotizaciones tal y como son, como escribió S.W. y lo que hay en la palma de su mano, se distribuyen normalmente alrededor de la media móvil, así que estamos en el claro aquí.

olexij, la precisión de la redacción es sorprendente. Deberías ir a lib.mexmat.ru, no aquí (si no te importa "tú"). Intentaré responder punto por punto, con todo el rigor que pueda, y al mismo tiempo, para que al menos alguien aquí lo entienda. No vengo directamente del banco universitario, pero tengo una idea general del rigor matemático.

1. Distribución fractal: es decir, la que se trata en el libro de Peters, que tiene una tabla al final del libro. Enlace al libro: http://www.ozon.ru/context/detail/id/1691158/. Por cierto, también está disponible de forma gratuita en Spider. Hay una presentación más rigurosa en Fundamentals of Stochastic Financial Mathematics de Shiryaev. La fractalidad se refiere aquí más bien a la estabilidad de la distribución de la probabilidad.

2. Estacionariedad: sí, fui inexacto (como mala suerte, después de haberlo escrito pensé que era inexacto - seguramente alguien se metería conmigo). No me refería a la estacionariedad de la distribución, sino a la estacionariedad del proceso aleatorio Returns.

3. Conozco este teorema de la convergencia del binomio a la normal. Me refería al teorema por el cual puedes, teniendo una cantidad uniformemente distribuida y conociendo la función inversa de la función de distribución normal, obtener en tu ordenador una imitación bastante buena de una distribución normal. No recuerdo exactamente cómo se llama, pero es uno de los más importantes de terver.

Una última cosa: no estamos hablando de la distribución de las cotizaciones en torno a una media móvil; su normalidad... bueno, intuitivamente parece y no está en absoluto en la superficie. Nos referimos a los rendimientos, es decir, a las diferencias de precios de cierre de las barras vecinas, independientemente de los muwings.
 
olexij:
El post anterior es un poco incoherente:
  • Existe una cosa llamada distribución fractal parabólica (algo bastante nuevo, se trata de modelar la distribución de objetos reales, como el tamaño de la ciudad de París en relación con las ciudades frugales de Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A no ser que hayas salido directamente de la universidad, probablemente no te lo hayan enseñado. No veo cómo encaja aquí.
  • Distribución estacionaria: si los vectores el. en el espacio de estados de una cadena de Markov, son números no negativos, dan una suma de 1, y el. i es la suma del vector el. j multiplicada por la probabilidad de transición del estado j al i. Cómo llega aquí tampoco lo entiendo.
  • También conozco el teorema de la integral de Mois-Laplace, de que para grandes n la distribución binomial converge a la distribución normal. No conozco otro, y éste tampoco encaja aquí.
Bien, sobre la distribución normal - las cotizaciones tal y como son, tal y como escribió S.W. y lo que hay en la palma de su mano, se distribuyen normalmente alrededor de la media móvil, así que aquí estamos tranquilos.

Lee. Pensaba mucho. Lloró.
¡El autor está en llamas! Sigue así.
 
Mathemat:
olexij:
El post anterior es un poco incoherente:
  • Existe una cosa llamada distribución fractal parabólica (algo bastante nuevo, se trata de modelar la distribución de objetos reales, como el tamaño de la ciudad de París en relación con las ciudades frugales de Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A no ser que hayas salido directamente de la universidad, probablemente no te lo hayan enseñado. No veo cómo encaja aquí.
  • Distribución estacionaria: si los vectores el. en el espacio de estados de una cadena de Markov, son números no negativos, dan una suma de 1, y el. i es la suma del vector el. j multiplicada por la probabilidad de transición del estado j al i. Cómo llega aquí tampoco lo entiendo.
  • También conozco el teorema de la integral de Mois-Laplace, de que para grandes n la distribución binomial converge a la distribución normal. No conozco otro, y éste tampoco encaja aquí.
Bueno, en cuanto a la distribución normal, las cotizaciones, tal y como escribió S.W. y lo que tiene en la palma de su mano, se distribuyen normalmente en torno a la media móvil, así que aquí estamos tranquilos.

olexij, la precisión de la redacción es sorprendente. Deberías estar en lib.mexmat.ru, no aquí (si no te importa "tú"). Intentaré responder punto por punto, con todo el rigor que pueda, y al mismo tiempo, para que al menos alguien aquí lo entienda. No vengo directamente del banco universitario, pero tengo una idea general del rigor matemático.

1. Distribución fractal: es decir, la que se trata en el libro de Peters, que tiene una tabla al final del libro. Enlace al libro: http://www.ozon.ru/context/detail/id/1691158/. Por cierto, también está disponible de forma gratuita en Spider. Hay una presentación más rigurosa en Fundamentals of Stochastic Financial Mathematics de Shiryaev. La fractalidad se refiere aquí más bien a la estabilidad de la distribución de la probabilidad.

2. Estacionariedad: sí, fui inexacto (como mala suerte, después de haberlo escrito pensé que era inexacto - seguramente alguien se metería conmigo). No me refería a la estacionariedad de la distribución, sino a la estacionariedad del proceso aleatorio Returns.

3. Conozco este teorema de la convergencia del binomio a la normal. Me refería al teorema por el cual puedes, teniendo una cantidad uniformemente distribuida y conociendo la función inversa de la función de distribución normal, obtener en tu ordenador una imitación bastante buena de una distribución normal. No recuerdo exactamente cómo se llama, pero es uno de los más importantes de terver.

Una última cosa: no estamos hablando de la distribución de las cotizaciones en torno a una media móvil; su normalidad... bueno, intuitivamente parece y no está en absoluto en la superficie. De lo que estamos hablando es de los retornos, es decir, de las diferencias de precios de cierre de las barras vecinas, sin tener en cuenta los muwings.
Matemat, ya que os tuteáis entonces. :) La redacción precisa siempre es mejor cuando se habla de matemáticas y estadística, sobre todo cuando se tiene Google a mano y la mano no está seca. Punto por punto:
3. ¿Está escribiendo sobre la transformación de Box-Muller? Sobre la generación de números pseudoaleatorios normalmente distribuidos a partir de números pseudoaleatorios uniformemente distribuidos aquí: http://www.taygeta.com/random/gaussian.html. Pero, ¿dónde están los valores pseudoaleatorios distribuidos uniformemente?
2. Estacionariedad del proceso: probablemente sí. Tampoco creo que la función de distribución cambie con el tiempo.
1. Demasiada pereza para escarbar y leer ahora, a la vista del último comentario:
Existe, por ejemplo, una prueba de Kolmogorov-Smirnov, por la que, con una muestra aleatoria, se puede comprobar si la distribución de una variable aleatoria es normal o no: https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test. Si esto no es suficiente para usted, entonces por favor fusione todo lo anterior en una descripción de lo que está proponiendo.
 
alexjou:
olexij:
El post anterior es un poco incoherente:
  • Existe una cosa llamada distribución fractal parabólica (algo bastante nuevo, se trata de modelar la distribución de objetos reales, como el tamaño de la ciudad de París en relación con las ciudades frugales de Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A no ser que hayas salido directamente de la universidad, probablemente no te lo hayan enseñado. No veo cómo encaja aquí.
  • Distribución estacionaria: si los vectores el. en el espacio de estados de una cadena de Markov, son números no negativos, dan una suma de 1, y el. i es la suma del vector el. j multiplicada por la probabilidad de transición del estado j al i. Cómo llega aquí tampoco lo entiendo.
  • También conozco el teorema de la integral de Mois-Laplace, de que para grandes n la distribución binomial converge a la distribución normal. No conozco otro, y éste tampoco encaja aquí.
Bueno, en cuanto a la distribución normal, las cotizaciones, tal y como escribió S.W. y lo que tiene en la palma de su mano, se distribuyen normalmente en torno a la media móvil, así que aquí estamos tranquilos.

Lee. Pensaba mucho. Lloró.
¡El autor está en llamas! Sigue así.
No llores, el abuelo te dará un caramelo :)