Beneficio de un rango de precios aleatorio - página 3
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
hay que convertir los datos reales en datos con distribución normal.
¿No hiciste tu tesis junto con el roble?
Es decir, ¿encontrar esa transformación de los datos brutos (cotizaciones) para ver los incrementos normales? ¿Y cómo funciona?
¿No hiciste tu tesis con un roble?
hay que convertir los datos reales en datos con distribución normal.
¿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
- 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.Es decir, ¿encontrar esa transformación de los datos brutos (cotizaciones) para ver los incrementos normales? ¿Y cómo funciona?
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.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.
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.¡El autor está en llamas! Sigue así.
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.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.
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.
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.¡El autor está en llamas! Sigue así.