Beneficio de un rango de precios aleatorio - página 4

 
olexij: 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 tenemos aquí cantidades distribuidas uniformemente de forma pseudo-aleatoria?
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, para 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 escrito anteriormente de manera significativa en la descripción de lo que está proponiendo.

3. sí, aunque se trate de Box-Muller, hay muchos métodos diferentes. Incluso aquí hay una biblioteca estadística (de klot, creo), hay una función, la inversa de la normal, sólo para generar un valor normal a partir de uno uniformemente distribuido. En cualquier caso, la ley fundamental de transformación de probabilidades es la base aquí. Esa es la ley a la que me refiero.

En cuanto a lo que se me escapa: no lo hago, sino que me limito a señalar que probablemente esto es lo que quería hacer S.V. Al parecer, quería recopilar estadísticas sobre las devoluciones y, a continuación, basándose en la distribución empírica de las mismas, transformar estos datos en otros de distribución normal, sobre los que, según sus pistas y las afirmaciones deRosh, se puede picar la col. De este modo, cada dimensión de los Retornos reales se corresponderá mutuamente de forma inequívoca con la "normalizada". En los datos "normalizados", las operaciones se abren/cierran y se transforman en operaciones sobre datos reales.

1. Y deberías leer a Peters, hay muchas cosas interesantes ahí. No necesito hacer la prueba de Kolmogorov-Smirnov para comprobar la normalidad de las devoluciones, ya que sé que no son normales, y esto es realmente obvio, por ejemplo por el hecho de que existen colas pesadas. Los eventos del tipo Six Sigma en el mercado real son bastante raros, pero siguen siendo cientos de miles de veces más frecuentes que la ley normal.

 
 
Mathemat:
olexij: 3. ¿Está escribiendo sobre la transformación de Box-Muller? Sobre la generación de números pseudo-aleatorios normalmente distribuidos a partir de números pseudo-aleatorios 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, para 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.

3. sí, aunque se trate de Box-Muller, hay muchos métodos diferentes. Incluso aquí hay una biblioteca estadística (de klot, creo), hay una función, la inversa de la normal, sólo para generar un valor normal a partir de uno uniformemente distribuido. En cualquier caso, la ley fundamental de transformación de probabilidades es la base aquí. Esa es la ley a la que me refiero.

En cuanto a lo que se me escapa: no lo hago, sino que me limito a señalar que probablemente esto es lo que quería hacer S.V. Al parecer, quería recopilar estadísticas sobre las devoluciones y, a continuación, basándose en la distribución empírica de las mismas, transformar estos datos en otros de distribución normal, sobre los que, según sus pistas y las afirmaciones deRosh, se puede picar la col. De este modo, cada dimensión de los Retornos reales se corresponderá mutuamente de forma inequívoca con la "normalizada". En los datos "normalizados", las operaciones se abren/cierran y se transforman en operaciones en los datos reales.

1. Y lee a Peters, hay muchas cosas interesantes ahí. No necesito hacer la prueba de Kolmogorov-Smirnov para comprobar la normalidad de las devoluciones, ya que sé que no son normales, y esto es realmente obvio, por ejemplo por el hecho de que hay colas pesadas. Los eventos del tipo Six Sigma son bastante raros en el mercado real, pero siguen siendo cientos de miles de veces más frecuentes que la ley normal.

Gracias por sus explicaciones.
3. ¿Sabemos que las cantidades están distribuidas uniformemente? O en general, ¿cuál es nuestra función de distribución? Si es así, tenemos una función de distribución que podemos transformar. Kolmogorov también puede ayudar aquí.
1. Leyendo la descripción anterior en el 1 sobre la estabilidad, en realidad duplica el punto 2 sobre la estacionariedad, por lo que entiendo. Acerca de Peters - lo tomaré y lo leeré, gracias.
En cuanto a la empresa en sí, veamos qué hacen. Si de repente desaparecen aquí, vale la pena echar un vistazo más de cerca.
 
usdjpy:
¿Qué hay de Peters?
Me gusta más Peters. Es como si el traductor inglés no supiera que Peters en inglés se lee como Peters...
 

Gracias, los enlaces no sólo funcionan en Rusia. Me interesan los libros sobre la gestión del dinero, ¿puede sugerirme algo? Matemat, la pregunta también es para ti :)
 
olexij:

Gracias, los enlaces no sólo funcionan en Rusia. Me interesan los libros sobre la gestión del dinero, ¿puede sugerirme algo? Matemat, una pregunta para ti también :)

Clásicos del género.

Р. Vince, Las matemáticas de la gestión del dinero.

Para el autotrading

Yuri Reshetnikov "Métodos de gestión del dinero y MTS"
 
olexij:
1. Leyendo la descripción anterior en el 1 sobre la estabilidad, en realidad duplica el punto 2 sobre la estacionariedad, por lo que entiendo.

No, no es así. Una distribución de probabilidad estable es ésta (de Shiryaev, vol. 1, p. 232):

Algo parecido son las distribuciones infinitamente divisibles.

 
Mathemat:
olexij:
1. Leyendo la descripción anterior en el 1 sobre la estabilidad, en realidad duplica el punto 2 sobre la estacionariedad, por lo que entiendo.

No, no es así. Una distribución de probabilidad estable es ésta (de Shiryaev, vol. 1, p. 232):

Algo parecido son los repartos infinitamente divisibles.

Gracias por la aclaración, incluso la he copiado, ¡vaya! No veo dónde lo necesitamos todavía. La pregunta 3 sigue en pie, si seguimos discutiendo este tema: ¿cómo transformar la distribución 1 en la distribución 2, si la distribución 1 es desconocida? ¿Debemos aceptar primero la hipótesis de la distribución 1, probarla y luego transformarla?
 
Yury Chebotaryov tiene cierta reputación, una reputación negativa.
En su momento, estuvo bien expuesto en algunos foros serios.
Así que no tiene mucho sentido leer sus artículos, salvo para divertirse.

"Dub demostró la imposibilidad de ganar sistemáticamente en una serie aleatoria de datos"
- Esto es generalmente incorrecto, a menos que se especifique la serie aleatoria en cuestión.

Por ejemplo, en una serie aleatoria de este tipo X = a + b*t + e es muy fácil ganar dinero (e es una variable aleatoria)
Hay muchas otras series aleatorias sobre las que se puede construir un sistema.

La cuestión principal es que hay series aleatorias con memoria y otras sin memoria.
Existe una serie aleatoria con memoria; tiene una función de distribución de incrementos de una variable aleatoria (e) que NO depende de sus valores anteriores.
Una serie aleatoria sin memoria - su función de distribución de incrementos de una variable aleatoria NO depende de los valores anteriores de la serie.

Es imposible construir un sistema rentable sobre una serie aleatoria sin memoria.
 
olexij:
En cuanto a la distribución normal, las cotizaciones se distribuyen normalmente en torno a la media móvil, tal y como escribió S.W. y lo que se encuentra en la palma de su mano, así que aquí estamos tranquilos.
Corrección.
1. El tipo de función de distribución de las diferencias de precio y la media depende de la varianza de esa distribución y del valor de la media.
2. La función de distribución de esta diferencia es asimétrica, por lo que no puede ser gaussiana.
3. En determinadas condiciones, la distribución de la diferencia tiende a una distribución gaussiana, pero nunca llega a serlo.