Habla bien del vagabundo ocasional... - página 24
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
Probablemente sería mejor cambiar la tarea para el mercado - añadir que también hay 1000 princesas y que eligen al mismo tiempo cuando se muestra el próximo novio. Si a dos novias les gusta el novio, sólo será la mitad de ellas)). Una vez que una novia tiene un total de 1 novio, ya no participa en el espectáculo. ¿Cuál es la estrategia óptima de la novia? :)
Está claro que el problema no se resuelve si las novias no se interesan por las estrategias del otro).
El príncipe es la ganancia de papel acumulada desde que el príncipe tomó una pose (abierta).
+ ciento cincuenta
Y si imaginamos que los príncipes se estampan como en una cadena de montaje (en cuanto uno muere, se añade uno nuevo a la cola), entonces el "deseo" de la princesa de tener constantemente (o al menos aspirar a tener) el mejor novio disponible se asemeja a la tarea que resuelven los departamentos de Análisis de Riesgos.
Lo has entendido todo mal.
Forex es una princesa. Cuando cree que ya está "¡Allí está!", hace su elección y se da la vuelta. :)
Así es, ya que el mercado siempre tiene la última y decisiva palabra.
Lo feo es que si el trato se presenta como un novio, entonces el mercado también puede tener varios novios seguidos como una princesa. Las condiciones del problema son muy diferentes.
Aun así, no entiendo muy bien por qué no queremos aplicar la condición lo más cerca posible del problema original.
Tenemos 1000 lecturas de precios, que vienen una tras otra, tenemos que elegir una de, digamos, m=10 máximas con la máxima probabilidad. El problema es fundamentalmente decidible, la condición necesaria y suficiente para ello es conocer la distribución de probabilidad de las próximas cotizaciones para cada momento del tiempo, aunque sea arbitraria (si suponemos que las cotizaciones son dependientes). Y esta cuestión puede resolverse fácilmente, la estimación de los parámetros de la distribución condicional cuando se conoce su forma es una tarea bastante estándar.
El método se describe con más detalle en el artículo, salvo que los cálculos serán más complicados... pero ¿quién les impide hacerlas numéricamente, sin amontonar fórmulas?
El problema aquí no está tanto en esto, sino en la posibilidad fundamental de resolver el problema a nivel de "beneficio", ya que para utilizar el resultado en la práctica, necesitamos obtener con una probabilidad superior al 50% tanto el máximo como el mínimo del intervalo, es decir.es decir, Pmax*Pmin>=0,5, donde Pmax y Pmin>=0,7071, es decir, es necesario elegir m de forma que no proporcione una estimación peor que el 71% del máximo-mínimo, lo que puede ser prácticamente irrealizable.
Pero en general, en mi opinión, el problema de esta formulación merece una atención especial. Probablemente lo haré de todos modos.
Aun así, no entiendo muy bien por qué no queremos aplicar la condición lo más cerca posible del problema original.
Tenemos 1000 lecturas de precios, que se suceden, es necesario elegir con la máxima probabilidad uno de, digamos, m=10 máximos. El problema es fundamentalmente solucionable, la condición necesaria y suficiente para ello es conocer la distribución de probabilidad de las siguientes cotizaciones para cada momento del tiempo, aunque sea arbitraria (si suponemos que las cotizaciones son dependientes). Y esta cuestión se puede resolver fácilmente, la estimación de los parámetros de una distribución condicional con su forma conocida es una tarea bastante estándar.
El método se describe en detalle en el artículo, salvo que los cálculos serán más complicados... pero ¿quién nos impide hacerlos numéricamente, sin un montón de fórmulas?
El problema aquí no está tanto en esto, sino en la posibilidad fundamental de resolver el problema a nivel "rentable", ya que para poder utilizar el resultado en la práctica, debemos obtener con una probabilidad superior al 50% en el máximo y el mínimo del intervalo, es decir.es decir, debe ser Pmax*Pmin>=0,5 donde Pmax y Pmin>=0,7071, es decir, es necesario seleccionar m de manera que no proporcione una estimación peor que el 71% del máximo-mínimo, lo que puede resultar prácticamente irrealizable.
Pero en general, en mi opinión, el problema de esta formulación merece una atención especial. Probablemente, lo haré después de todo.
Si conocemos el tipo y los parámetros de la distribución condicional futura, ¿no es ya suficiente para ganar dinero? ¿Cómo lo sabemos o cómo lo obtenemos?
No es suficiente. La presencia de dependencia no significa que la expectativa de la distribución condicional sea diferente de cero. Es más, te diré que, por lo que he investigado profundamente, la MO de las distribuciones condicionales es exactamente 0 o muy cercana a ella para que la profundidad de la dependencia sea al menos de 3 barras. El contenido principal de la dependencia estadística, por tanto, es el efecto de las cotizaciones anteriores sobre la varianza de las posteriores.
Obtenemos los parámetros condicionales de forma muy sencilla. La densidad condicional del valor actual x0 de la serie de diferencias en función del anterior x1 se busca como W(x0/x1) = (a0+a1*x1)/2 * exp{-(a0+a1*x1)*|x0|} - es una distribución exponencial con la variable linealmente dependiente de la cita anterior. He estado investigando la forma de esta función y puedo decir que esta forma de escribir encaja muy bien en el mercado. Y luego ajustamos los parámetros a0 y a1 a la serie actual por cualquier método conocido y los utilizamos.
No es suficiente. La presencia de dependencia no significa que la expectativa de la distribución condicional sea diferente de cero. Además, te diré que, por lo que he investigado en profundidad, la MO de las distribuciones condicionales es exactamente 0 o muy cercana a ella para que la profundidad de la dependencia sea al menos de 3 barras. El contenido principal de la dependencia estadística, por tanto, es el efecto de las cotizaciones anteriores sobre la varianza de las posteriores.
Obtenemos los parámetros condicionales de forma muy sencilla. La densidad condicional del valor actual x0 de la serie de diferencias en función del anterior x1 se busca como W(x0/x1) = (a0+a1*x1)/2 * exp{-(a0+a1*x1)*|x0|} - es una distribución exponencial con la variable linealmente dependiente de la cita anterior. He estado investigando la forma de esta función y puedo decir que esta forma de escribir encaja muy bien en el mercado. Y luego ajustamos los parámetros a0 y a1 a la serie actual por cualquier método conocido y los utilizamos.
Pero la distribución depende de los datos de entrada y del conocimiento del proceso. Es decir, has investigado las dependencias conocidas y has encontrado varios efectos en la memoria de la volatilidad y en base a ello puedes construir distribuciones de varianza condicional. Basado en este modelo mo=0 en un gran conjunto de datos. Pero eso no significa que realmente no haya memoria en la dirección de los incrementos, sólo en la magnitud de los mismos. Así que los príncipes bien pueden no ir al azar a la novia, pero los que son peores y los que son mejores pueden ir primero)) O en alguna otra secuencia no aleatoria. Y ese hecho confundirá todas las cartas. El esquema funciona si los príncipes entran al azar, sin importar su bondad y la de los que entraron antes. Por supuesto, si sólo hay dependencias como muy buen príncipe será seguido por muy buen o muy mal príncipe (dependencias de valor), entonces sí, el problema puede ser resuelto considerando el tipo de estas dependencias
Pero al fin y al cabo, la distribución depende de los datos de entrada y del conocimiento del proceso. Es decir, has investigado las dependencias conocidas y has encontrado diferentes efectos en la memoria de la volatilidad y a partir de ahí puedes construir distribuciones de varianza condicionales. Basado en este modelo mo=0 en un gran conjunto de datos. Pero eso no significa que realmente no haya memoria en la dirección de los incrementos, sólo en la magnitud de los mismos. Así que los príncipes bien pueden no ir al azar a la novia, pero los que son peores y los que son mejores pueden ir primero)) O en alguna otra secuencia no aleatoria. Y ese hecho confundirá todas las cartas. El esquema funciona si los príncipes entran al azar, sin importar su bondad y la de los que entraron antes. Por supuesto, si sólo hay dependencias como muy buen príncipe será seguido por muy buen o muy mal príncipe (dependencias de valor), entonces sí, el problema puede ser resuelto considerando el tipo de estas dependencias
No digo que conozca _todas_ las dependencias, pero sí conozco algunas y puedo estimar probabilidades con ellas. Por lo que sé, los parámetros a0 y a1 flotan muy lentamente, con un periodo de unas horas en un gráfico de minutos, y fluctúan en un rango bastante estrecho, por lo que se pueden calcular y utilizar.
La presencia de una correlación no significa que los príncipes no entren por casualidad. Por ejemplo, podría ser que la probabilidad de que venga un príncipe "ligeramente mejor" después de un príncipe "malo" sea ligeramente superior a la probabilidad de que venga un príncipe "mucho mejor", es decir, en este caso hay cierta autocorrelación positiva (a diferencia del esquema clásico, en el que la probabilidad de obtener "mucho mejor" y "ligeramente mejor" es la misma). Las dependencias de este tipo no afectan al rendimiento del sistema.
...la probabilidad de que entre un príncipe "ligeramente mejor" después de un príncipe "malo" es ligeramente superior a la probabilidad de que entre un príncipe "mucho mejor", es decir, en este caso hay cierta autocorrelación positiva (a diferencia del esquema clásico, en el que la probabilidad de obtener "mucho mejor" y "ligeramente mejor" es la misma). Las dependencias de este tipo no afectan al rendimiento del sistema.
Y hay un impacto. La correlación aquí no es "algo positiva", sino cercana a uno y en un espacio de retardo muy amplio.