Me gustaría compartir el enlace - página 2
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
Mi punto es diferente. No vale la pena gastar mucho tiempo en demostrar la inconsistencia de la HME - de todos modos no hay peces allí. Sí, hay colas, sí la razón es reaccionar a un conjunto de informaciones más que a noticias individuales. Sí, ahora está científicamente probado. Pero el mercado es tan inestable como siempre y no ha sido más fácil ganar dinero con él.
p.d., unos cuantos artículos más como este y te meterás en las ideas de la estadística fractal, la causalidad es una de las piedras angulares ahí.
Estoy familiarizado con ella. Simplemente lo encuentro poco desarrollado en comparación con otros métodos.
No merece la pena dedicar mucho tiempo a demostrar que la HME no es válida, de todas formas no hay peces en ella.
No me interesa demostrar nada. La idea es completamente diferente. El mercado no es estacionario. Es un hecho. No se puede cambiar. Pero eso no significa que debas cerrar los ojos y esperar las probabilidades. El enfoque científico habitual es dar un mordisco a lo que entendemos y podemos morder.
faa1947: толстые хвосты являются результатом памяти в котире.
Esto es un hecho conocido.
¿Y por qué necesitamos una memoria en forma de colas oscuras, si tenemos acceso ilimitado (memoria) a los datos del pasado?
Si sólo las colas mostraran el comportamiento futuro del cociente, entonces sería una información inestimable, porque no estamos operando en el pasado, sino en el futuro.
Esto es un hecho conocido.
¿Y por qué necesitamos una memoria en forma de colas oscuras, si tenemos acceso ilimitado (memoria) a los datos del pasado?
Si sólo las colas mostraran el comportamiento futuro del kotir, entonces sería una información inestimable, porque no estamos operando en el pasado, sino en el futuro.
Sí, claro que sí. Agarrando todo.
Una vez vi un artículo que utilizaba los cambios en la ley de la distribución para hacer predicciones. Es un pensamiento inusual.
Lo compartiré.
Sobre las colas - hay un resultado encantador. Permítanme explicar la metodología del cálculo.
Todos sabemos cómo se distribuyen las primeras diferencias de una serie monetaria (más o menos como exp(-a|x|), o así). Me propuse determinar qué partes de esta distribución son los "verdaderos portadores de información externa", por así decirlo. Lo que hacemos es esto. Contemos los rendimientos RMS en un intervalo grande de tiempo y para cada cociente calculemos la relación de probabilidad de su pertenencia a la distribución de Laplace con respecto a la normal con la misma varianza. No me detendré en cómo calcularlo, ahí está la wikipedia.
Los casos interesantes surgen cuando trazamos la distribución de la propia razón de verosimilitud (o más bien, su logaritmo:
En la figura se recorta a la derecha en 2, pero la cola teóricamente llega hasta el infinito. Así que todo es un precipicio agudo en el valor de 1/2*ln(pi). Resulta que una pequeña fracción de citas da una ocurrencia muy diferente de Laplace: una distribución con colas más gruesas que la gaussiana. Y estas cotizaciones son computables.
Parece que es posible construir efectivamente un analizador de tendencia plana basado en este hecho y determinar el cumplimiento del criterio ya en la barra actual. Bueno, o al menos identificar eficazmente las catástrofes y responder a ellas rápidamente.
Lo compartiré.
En cuanto a las colas, hay un resultado fascinante. Permítanme explicar la metodología de los cálculos.
Todos sabemos cómo se distribuyen las primeras diferencias de una serie monetaria (más o menos como exp(-a|x|), o así). Me propuse determinar qué partes de esta distribución son los "verdaderos portadores de información externa", por así decirlo. Lo que hacemos es esto. Calcule para algún periodo de tiempo grande los rendimientos RMS y para cada cociente calcule la razón de probabilidad de su pertenencia a la distribución de Laplace respecto a la normal con la misma varianza. No me detendré en cómo calcularlo, para eso está la wikipedia.
Cuando trazamos la distribución del coeficiente de probabilidad (o más bien, su logaritmo) ocurren cosas interesantes:
En la figura está recortado a la derecha en 2, pero la cola teóricamente llega hasta el infinito. Así que todo es un precipicio agudo en el valor de 1/2*ln(pi). Resulta que una pequeña fracción de citas da una ocurrencia muy diferente de Laplace: una distribución con colas más gruesas que la gaussiana. Y estas cotizaciones son computables.
Parece que es posible construir efectivamente un analizador de tendencia plana basado en este hecho y determinar el cumplimiento del criterio ya en la barra actual. Bueno, o al menos identificar eficazmente las catástrofes y responder a ellas rápidamente.
Muy interesante.
Cuando hablamos de distribución, nos basamos en un número bastante grande de observaciones. En el gráfico veo una cifra de 20.000. Estoy de acuerdo en que con tantas observaciones podemos sacar conclusiones sobre la ley de la distribución. Pero nos interesa el bar que sigue al actual. Y aquí, cuanto mayor sea el número de observaciones, más conclusiones "medias" se podrán sacar sobre la última barra.
Hay una curiosa cifra de 30. Antes de los 30 años se considera que tenemos estadísticas t, y después de los 30 años tenemos estadísticas z si muestreamos una población normal.
Así que la pregunta es. ¿Es posible utilizar el patrón identificado en muestras grandes para utilizarlo en muestras pequeñas, suponiendo que esta pequeña pertenece a una grande?
Muy interesante.
Cuando hablamos de una distribución, nos basamos en un número suficientemente grande de observaciones. En el gráfico veo una cifra de 20.000. Estoy de acuerdo en que con tantas observaciones podemos sacar conclusiones sobre la ley de la distribución. Pero nos interesa el bar que sigue al actual. Y aquí, cuanto mayor sea el número de observaciones, más conclusiones "medias" se podrán sacar sobre la última barra.
Hay una curiosa cifra de 30. Antes de los 30 se dice que tenemos un estadístico t, y después de los 30 tenemos un estadístico z si la muestra y la población son normales.
Así que la pregunta es. ¿Es posible utilizar el patrón identificado en muestras grandes para utilizarlo en muestras pequeñas, suponiendo que esta pequeña pertenece a una grande?
La naturaleza de la distribución no cambia. Por cierto, el propio estudio partía del hecho de que el extraño comportamiento de la razón de verosimilitud es perceptible, podríamos decir, a simple vista: