De la teoría a la práctica - página 365
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
¡¡¡¡¡¡¡¡¡Caballeros!!!!!!!!!
Está llegando a su fin, ¿verdad? Finita la comedia, como se dice.
Te aseguro que los flujos de Erlang son la clave.
Aquí, literalmente, acabo de comprobar las cotizaciones del AUDCAD de esta semana.
1. No hay intervalos de tiempo que ayuden a leer las citas de manera uniforme. De todos modos, en M1, M5, etc. no hay ninguna distribución simétrica, ni siquiera remotamente parecida a la normal, o a la de Laplace. Imposible de conseguir, haz lo que quieras.
2. Al pasar del flujo simple al flujo Erlang de orden 300 (algo así como M5), se observa con seguridad la distribución de Laplace para los incrementos.
Todavía no he comprobado más.
Saludos,
El gato de Schrödinger.
es decir, se puede eliminar la lectura exponencial, o sigue siendo primaria y luego Erlang?
es decir, se puede eliminar la lectura exponencial, o sigue siendo primaria y luego Erlang?
Resulta que es posible configurar un generador HF con la distribución Erlanghttps://en.wikipedia.org/wiki/Erlang_distribution de orden 300 y leer las cotizaciones de los ticks en estos intervalos de tiempo. No se pueden considerar órdenes más pequeños: la transición a la distribución de Laplace se observa sólo a partir de 300.
Desgraciadamente, no conozco un "proceso de Laplace" de este tipo en contraposición a un proceso de Wiener. Pero, aun así, debería facilitar la solución del problema.
Resulta que es posible poner de una vez un generador HF con la distribución Erlanghttps://en.wikipedia.org/wiki/Erlang_distribution de orden 300 y leer en estos intervalos de tiempo las cotizaciones de los ticks. No se pueden considerar órdenes más pequeños: la transición a la distribución de Laplace se observa sólo a partir de 300.
Desgraciadamente, no conozco un "proceso de Laplace" de este tipo en contraposición a un proceso de Wiener. Pero, aun así, debería facilitar la solución del problema.
Y también existe la distribución q-gaussiana, ¿puede de alguna manera ser relevante aquí? Hay algo sobre la entropía y sobre todo, es que los códigos ya están ahí :)
Todavía no he entendido nada del artículo
Con Close en el acta, todos trabajan. Aquí se compite con todo el mundo, incluso con los papúes. Y en los flujos de Erlang estás solo, y con la distribución de Laplace con su conocida función cuantil.
Con Close en el acta, todos trabajan. Aquí se compite con todo el mundo, incluso con los papúes. Y en los flujos de Erlang - está solo, y con la distribución de Laplace con su conocida función cuantil.
(Si se afina la distribución en un 2-3%, ni siquiera se notan estos errores en el gráfico). Aquí no tienes ninguna ventaja, ni siquiera sobre los papúes).
Con Close en el acta, todos trabajan. Aquí se compite con todo el mundo, incluso con los papúes. Y en los flujos de Erlang estás solo, y con la distribución de Laplace con su conocida función cuantil.
La distribución de Laplace, la exponencial como caso especial de la distribución Erlang a k=1, la distribución Gamma, análoga a la geométrica continua y al flujo simple de Poisson y un caso especial de la distribución Weibull tienen una característica clave: la falta dememoria. La distribución de Laplace, aunque tiende a la distribución normal, tiene colas más densas.
Mientras que A_K2 está jugando con los flujos de Erlang, todos lo tenemos aquí desde hace mucho tiempo). Tomamos datos minúsculos, digamos Close, y ya tenemos un flujo Erlang de unos 90-100 de orden. Y todas las distribuciones están donde deben estar. ¿Qué hay que pensar? Tenemos que sacudirnos.
No tendrás tiempo astronómico, se desplazará, es tiempo de funcionamiento.
La distribución de Laplace, la Exponencial como caso especial de la distribución Erlang a k=1, la distribución Gamma, análoga a la geométrica continua y al flujo simple de Poisson y un caso especial de la distribución Weibull tiene la propiedad clave de no tenermemoria. La distribución de Laplace, aunque tiende a la normalidad, tiene colas más densas.
Las colas no son memoria. La memoria es la dependencia del siguiente incremento con respecto al anterior.
Las distribuciones no aportan la más mínima información sobre la presencia/ausencia de memoria; para eso hay que fijarse en las distribuciones condicionales o en la autocorrelación, que son esencialmente lo mismo.
Una simple ilustración: puedo barajar cualquier serie de gradientes (intercambiar gradientes al azar). La memoria puede aparecer o no. Pero la distribución no cambia.
Los ciudadanos que sufran este problema, busquen en Google y estudien lo básico. De lo contrario, es ridículo leerte.