Calcular la probabilidad de inversión - página 7
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
No son las formas de estimar los parámetros de una distribución normal (ajuste, aproximación) las que lo demuestran en absoluto. Es la propia distribución normal la que no tiene colas gruesas. Pregúntale a Alexander_K2, él estaba buscando esas colas. Basta con mirar la tabla con los parámetros de las unidades. Hay tablas en todos los libros de texto de televisión, creo, y en todos los libros de referencia de matemáticas. No importa cómo se ajuste, hay que cambiar la distribución de las variantes para captar las colas gordas. ¿Y por qué necesita una distribución de tipo exactamente? ¿Exactamente la distribución de la probabilidad? ¿Por qué estos sellos para "algunos datos"? ¿O no se trata de datos, sino de frecuencias relativas muestreadas, como supuse?
¿Quizá la cuestión es que la representación probabilística no describe en absoluto sus datos? Recuerde, como el pago esperado baila en el cuadro de Yuriy Asaulenko https://www.mql5.com/ru/forum/221552/page162#comment_6399653 en los tipos de cambio. ¿No quieres usar la representación probabilística para ellos? Entonces está claro de dónde vienen las colas pesadas.
Bueno, por supuesto, muestra las frecuencias relativas de los incrementos de precios. Pensé que estaba bastante claro, no hay mucha gente interesada en las otras opciones)
No uso las distribuciones para el comercio, sólo quería cerrar las brechas de conocimiento. Muchos matices prácticos de matstat no se describen en los libros de texto por alguna razón.
En este caso, no me interesan los parámetros de la distribución, ni siquiera su tipo, sino simplemente la forma de la curva. Cuánto se acerca a la gaussiana, dónde se desvía de ella y en qué medida. Hay cientos de páginas en los libros de texto sobre la estimación de parámetros, y ninguna sobre la estimación de la forma.
¿Qué vas a intentar, para reducir el error? En la formulación de la fórmula el problema planteado por ti se resuelve en una línea en la formulación general, incluso se hace la comparación de los resultados con tu propio experimento con k=0,65. ¿O no has entendido que p10^(1/10) es la solución?
No lo leí cuidadosamente al principio. Lo primero que me vino a la cabeza fue la estimación de los bordes, que es como lo estimé originalmente. Pero entonces me surgió una duda, ¿y si tomamos el punto central del histograma en lugar de los bordes? Y entonces me di cuenta de que no es tan sencillo, un grado no es suficiente. En cualquier caso, gracias por vuestra participación, lo más probable es que resuelva el problema de frente, como siempre, iterando y haciendo una fórmula completa para cada punto de interés.
"a ojo" significa trazar el gráfico cuantil-cuantil(o probabilidad-probabilidad) para la muestra y la distribución normal y asegurarse de que se aproxima bien a la línea recta.
Bueno, ahí va a ser el mismo problema. El valor absoluto del error en las colas es muchas veces menor que en el centro. Y la contribución debería ser la misma, supongo.
Sospecho que este hilo no fue creado por accidente :)))
Recuerdo que de alguna manera se consigue reducir la distribución doble gamma de los incrementos en el mercado a la normalidad pura... Y ahora está buscando una respuesta a la pregunta: ¿qué es lo siguiente?
Apoyo a Bas con su consejo: tienes que pasar a las opciones. Obviamente, el modelo Black-Scholes debería funcionar con tus datos.
En realidad no) lo que sigue lo decidí hace mucho tiempo, incluso antes de empezar a hacer. Pero suelo diseñar los algoritmos un poco a mi manera, debido a mis limitados conocimientos de matemáticas, suelen consumir muchos recursos y resuelven el problema de forma específica.
A veces hago algo, y tiempo después encuentro la solución, que es mucho más fácil y económica.
Es decir, sigo queriendo evolucionar y adoptar un enfoque más inteligente cada vez.
En cuanto al modelo Black-Scholes, cuando me enteré de su existencia, me sorprendió mucho que dieran un premio Nobel por un modelo tan primitivo y pensé: "ya veo dónde está la ciencia del mercado en el fondo", yo utilizaba una tecnología similar en mis antiguos desarrollos, pero no sabía que dieran premios Nobel por eso)). Ahora sé dónde están los errores y si voy a operar con opciones, no es con esta fórmula.Bueno, ahí va a ser el mismo problema. El valor absoluto del error en las colas es muchas veces menor que en el centro. Y la contribución debería ser la misma, como supongo.
Deberíamos observar cómo se distribuyen estos errores a lo largo del tiempo en la muestra inicial y si no hay dependencia entre ellos. Si no hay dependencia y se sitúan más o menos uniformemente, debemos seleccionar otra familia paramétrica de distribuciones. De lo contrario, se violan las condiciones del teorema de Glivenko-Kantelli y no hay que esperar que el histograma se aproxime a la densidad de alguna distribución.
Hay que ver cómo se distribuyen estos errores en el tiempo en la muestra original y si no hay dependencia entre ellos. Si no hay dependencia y se distribuyen más o menos uniformemente, debemos elegir otra familia paramétrica de distribuciones. De lo contrario, se violarán las condiciones del teorema de Glivenko-Kantelli y no deberíamos esperar que el histograma se aproxime a la densidad de alguna distribución.
La cuestión es si lo estoy haciendo correctamente, dando a los errores de las colas el mismo peso que en el centro (utilizando los dos métodos mencionados que he tenido que inventar yo mismo por su ausencia en los libros de texto).
No me interesa un tipo de distribución en particular. Sólo son interesantes las diferencias con respecto a los gaussianos.
La cuestión es si estoy haciendo lo correcto al dar el mismo peso a los errores de las colas que a los del centro (utilizando los dos métodos anteriores, que he tenido que inventar yo mismo debido a su ausencia en los libros de texto).
No me interesa un tipo de distribución en particular. Sólo me interesan las diferencias con los gaussianos.
Consideremos una gráfica de densidad de distribución uniforme en el intervalo de cero a uno. ¿Gaussianos con qué parámetros se aproximarán correctamente?
Una contrapregunta: tengamos una gráfica de la densidad de una distribución uniforme en un segmento de cero a uno. ¿Qué parámetros de la gaussiana la aproximarán correctamente?
Bueno, estamos hablando de distribuciones que se parecen a una gaussiana.
Bueno, estamos hablando de distribuciones de tipo gaussiano.
Bien, tomemos entonces una densidad de distribución de Cauchy o Laplace.