Tirer profit d'une fourchette de prix aléatoire - page 3

 
Mathemat:

vous devez convertir les données réelles en données normalement distribuées.

Je ne m'attendais pas à ça de ta part ! Comment est-il possible de convertir des données empiriques qui ne se conforment pas à une distribution gaussienne en une distribution normale ?

N'avez-vous pas fait votre thèse avec le chêne ?
 
Rosh:
C'est-à-dire, trouver une telle transformation des données brutes (citations) pour voir des incréments normaux ? Et comment ça se passe ?
Je ne sais pas, Rosh. Il a seulement ajouté cette idée à partir du lien que j'ai donné. Apparemment, il essayait de faire quelque chose...
 
usdjpy писал (а): Je ne m'attendais pas à ça de ta part ! Comment est-il possible de convertir des données empiriques qui ne se conforment pas à une distribution gaussienne en données normales ?

Tu n'as pas fait ta dissertation avec un chêne ?
Apprendre le Terver, Newton... Il existe une distribution fractale que les retours satisfont, et elle est stationnaire. Il y en a des tables. Il y a la gaussienne, pour laquelle il existe une formule claire. Il existe un théorème de Therver pour la fonction de distribution intégrale d'une variable aléatoire qui est une fonction déterministe donnée d'une autre variable aléatoire. Que vous faut-il de plus ?
 
usdjpy:
Mathemat:

vous devez convertir des données réelles en données normalement distribuées.

Je ne m'attendais pas à ça de ta part ! Comment est-il possible de transformer des données empiriques qui ne se conforment pas à une distribution gaussienne en données normales ?

Tu n'as pas fait ta dissertation avec un chêne ?


Il faut d'abord apprendre à lire et à comprendre ce qui est écrit, puis apprendre à écrire...

Vous devez convertir les données réelles en données normalement distribuées, ce qui est aussi l'idée de Northwind...
 
Le message ci-dessus est un peu décousu :
  • Il existe une distribution fractale parabolique (c'est assez nouveau, il s'agit de modéliser la distribution d'objets réels, comme la taille de la ville de Paris par rapport aux villes frugales de France https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). À moins que vous ne sortiez tout droit de l'université, vous ne l'avez probablement pas appris. Je ne vois pas comment ça s'intègre ici.
  • Distribution stationnaire : si les vecteurs el. sont el. dans l'espace d'état d'une chaîne de Markov, sont des nombres non négatifs, donnent une somme de 1, et el. i est la somme des vecteurs el. j multipliée par la probabilité de transition de l'état j à i. Je ne comprends pas non plus comment il arrive ici.
  • Je connais aussi le théorème de l'intégrale de Mois-Laplace, selon lequel, pour un grand n, la distribution binomiale converge vers la distribution normale. Je n'en connais pas d'autre, et celui-ci ne convient pas non plus.
Eh bien, à propos de la distribution normale - les citations telles qu'elles sont, telles que S.W. les a écrites et ce qui se trouve dans la paume de sa main, sont normalement distribuées autour de la moyenne mobile, donc nous sommes dans le clair ici.
 
Mathemat:
Rosh:
C'est-à-dire, trouver une telle transformation des données brutes (citations) pour voir des incréments normaux ? Et comment ça se passe ?
Je ne sais pas, Rosh. Il a seulement ajouté cette idée à partir du lien que j'ai donné. Apparemment, il essayait de faire quelque chose...
Lisez juste la première page de ce fil. Ce qui est intéressant, c'est que j'ai modélisé à peu près la même chose, c'est-à-dire que les entrées sont aléatoires, la taille du stop est supérieure à celle du profit. De plus, la cible et le stop sont loin des pips, des centaines de pips. La rentabilité est stable. L'écart a été pris en compte (2 points). Si seulement c'était aussi facile sur le marché réel :)
 
olexij:
Le message ci-dessus est un peu décousu :
  • Il existe une distribution fractale parabolique (c'est assez nouveau, il s'agit de modéliser la distribution d'objets réels, comme la taille de la ville de Paris par rapport aux villes frugales de France https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). À moins que vous ne sortiez tout droit de l'université, vous ne l'avez probablement pas appris. Je ne vois pas comment ça s'intègre ici.
  • Distribution stationnaire : si les vecteurs el. représentent les el. dans l'espace d'état d'une chaîne de Markov, sont des nombres non négatifs, donnent une somme de 1, et el. i est la somme des vecteurs el. j multipliée par la probabilité de transition de l'état j à i. Je ne comprends pas non plus comment il arrive ici.
  • Je connais aussi le théorème de l'intégrale de Mois-Laplace, selon lequel, pour un grand n, la distribution binomiale converge vers la distribution normale. Je n'en connais pas d'autre, et celui-ci ne convient pas non plus.
Eh bien, à propos de la distribution normale - les citations telles qu'elles sont, telles que S.W. les a écrites et ce qui se trouve dans la paume de sa main, sont normalement distribuées autour de la moyenne mobile, donc nous sommes dans le clair ici.

olexij, la précision de la formulation est étonnante. Vous devriez aller sur lib.mexmat.ru, pas ici (si le "vous" ne vous dérange pas). Je vais essayer de répondre point par point - avec autant de rigueur que possible, et en même temps, pour qu'au moins quelqu'un ici le comprenne. Je ne viens pas directement du banc de l'université, mais j'ai une idée générale de la rigueur mathématique.

1. Distribution fractale : c'est-à-dire celle dont il est question dans le livre de Peters, qui dispose d'un tableau à la fin du livre. Lien vers le livre : http://www.ozon.ru/context/detail/id/1691158/. Il est également disponible gratuitement sur Spider, d'ailleurs. Il existe une présentation plus rigoureuse dans Fundamentals of Stochastic Financial Mathematics de Shiryaev. La fractalité fait ici plutôt référence à la stabilité de la distribution de probabilité.

2. Stationnarité : oui, j'ai été inexact (comme par malchance, après l'avoir écrit, je me suis dit que j'étais inexact - quelqu'un allait sûrement s'en prendre à moi). Je ne faisais pas référence à la stationnarité de la distribution, mais à la stationnarité du processus aléatoire des retours.

3. Je connais ce théorème de la convergence de la binomiale vers la normale. Je parlais du théorème par lequel vous pouvez, ayant une quantité uniformément distribuée et connaissant la fonction inverse de la fonction de distribution normale, obtenir sur votre ordinateur une assez bonne imitation d'une distribution normale. Je ne me souviens pas exactement de son nom, mais c'est l'un des plus importants de Terver.

Une dernière chose : nous ne parlons pas de la distribution des cotations autour d'une moyenne mobile ; leur normalité... Eh bien, intuitivement, cela semble et n'est pas du tout à la surface. Ce que nous voulons dire, ce sont les retours, c'est-à-dire les différences de prix de clôture des barres voisines - indépendamment des muwings.
 
olexij:
Le message ci-dessus est un peu décousu :
  • Il existe une distribution fractale parabolique (c'est assez nouveau, il s'agit de modéliser la distribution d'objets réels, comme la taille de la ville de Paris par rapport aux villes frugales de France https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). À moins que vous ne sortiez tout droit de l'université, vous ne l'avez probablement pas appris. Je ne vois pas comment ça s'intègre ici.
  • Distribution stationnaire : si les vecteurs el. sont el. dans l'espace d'état d'une chaîne de Markov, sont des nombres non négatifs, donnent une somme de 1, et el. i est la somme des vecteurs el. j multipliée par la probabilité de transition de l'état j à i. Je ne comprends pas non plus comment il arrive ici.
  • Je connais aussi le théorème de l'intégrale de Mois-Laplace, selon lequel, pour un grand n, la distribution binomiale converge vers la distribution normale. Je n'en connais pas d'autre, et celui-ci ne convient pas non plus.
Eh bien, à propos de la distribution normale - les citations telles qu'elles sont, telles que S.W. les a écrites et ce qui se trouve dans la paume de sa main, sont normalement distribuées autour de la moyenne mobile, donc nous sommes dans le clair ici.

Lisez. J'ai beaucoup réfléchi. Pleurer.
L'auteur est en feu ! Continuez comme ça !
 
Mathemat:
olexij:
Le message ci-dessus est un peu décousu :
  • Il existe une distribution fractale parabolique (c'est assez nouveau, il s'agit de modéliser la distribution d'objets réels, comme la taille de la ville de Paris par rapport aux villes frugales de France https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). À moins que vous ne sortiez tout droit de l'université, vous ne l'avez probablement pas appris. Je ne vois pas comment ça s'intègre ici.
  • Distribution stationnaire : si les vecteurs el. représentent les el. dans l'espace d'état d'une chaîne de Markov, sont des nombres non négatifs, donnent une somme de 1, et el. i est la somme des vecteurs el. j multipliée par la probabilité de transition de l'état j à i. Je ne comprends pas non plus comment il arrive ici.
  • Je connais aussi le théorème de l'intégrale de Mois-Laplace, selon lequel, pour un grand n, la distribution binomiale converge vers la distribution normale. Je n'en connais pas d'autre, et celui-ci ne convient pas non plus.
Eh bien, à propos de la distribution normale - les citations pour ainsi dire, ce que S.W. a écrit et ce qui se trouve dans la paume de sa main, sont normalement distribuées autour de la moyenne mobile, donc tout est clair ici.

olexij, la précision de la formulation est étonnante. Vous devriez être sur lib.mexmat.ru, pas ici (si le "vous" ne vous dérange pas). Je vais essayer de répondre point par point - avec autant de rigueur que possible, et en même temps, pour qu'au moins quelqu'un ici le comprenne. Je ne viens pas directement du banc de l'université, mais j'ai une idée générale de la rigueur mathématique.

1. Distribution fractale : c'est-à-dire celle dont il est question dans le livre de Peters, qui dispose d'un tableau à la fin du livre. Lien vers le livre : http://www.ozon.ru/context/detail/id/1691158/. Il est également disponible gratuitement sur Spider, d'ailleurs. Il existe une présentation plus rigoureuse dans Fundamentals of Stochastic Financial Mathematics de Shiryaev. La fractalité fait ici plutôt référence à la stabilité de la distribution de probabilité.

2. Stationnarité : oui, j'ai été inexact (comme par malchance, après l'avoir écrit, je me suis dit que j'étais inexact - quelqu'un allait sûrement s'en prendre à moi). Je ne faisais pas référence à la stationnarité de la distribution, mais à la stationnarité du processus aléatoire des retours.

3. Je connais ce théorème de la convergence de la binomiale vers la normale. Je parlais du théorème par lequel vous pouvez, ayant une quantité uniformément distribuée et connaissant la fonction inverse de la fonction de distribution normale, obtenir sur votre ordinateur une assez bonne imitation d'une distribution normale. Je ne me souviens pas exactement de son nom, mais c'est l'un des plus importants de Terver.

Une dernière chose : nous ne parlons pas de la distribution des cotations autour d'une moyenne mobile ; leur normalité... Eh bien, intuitivement, cela semble et n'est pas du tout à la surface. Ce dont nous parlons, ce sont les retours, c'est-à-dire les différences de prix de clôture de barres voisines - sans tenir compte des muwings.
Matemat, puisque vous êtes sur une base de prénom alors. :) La formulation précise est toujours préférable lorsqu'il s'agit de mathématiques et de statistiques, surtout lorsque vous avez Google sous la main et que votre main n'est pas sèche. Point par point :
3. Etes-vous en train d'écrire sur la transformation de Box-Muller ? Pour générer des nombres pseudo-aléatoires normalement distribués à partir de nombres pseudo-aléatoires uniformément distribués, cliquez ici : http://www.taygeta.com/random/gaussian.html. Mais où avons-nous des quantités pseudo-aléatoires uniformément distribuées ici ?
2. Stationnarité du processus : probablement oui. Je ne pense pas non plus que la fonction de distribution change avec le temps.
1. Trop paresseux pour creuser et lire maintenant, au vu de la dernière remarque :
Il existe par exemple un test de Kolmogorov-Smirnov, pour lequel, avec un échantillon aléatoire, on peut tester si la distribution d'une variable aléatoire est normale ou non : https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test. Si cela ne vous suffit pas, veuillez alors fusionner tous vos écrits ci-dessus de manière significative dans la description de ce que vous proposez.
 
alexjou:
olexij:
Le message ci-dessus est un peu décousu :
  • Il existe une distribution fractale parabolique (c'est assez nouveau, il s'agit de modéliser la distribution d'objets réels, comme la taille de la ville de Paris par rapport aux villes frugales de France https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). À moins que vous ne sortiez tout droit de l'université, vous ne l'avez probablement pas appris. Je ne vois pas comment ça s'intègre ici.
  • Distribution stationnaire : si les vecteurs el. sont el. dans l'espace d'état d'une chaîne de Markov, sont des nombres non négatifs, donnent une somme de 1, et el. i est la somme des vecteurs el. j multipliée par la probabilité de transition de l'état j à i. Je ne comprends pas non plus comment il arrive ici.
  • Je connais aussi le théorème de l'intégrale de Mois-Laplace, selon lequel, pour un grand n, la distribution binomiale converge vers la distribution normale. Je n'en connais pas d'autre, et celui-ci ne convient pas non plus.
Eh bien, à propos de la distribution normale - les citations pour ainsi dire, comme S.W. l'a écrit et ce qui se trouve dans la paume de sa main, sont normalement distribuées autour de la moyenne mobile, donc nous sommes dans le clair ici.

Lisez. J'ai beaucoup réfléchi. Pleurer.
L'auteur est en feu ! Continuez comme ça !
Ne pleure pas, grand-père te donnera un bonbon :)