Résonance stochastique - page 18
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Il apparaît que ce CB a une espérance=0, D=2*D1/M, RMS=sqrt(2*D1/M).
Avals, si nous parlons spécifiquement des rendements (incréments de prix de clôture), alors, hélas, il n'y a pas d'indépendance ici non plus : les rendements ne sont pas distribués selon la loi normale. Il est bien décrit dans les livres de Peters, j'ai donné un lien vers lui sur le même fil quelque part dans les premières pages.
Je suis d'accord avec cela, mais ici le problème original était que X est distribué de manière gaussienne.
"Supposons qu'il y ait une séquence normalement distribuée de quantités X..."
Il semble que ce SV ait une espérance=0, D=2*D1/M, RMS=sqrt(2*D1/M).
La somme des incréments est donc également normale. Et le problème, tel que je le comprends, est de considérer trouver cette somme dans certaines limites avec une certaine probabilité(intervalle de confiance)
Il semble que ce SV ait une espérance=0, D=2*D1/M, RMS=sqrt(2*D1/M).
La somme des incréments est donc également normale. Et dans le problème, d'après ce que je comprends, il faut envisager de trouver cette somme dans certaines limites avec une certaine probabilité (intervalle de confiance).
Il semble que ce SV ait une espérance=0, D=2*D1/M, RMS=sqrt(2*D1/M).
La somme des incréments est donc également normale. Et le problème, tel que je le comprends, est d'envisager de trouver cette somme dans certaines limites avec une certaine probabilité (intervalle de confiance).
Ceci est uniquement pour les incréments de cette moyenne. Afin de maintenir la valeur elle-même dans certaines limites, vous devez examiner la somme de ces incréments. Sa variance est égale à la somme des variances : Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), où D1 est la variance de la série originale N est la longueur de la série originale, M est la longueur de la fenêtre coulissante. Il est plus facile et plus fiable de faire du montecarry :)
Nous avons un RMS final de S*sqrt(2) ? Hm ...
Ceci est uniquement pour les incréments de cette moyenne. Afin de maintenir la valeur elle-même dans certaines limites, vous devez examiner la somme de ces incréments. Sa variance est égale à la somme des variances : Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), où D1 est la variance de la série originale N est la longueur de la série originale, M est la longueur de la fenêtre coulissante. Il est plus facile et plus fiable de faire du montecarry :)
P.S. Désolé, j'étais inattentif, il y a une erreur là, RMS ne peut pas tendre vers l'infini. Vous devez prendre la somme uniquement pour les incréments M
P.P.S. S signifie sqrt(D1)
Nous avons un RMS final de S*sqrt(2) ? Hm ...
Ceci est uniquement pour les incréments de cette moyenne. Pour que la valeur elle-même reste dans certaines limites, vous devez examiner la somme de ces incréments. Sa variance est égale à la somme des variances : Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), où D1 est la variance de la série originale N est la longueur de la série originale, M est la longueur de la fenêtre coulissante. Il est plus facile et plus fiable de faire du montecarry :)
Les gars, merci à tous ceux qui ont répondu. Votre discussion m'a aussi éclairci la tête. Légèrement. :-)
Le point de départ, ce sont les prix. Il est, bien sûr, là. Sa distribution n'est probablement pas normale. J'ai écrit sur la normale, parce que beaucoup de choses peuvent être calculées analytiquement pour elle et parce que la distribution réelle peut être approximée avec une certaine précision par une distribution normale.
La tâche n'a rien à voir avec la prédiction ou la tentative de déterminer les probabilités d'événements dans les queues. J'ai dû vous décevoir avec ça, hélas. Le problème est survenu parce que la moyenne mobile a une plage (c'est vrai Sergey, c'est la question) qui dépend significativement de la taille de la fenêtre M. Et moi, par mon habitude invétérée, je veux comparer lesmoyennes mobiles pour différents M. Mais je ne peux pas parce qu'ils ont des plages de valeurs différentes. Afin de normaliser ces moyennes mobiles à un seul intervalle, vous devez calculer le facteur de normalisation, ou plutôt, sa relation avec M.
De plus, comme nous disposons des statistiques de l'histoire et que nous avons construit une fonction de distribution en chiffres, nous pouvons soit calculer ce coefficient de manière simple, soit faire une approximation de la fonction de distribution par Gauss et le calculer de manière analytique. Naturellement, la précision absolue n'a pas d'importance ici. Il est important que la nature de la relation soit vraie, et non basée sur un modèle. Je peux penser à de nombreuses relations basées sur un modèle ...
2 Mathemat
J'espère que vous comprenez maintenant que nous ne parlons pas de frontières nettes, mais de la compensation des différences de valeurs qui résultent des différences de taille d'échantillon. Et avec tout ce que vous avez dit, je suis d'accord, complètement. :-)
Nous avons un RMS final de S*sqrt(2) ? Hm ...
Ceci est uniquement pour les incréments de cette moyenne. Pour que la valeur elle-même reste dans certaines limites, vous devez examiner la somme de ces incréments. Sa variance est égale à la somme des variances : Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), où D1 est la variance de la série originale N est la longueur de la série originale, M est la longueur de la fenêtre coulissante. Il est plus facile et plus fiable de faire du montecarry :)
P.S. Ma faute, j'étais inattentif, il y a une erreur, RMS ne peut pas aspirer à l'infini. Ne prenez la somme que pour les incréments M
C'est-à-dire que la somme d'une série infiniment grande d'incréments, comme une SV, aura une RMS infinie.