un processus complètement aléatoire et le FOREX. - page 4

Nouveau commentaire
 
lna01:
D.Will a écrit (a) :

Le graphique est une série entièrement déterministe, juste statistiquement indiscernable d'une série aléatoire. Il s'agit donc d'un bon exemple de série chaotique :) .

Qu'est-ce que tu es ?

Ne nous embrouillez pas, s'il vous plaît.

Par définition, un processus aléatoire est une séquence de variables aléatoires. Lorsque l'on définit un processus aléatoire, on parle toujours de variance, de matrice de variance et de tout le reste.



Et un processus déterministe est un processus pour lequel, à tout moment, on peut clairement dire vers quel état le système va se diriger.


Pour les générateurs de nombres pseudo-aléatoires standard, il suffit de connaître le nombre à partir duquel il commence pour prédire la série sans ambiguïté. Donc la série dans votre image est théoriquement complètement prévisible.

1. Connaissez-vous ce numéro ?
2. avec une précision de 16 chiffres, il ne peut pas générer une séquence de plus de (65536) éléments.
 
lna01 писал (а): Pour les générateurs de nombres pseudo-aléatoires standard, il suffit de connaître le nombre à partir duquel la série a commencé pour pouvoir la prédire sans ambiguïté. Donc la série dans votre image est théoriquement complètement prévisible.


Candide, ce n'est pas si simple. Je le pensais aussi, jusqu'à ce que komposter et moi vérifiions la fonction MathRand(). Voici une branche : 'Question de débutant : deux courbes dans des fenêtres différentes'.

Code :

#property show_inputs
 
/*extern int init_start    = 0;
extern int init_end      = 100000;*/
 
extern int iterations    = 1000000000;
 
int start()
{
    int tmp, pre_tmp, count_23281 = 0, count_16827 = 0, count_23281_16827 = 0; string res;
    //for ( int start = init_start; start < init_end; start ++ )
    {
        int start = 1;
        MathSrand( start );
        for ( int i = 0; i < iterations; i ++ )
        {
            pre_tmp = tmp;
            tmp = MathRand();
            if ( pre_tmp == 19169 ) //23281 )
            {
                count_23281 ++;
                if ( tmp == 15724 ) //16827 )
                {
                    count_23281_16827 ++;
                    res = StringConcatenate( res, count_23281_16827, ": Init value = ", 
                          start, ", interation # ", i, "\n" );
                }
            }
            if ( pre_tmp == 16827 ) count_16827 ++;
        }
    }
    Comment( "Чисел 23281 - ", count_23281, "\nЧисел 16827 - ", count_16827, 
                "\nЧередований 23281 с 16827 - ", count_23281_16827, ":\n", res );
    return(0);
}
P.S. Je suppose que tu as raison. Mais la période de cette séquence est évidemment très grande. Le grain définit l'ensemble de la séquence, mais les segments de celle-ci partant du même numéro sont différents.
 
D.Will писал (а):
De plus, il existe des systèmes dont le fonctionnement est entièrement décrit *par exemple
y(n+1)=a*y(n)*(1-y(n) ;
qui est presque impossible à prévoir. à a->4.

De tels processus sont appelés chaos déterministe.

Exactement cela : en pratique, dans la réalité, nous ne connaîtrons tout simplement jamais la valeur d'un paramètre avec une précision suffisante. Néanmoins, les processus chaotiques sont beaucoup plus prévisibles que les processus aléatoires. Mais nous ne pouvons pas les distinguer statistiquement. Il s'ensuit que les arguments statistiques ne sont pas pertinents pour la question de la prévisibilité du marché.
 
J'ai décidé de réduire le déterminisme du générateur de nombres pseudo-aléatoires en mélangeant plusieurs fois la série de nombres aléatoires.

fermer tout ;

N=1000 ;
r=NORMRND(0,0.0077,1,N) ;

r1=r ;
% shuffle
for i=1:1:10000
i1 = fix(rand*N)+1 ;
i2 = fix(rand*N)+1 ;
c=r(i1) ;
r(i1)=r(i2) ;
r(i2)=c ;
end ;

figure ;
%r=r-0.5 ;
for i=2:1:length(r)
r(i)=r(i)+r(i-1) ;
r1(i)=r1(i)+r1(i-1) ;
end

grid on ;

plot(r) ;
figure ;
plot(r1) ;

result


mixte


Voilà. J'ai supprimé les points, alors à quoi bon ?
 
lna01:
D.Will a écrit (a) :

Par ailleurs, il existe des systèmes dont le fonctionnement est entièrement décrit *par exemple

y(n+1)=a*y(n)*(1-y(n);

ce qui est presque impossible à prévoir. à a->4.



De tels processus sont appelés chaos déterministe.




Exactement cela : en pratique, dans la réalité, nous ne connaîtrons tout simplement jamais la valeur d'un paramètre avec une précision suffisante. Néanmoins, les processus chaotiques sont beaucoup plus prévisibles que les processus aléatoires. Mais nous ne pouvons pas les distinguer statistiquement. Il s'ensuit que les arguments statistiques ne sont pas pertinents pour la question de la prévisibilité du marché.

avec suffisamment de précision. Quel est le problème ?
Toutes les théories concernant le d.h. analysent soit les équations des modèles, soit l'histoire (en extrayant des régularités statistiques).
Et qu'entendez-vous par caractéristiques statistiques ? mo et std ? et qui dit que c'est une mesure de l'équivalence de deux séquences ?
 
Mathemat:
lna01 a écrit (a) : Pour les générateurs de nombres pseudo-aléatoires standard, il suffit de connaître le nombre à partir duquel la série a commencé pour pouvoir la prédire sans ambiguïté. Donc la série dans votre image est théoriquement entièrement prévisible.

Non, Candid. Je le pensais aussi jusqu'à ce que komposter et moi vérifions la fonction MathRand(). Voici une branche : https://forum.mql4.com/ru/6187 .
Je pense que l'effet de la répétition des paires pourrait être, par exemple, si les 16 chiffres les plus bas de 32 sont pris comme un nombre aléatoire. Mais sans eux, il pourrait ne pas exister :). Cela n'invalide pas le fait de la prévisibilité. La situation se complique si, avec le même numéro de départ, vous obtenez des séquences différentes. Nous ne devrons alors penser qu'à une prévisibilité partielle :).
 
D.Will писал (а):

Le truc, c'est qu'avec suffisamment de précision, c'est lequel ?
La question ne peut avoir de réponse que pour un problème spécifique.

P.S. La "densité de probabilité" est également une caractéristique statistique. Elle ne garantit pas non plus la reproductibilité de toutes les caractéristiques du processus avec le RNG.
 
lna01:
D.Will a écrit (a) :



L'astuce est, avec suffisamment de précision, de savoir lequel c'est.


La question ne peut avoir de réponse que pour un problème spécifique.



P.S. La "densité de probabilité" est également une caractéristique statistique. Il ne garantit pas non plus la reproduction de toutes les caractéristiques du processus avec le RNG.

Même pour une tâche particulière, vous ne pouvez pas le justifier théoriquement, car modifier un paramètre de processus par 10^-100 peut changer sa dynamique au-delà de toute reconnaissance. (bifurcations, etc.)
. Les ordinateurs ne sont donc pas vraiment adaptés à l'analyse de tels processus. (d'un point de vue fondamental). Seule leur modélisation probabiliste et descriptive est possible.


lna01> P.S. La "densité de probabilité" est également une caractéristique statistique. Et il ne garantit pas non plus la reproduction de toutes les caractéristiques du processus à l'aide de la GSF.


comment l'imaginez-vous ??? comment reconstruire quelque chose par la loi de distribution d'une variable aléatoire ??? une telle tâche ne peut absolument pas exister.
Si j'ai cité un histogramme, c'est uniquement pour montrer que la distribution d'une variable aléatoire est la même que celle de eurusd 1D.
 
D.Will писал (а):
lna01:
D.Will a écrit (a) :

L'astuce est, avec suffisamment de précision, de savoir lequel c'est.


La question ne peut avoir de réponse que pour une tâche spécifique.

Même pour un problème donné, vous ne pouvez théoriquement pas le prévoir. Changer ce paramètre par 10^-100 peut changer la dynamique du processus au-delà de toute reconnaissance. (bifurcations, etc.)
. Les ordinateurs ne sont donc pas vraiment adaptés à l'analyse de tels processus. (du point de vue fondamental). Seule leur modélisation probabiliste et descriptive est possible.
Eh bien, si, par exemple, pour certaines plages de valeurs de paramètres, des attracteurs peuvent être identifiés, cela impliquerait une prévisibilité partielle. Dans ce cas, les limites de ces plages détermineront l'"adéquation" des définitions des paramètres. En ce qui concerne l'insuffisance des ordinateurs pour l'analyse de ces processus, je suis tout à fait d'accord avec vous - l'essentiel dans ce domaine, c'est la tête :)
Si j'ai cité l'histogramme, c'est uniquement pour montrer que la distribution d'une variable aléatoire est la même que eurusd 1D.
Exact. Et j'ai demandé : "Et alors ?" :) Je le répète : la série que vous présentez comme aléatoire ne l'est pas. C'est juste que pour les tâches pour lesquelles seules les caractéristiques statistiques comptent, il peut être utilisé comme aléatoire. C'est-à-dire qu'il serait plus correct d'écrire dans le titre du sujet "RNG Matlab et FOREX" :) . En fait, l'idée principale de mes posts est qu'il n'y a aucune raison de considérer le RPM de Matlab comme un "processus absolument aléatoire".
 
lna01:
D.Will a écrit (a) :

lna01:

D.Will a écrit (a) :



Le truc, c'est qu'avec suffisamment de précision, c'est lequel ?





La question ne peut avoir de réponse que pour une tâche spécifique.



même pour un problème spécifique, vous ne pouvez pas théoriser à son sujet. car changer ce paramètre par 10^-100 peut changer la dynamique du processus au-delà de toute reconnaissance. (bifurcations, etc.).

C'est pourquoi les ordinateurs ne sont pas tout à fait appropriés pour analyser de tels processus. (d'un point de vue fondamental). Seule leur modélisation probabiliste et descriptive est possible.

Eh bien, si, par exemple, pour certaines plages de valeurs de paramètres, des attracteurs peuvent être identifiés, cela impliquerait une prévisibilité partielle. Dans ce cas, les limites de ces plages détermineront l'"adéquation" des définitions des paramètres. En ce qui concerne l'insuffisance des ordinateurs pour l'analyse de tels processus, je suis tout à fait d'accord avec vous - l'essentiel dans ce domaine, c'est la tête :)

Si j'ai donné un histogramme, c'est uniquement pour montrer que la distribution d'une variable aléatoire est la même que eurusd 1D.


Exact. Et j'ai demandé : "Et alors ?" :) Je le répète : la série, que vous positionnez comme aléatoire, ne l'est pas. C'est juste que pour les tâches pour lesquelles seules les caractéristiques statistiques comptent, il peut être utilisé comme un aléatoire. C'est-à-dire qu'il serait plus correct d'écrire dans le titre du sujet "RNG Matlab et FOREX" :) . En fait, l'idée principale de mes posts est qu'il n'y a aucune raison de considérer le RPM de Matlab comme un "processus absolument aléatoire".
Il n'y a rien d'anormalement aléatoire. Le sujet est ainsi nommé parce qu'il souligne la similitude entre "anormalement aléatoire" et "non aléatoire".

Si vous regardez ci-dessus, j'ai donné un exemple où la séquence entière est mélangée plusieurs fois. et j'ai affiché à la fois une et l'autre séquence.
Il s'agit d'une tentative de dévalorisation du déterminisme de la GSF. Le caractère des mouvements est le même.
123456789
Nouveau commentaire