Mettez un mot sur les vagabonds occasionnels... - page 24
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 serait probablement préférable de changer la tâche pour le marché - ajouter qu'il y a aussi 1000 princesses et qu'elles choisissent en même temps quand le prochain marié est montré. Si deux mariées aiment le marié, il ne sera que la moitié d'entre elles)). Lorsqu'une mariée a un total de 1 marié, elle ne participe plus à l'émission. Quelle est la stratégie optimale de la mariée ? :)
Il est clair que le problème n'est pas résolu si les mariées ne sont pas intéressées par les stratégies de l'autre.))
Le prince est le profit accumulé du papier à partir du moment où le princesso a pris une pose (ouvert).
+ de cent cinquante
Et si l'on imagine que les princes sont estampillés comme sur une chaîne de montage (dès que quelqu'un meurt, un nouveau est ajouté à la file d'attente), alors le "désir" de la princesse d'avoir constamment (ou du moins d'aspirer à avoir) le meilleur marié disponible s'apparente à la tâche que résolvent les départements d'analyse des risques.
Vous avez tout faux.
Forex est une princesse. Quand elle pense qu'elle est déjà "là où il est !", elle fait son choix et fait demi-tour. :)
C'est ainsi, car c'est toujours le marché qui a le dernier et décisif mot.
Le problème est que si l'affaire est présentée comme un marié, le marché peut aussi avoir plusieurs mariés à la suite comme une princesse. Les conditions du problème sont tout à fait différentes.
Pourtant, je ne comprends pas vraiment pourquoi nous ne voulons pas appliquer la condition aussi proche que possible du problème original ?
Nous disposons de 1000 relevés de prix, qui se succèdent, nous devons en choisir un parmi, disons, m=10 maximums avec une probabilité maximale. Le problème est fondamentalement décidable, la condition nécessaire et suffisante pour cela est de connaître la distribution de probabilité des prochaines citations pour chaque moment du temps, bien qu'arbitraire (si on suppose que les citations sont dépendantes). Et cette question peut être facilement résolue, l'estimation des paramètres de la distribution conditionnelle lorsque sa forme est connue est une tâche assez standard.
La méthode est décrite plus en détail dans l'article, sauf que les calculs seront plus compliqués... mais qui les empêche de les faire numériquement, sans accumuler les formules ?
Le problème n'est pas tant là, mais dans la possibilité fondamentale de résoudre le problème au niveau "rentable", car pour utiliser le résultat dans la pratique, nous devons obtenir avec une probabilité de plus de 50% au maximum et au minimum de l'intervalle, c'est à dire.c.-à-d. Pmax*Pmin>=0,5, où Pmax et Pmin>=0,7071, c.-à-d. qu'il est nécessaire de choisir m de manière à ne pas fournir une estimation pire que 71% du maximum-minimum, ce qui peut être pratiquement irréalisable.
Mais dans l'ensemble, à mon avis, le problème dans cette formulation mérite une attention particulière. Je vais probablement le faire de toute façon.
Pourtant, je ne comprends pas vraiment pourquoi nous ne voulons pas appliquer la condition aussi proche que possible du problème original ?
Nous avons 1000 relevés de prix, qui se succèdent, il faut choisir avec une probabilité maximale l'un de, disons, m=10 maxima. Le problème est fondamentalement soluble, la condition nécessaire et suffisante pour cela est de connaître la distribution de probabilité des citations suivantes pour chaque moment du temps, bien qu'arbitraire (si nous supposons que les citations sont dépendantes). Et cette question peut être facilement résolue, l'estimation des paramètres d'une distribution conditionnelle avec sa forme connue est une tâche tout à fait standard.
La méthode est décrite en détail dans l'article, sauf que les calculs seront plus compliqués... mais qui nous empêche de les faire numériquement, sans un tas de formules ?
Le problème n'est pas tant là, mais dans la possibilité fondamentale de résoudre le problème au niveau "rentable", car pour utiliser le résultat dans la pratique, nous devons obtenir avec une probabilité de plus de 50% au maximum et au minimum de l'intervalle, c'est à dire.c'est-à-dire qu'il doit être Pmax*Pmin>=0,5 où Pmax et Pmin>=0,7071, c'est-à-dire qu'il est nécessaire de sélectionner m de manière à ne pas fournir une estimation pire que 71% du maximum-minimum, ce qui peut s'avérer pratiquement irréalisable.
Mais dans l'ensemble, à mon avis, le problème dans cette formulation mérite une attention particulière. Probablement, je vais le faire après tout.
Si nous connaissons le type et les paramètres de la distribution conditionnelle future, n'est-ce pas déjà suffisant pour gagner de l'argent ? Comment le savons-nous, ou comment l'obtenons-nous ?
Pas assez. La présence d'une dépendance ne signifie pas que l'espérance de la distribution conditionnelle sera différente de zéro. De plus, je vous dirai, pour autant que j'aie fait des recherches approfondies, que le MO des distributions conditionnelles est exactement 0 ou très proche de celui-ci pour que la profondeur de dépendance soit au moins de 3 barres. Le contenu principal de la dépendance statistique est donc l'effet des citations précédentes sur la variance des citations suivantes.
Nous obtenons les paramètres conditionnels assez simplement. La densité conditionnelle de la valeur courante x0 de la série de différences en fonction de la valeur précédente x1 est recherchée comme W(x0/x1) = (a0+a1*x1)/2 * exp{-(a0+a1*x1)*|x0|} - il s'agit d'une distribution exponentielle dont la variable dépend linéairement de la valeur précédente. J'ai étudié la forme de cette fonction et je peux dire que cette forme d'écriture correspond très bien au marché. Ensuite, nous ajustons les paramètres a0 et a1 à la série actuelle par toute méthode connue et nous les utilisons.
Pas assez. La présence d'une dépendance ne signifie pas que l'espérance de la distribution conditionnelle sera différente de zéro. De plus, je vous dirai, d'après mes recherches approfondies, que le MO des distributions conditionnelles est exactement 0 ou très proche de celui-ci pour que la profondeur de dépendance soit d'au moins 3 barres. Le contenu principal de la dépendance statistique est donc l'effet des citations précédentes sur la variance des citations suivantes.
Nous obtenons les paramètres conditionnels assez simplement. La densité conditionnelle de la valeur courante x0 de la série de différences en fonction de la valeur précédente x1 est recherchée comme W(x0/x1) = (a0+a1*x1)/2 * exp{-(a0+a1*x1)*|x0|} - il s'agit d'une distribution exponentielle dont la variable dépend linéairement de la valeur précédente. J'ai étudié la forme de cette fonction et je peux dire que cette forme d'écriture correspond très bien au marché. Ensuite, nous ajustons les paramètres a0 et a1 à la série actuelle par toute méthode connue et nous les utilisons.
Mais la distribution dépend des données d'entrée et de la connaissance du processus. En d'autres termes, vous avez étudié les dépendances connues et trouvé divers effets dans la mémoire de la volatilité et, sur cette base, vous pouvez construire des distributions de variance conditionnelles. Basé sur ce modèle mo=0 sur un grand ensemble de données. Mais cela ne signifie pas qu'il n'y a pas vraiment de mémoire dans la direction des incréments, seulement dans l'ampleur des incréments. Ainsi, les princes peuvent très bien ne pas aller au hasard vers la mariée, mais ceux qui sont les plus mauvais et ceux qui sont les meilleurs peuvent y aller en premier)). Ou dans une autre séquence non aléatoire. Et ce fait va brouiller les cartes. Le schéma fonctionne si les princes entrent au hasard, sans tenir compte de leur bonté et de celle de ceux qui sont entrés avant eux. Bien sûr, s'il n'y a que des dépendances comme un très bon prince sera suivi d'un très bon ou d'un très mauvais prince (dépendances de valeur), alors oui, le problème peut être résolu en tenant compte du type de ces dépendances.
Mais après tout, la distribution dépend des données d'entrée et de la connaissance du processus. C'est-à-dire que vous avez étudié les dépendances connues et trouvé différents effets dans la mémoire de la volatilité et à partir de cela, vous pouvez construire des distributions de variance conditionnelle. Basé sur ce modèle mo=0 sur un grand ensemble de données. Mais cela ne signifie pas qu'il n'y a pas vraiment de mémoire dans la direction des incréments, seulement dans l'ampleur des incréments. Donc les princes peuvent très bien ne pas aller au hasard vers la mariée, mais ceux qui sont moins bons et ceux qui sont meilleurs peuvent y aller en premier)). Ou dans une autre séquence non aléatoire. Et ce fait va brouiller les cartes. Le schéma fonctionne si les princes entrent au hasard, sans tenir compte de leur bonté et de celle de ceux qui sont entrés avant eux. Bien sûr, s'il n'y a que des dépendances comme un très bon prince sera suivi d'un très bon ou d'un très mauvais prince (dépendances de valeur), alors oui, le problème peut être résolu en tenant compte du type de ces dépendances.
Je ne dis pas que je connais _toutes_ les dépendances, mais j'en connais certaines et je peux estimer les probabilités avec elles. Pour autant que je sache, les paramètres a0 et a1 flottent très lentement, avec une période de quelques heures sur un graphique en minutes, et fluctuent dans une fourchette assez étroite, de sorte que vous pouvez les calculer et les utiliser.
La présence d'une corrélation ne signifie pas que les princes n'arrivent pas par hasard. Par exemple, il se pourrait que la probabilité qu'un prince "légèrement meilleur" vienne après un "mauvais" prince soit légèrement supérieure à la probabilité qu'un prince "beaucoup meilleur" vienne, c'est-à-dire que dans ce cas il y a une certaine autocorrélation positive (contrairement au schéma classique, où la probabilité d'obtenir "beaucoup meilleur" et "légèrement meilleur" est la même). Les dépendances de ce type n'affectent pas les performances du système.
...la probabilité qu'un prince "légèrement meilleur" arrive après un "mauvais" prince est légèrement supérieure à la probabilité qu'un prince "beaucoup meilleur" arrive, c'est-à-dire que dans ce cas il y a une certaine autocorrélation positive (contrairement au schéma classique, où la probabilité d'obtenir "beaucoup meilleur" et "légèrement meilleur" est la même). Les dépendances de ce type n'affectent pas les performances du système.
Et il y a un impact. La corrélation ici n'est pas une corrélation "quelque peu positive", mais proche de un et sur un espace de décalage très large.