Phénomènes de marché - page 63
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
Le biseau est en corrélation directe avec les queues épaisses. Et selon le test, la valeur maximale du biseau correspond à la valeur la plus probable de stationnarité du résidu du lissage !!!!.
Cela me semble être un phénomène. Ou quelque chose que je ne comprends pas.
Uh-huh, vous ne comprenez pas les principes fondamentaux du théoricien.
La corrélation directe avec les queues épaisses ne se trouve pas dans le biseau, mais dans le kurtosis.
Uh-huh, vous ne comprenez pas les principes fondamentaux du théoricien.
Le lien direct avec les queues épaisses ne se situe pas au niveau du biseau, mais du kurtosis.
Cette question a été discutée sur cinq. L'excès n'a pas de lien direct avec les queues. Cherchez dans mes articles si vous êtes intéressé.
Très intéressant.
Anonyme
Surtout s'il y a une justification chez le théoricien.
Posté quelque part, mais laissé sans surveillance. En ce qui concerne le biseau et les queues épaisses.
Dans le sens des aiguilles d'une montre, l'inverse de l'indice du dollar estimé.
On brûle le filtre et on obtient le résidu = la différence entre le filtre et le cotier.
Pour le résidu, nous changeons le lambda en HP et obtenons la valeur de la pente et la probabilité que ce résidu soit stationnaire (pas de grosse queue ???).
Nous voyons que la valeur la plus élevée du biseau correspond à la plus grande probabilité que le résidu soit stationnaire.
Opinion très intéressante.
Ces concepts ne sont pas équivalents.
Le résidu peut être une valeur stationnaire, et pourtant les queues de la distribution peuvent être grosses. Il est assez facile de générer, par exemple, une quantité distribuée laplacienne avec des "comptes" indépendants et de la considérer comme un résidu.
Ces concepts ne sont pas équivalents.
Le résidu peut être une valeur stationnaire, et en même temps les queues de la distribution peuvent être grosses. Il est assez facile de générer, par exemple, une quantité distribuée de type Laplace avec des "comptes" indépendants et de la considérer comme le résidu.
Je ne comprends pas très bien les exercices mathématiques.
La stationnarité est la variance = constante. Impossible à atteindre et cela apparaît dans le test comme une probabilité de stationnarité non égale à 100%.
La queue grasse correspond à la variabilité de la variance, ce qui entraîne une augmentation de la probabilité d'événements qui ont peu de chances de se produire pour une distribution normale.
Mais voici le graphique de la S.C.O.
Une banalité totale. Augmente le pouvoir de lissage du filtre - augmente l'erreur
Faux. C'est la constance de la valeur m.o. et la dépendance de l'ACF uniquement sur la différence des arguments. Et c'est la définition de la stationnarité - au sens large.
La queue grasse correspond à la variabilité de la variance, ce qui entraîne une augmentation de la probabilité d'événements qui ont peu de chances de se produire dans une distribution normale.
Faux. C'est la constance de la valeur m.o. et la dépendance de l'ACF uniquement sur la différence des arguments.