Je souhaite partager le lien - page 2

 

Mon point de vue est différent. Cela ne vaut pas la peine de passer beaucoup de temps à prouver l'incohérence de l'EMH - il n'y a pas de poisson là de toute façon. Oui, il y a des queues, oui la raison est de réagir à un ensemble d'informations plutôt qu'à des nouvelles individuelles. Oui, c'est maintenant scientifiquement prouvé. Mais le marché est plus instable que jamais et il n'est pas plus facile d'y gagner de l'argent.

p.s. hehe, un peu plus d'articles comme celui-ci et vous entrerez dans les idées des statistiques fractales, la causalité est l'une des pierres angulaires là-bas.

 
C-4: .... Si l'on aborde les idées des statistiques fractales, la causalité est l'une des pierres angulaires.

Je le connais bien. Je la trouve juste sous-développée par rapport aux autres méthodes.

Cela ne vaut pas la peine de passer beaucoup de temps à prouver l'invalidité de l'EMH - il n'y a pas de poisson là-bas de toute façon.

Je ne suis pas intéressé à prouver quoi que ce soit. L'idée est complètement différente. Le marché est non stationnaire. C'est une évidence. Il ne peut être modifié. Mais cela ne veut pas dire que nous devons fermer les yeux, en espérant que la chance nous sourira. L'approche scientifique habituelle consiste à prendre une bouchée de ce que nous comprenons et pouvons prendre.

 

faa1947: толстые хвосты являются результатом памяти в котире.

C'est un fait connu.

Et pourquoi avons-nous besoin d'une mémoire sous forme de queues obscures, si nous avons un accès illimité (mémoire) aux données passées ?

Si seulement les queues indiquaient le comportement futur du quotient, ce serait une information inestimable, car nous ne négocions pas dans le passé, mais dans l'avenir.

 
LeoV:

C'est un fait connu.

Et pourquoi avons-nous besoin d'une mémoire sous forme de queues obscures, si nous avons un accès illimité (mémoire) aux données passées ?

Si seules les queues indiquaient le comportement futur du kotir, il s'agirait d'une information inestimable, car nous ne négocions pas dans le passé, mais dans l'avenir.

Oui, c'est ça. Je m'accroche à tout.

J'ai vu une fois un article qui utilisait les changements dans la loi de la distribution pour faire des prédictions. C'est une pensée inhabituelle.

 

Je vais partager.

En ce qui concerne les queues - il y a un résultat délicieux. Permettez-moi d'expliquer la méthodologie de ce calcul.

Nous savons tous comment les premières différences d'une série de devises sont grossièrement distribuées (à peu près comme exp(-a|x|), etc.). J'ai entrepris de déterminer quelles parties de cette distribution sont les "véritables porteurs d'informations externes", pour ainsi dire. Voici ce que nous faisons. Comptons les rendements RMS sur un grand intervalle de temps et pour chaque quotient, calculons le rapport de probabilité de son appartenance à la distribution de Laplace par rapport à la distribution normale avec la même variance. Je ne m'attarderai pas sur la façon de le calculer, il y a wikipedia.

Des cas intéressants apparaissent lorsque l'on trace la distribution du rapport de vraisemblance lui-même (ou plutôt de son logarithme) :


Dans la figure, elle est coupée à droite par 2, mais la queue va théoriquement à l'infini. Donc tout ça n'est qu'une rupture brutale à la valeur de 1/2*ln(pi). Il s'avère qu'une petite fraction des citations donne une occurrence très différente de Laplace - une distribution avec des queues plus épaisses que la distribution gaussienne. Et ces citations sont calculables.

Il semble qu'il soit possible de construire efficacement un analyseur de tendances plates basé sur ce fait et de déterminer la conformité au critère déjà sur la barre actuelle. Eh bien, ou du moins identifier efficacement les catastrophes et y répondre rapidement.

 
alsu:

Je vais partager.

À propos des queues - il y a un résultat fascinant. Permettez-moi d'expliquer la méthodologie des calculs.

Nous savons tous comment les premières différences d'une série de devises sont grossièrement distribuées (à peu près comme exp(-a|x|), etc.). J'ai entrepris de déterminer quelles parties de cette distribution sont les "véritables porteurs d'informations externes", pour ainsi dire. Voici ce que nous faisons. Comptons les rendements RMS sur un grand intervalle de temps et pour chaque quotient, calculons le rapport de probabilité de son appartenance à la distribution de Laplace par rapport à la distribution normale avec la même variance. Je ne m'attarderai pas sur la façon de calculer cela, il y a wikipedia.

Des choses intéressantes se produisent lorsque nous traçons la distribution du rapport de vraisemblance lui-même (ou plutôt, son logarithme) :


Dans la figure, elle est coupée à droite à 2, mais la queue va théoriquement à l'infini. L'ensemble n'est donc qu'une falaise abrupte à la valeur de 1/2*ln(pi). Il s'avère qu'une petite fraction des citations donne une occurrence très différente de Laplace - une distribution avec des queues plus épaisses que la distribution gaussienne. Et ces citations sont calculables.

Il semble qu'il soit possible de construire efficacement un analyseur de tendances plates basé sur ce fait et de déterminer la conformité au critère déjà sur la barre actuelle. Eh bien, ou du moins identifier efficacement les catastrophes et y répondre rapidement.

Très intéressant.

Lorsque nous parlons de distribution, nous nous basons sur un nombre assez important d'observations. Sur le graphique, je vois un chiffre de 20 000. Je suis d'accord qu'avec autant d'observations, on peut tirer des conclusions sur la loi de la distribution. Mais nous sommes intéressés par la barre qui suit la barre actuelle. Et ici, plus le nombre d'observations est important, plus on peut tirer des conclusions "moyennes" sur la dernière barre.

Il y a un chiffre curieux de 30. Avant 30 ans, on considère que l'on a des statistiques t, et après 30 ans, des statistiques z si l'on échantillonne une population normale.

La question est donc la suivante . Est-il possible d'utiliser le modèle identifié sur de grands échantillons pour l'utiliser sur de petits échantillons, en supposant que ce petit échantillon appartient à un grand échantillon ?

 
Au fait, j'ai fait une sélection de queues à partir du lien ci-dessus
Dossiers :
tail.zip  19 kb
 
faa1947:

Très intéressant.

Lorsque nous parlons d'une distribution, nous la basons sur un nombre suffisamment grand d'observations. Dans le graphique, je vois un chiffre de 20 000. Je suis d'accord qu'avec autant d'observations, on peut tirer des conclusions sur la loi de la distribution. Mais nous sommes intéressés par la barre qui suit la barre actuelle. Et ici, plus le nombre d'observations est important, plus on peut tirer des conclusions "moyennes" sur la dernière barre.

Il y a un chiffre curieux de 30. Avant 30 ans, on dit qu'il s'agit d'une statistique t, et après 30 ans, d'une statistique z si l'échantillon et la population sont normaux.

La question est donc la suivante . Est-il possible d'utiliser le modèle identifié sur de grands échantillons pour l'utiliser sur de petits, en supposant que ce petit échantillon appartient à un grand ?

La nature de la distribution ne change pas. Soit dit en passant, l'étude elle-même a commencé par le fait que le comportement étrange du rapport de vraisemblance est perceptible à l'œil nu, pourrait-on dire :


 
Au passage, j'ai trouvé une application plutôt intéressante à cette affaire. Si l'une des tâches consiste à analyser certaines caractéristiques "glissantes" d'une série, alors si nous laissons de côté les barres présentant un LR anormal, les résultats de l'analyse sont beaucoup plus lisses. Cela permet d'estimer les paramètres du modèle avec plus de précision, en se souciant moins des influences extérieures.
 
alsu: Il s'avère qu'une petite fraction des citations donne une probabilité très différente d'appartenir à une distribution de Laplace, une distribution aux queues plus épaisses que la distribution gaussienne.
Cela suggère qu'il existe une sorte de modèle. Pas toujours et pas partout - et c'est compréhensible. Qui peut être utilisé dans le commerce en conséquence.