S'il existe un processus dont l'analyse d'une partie ne permet pas de prévoir la partie suivante. - page 9
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
puis-je expliquer à ceux qui ne comprennent pas ?
Quelles sont les intrigues du passé ? et je suppose que cela inclut aussi le présent...
Et dans le sens de Cauchy, le mode deviendra la moyenne ?
puis-je expliquer à ceux qui ne comprennent pas ?
Quelles sont les intrigues du passé ? et je comprends que le présent est aussi présent...
Et au sens de Cauchy, le mode deviendra la moyenne ?
Eh bien, je donnais juste un exemple exagéré pour montrer que l'absence de MO, de variance et de non-stationnarité n'est pas une raison pour considérer le processus comme imprévisible. La phrase clé est la capacité d'identifier les zones de prévisibilité, c'est-à-dire dans le temps.
Bien sûr, je mentais dans le feu de l'action à propos de MoD.
Où est la stationnarité sur "SB ordinaire" ?
Où est le "RMS idéal" ?
P.S. Vous devez être plus précis sur ce dont vous parlez. Si vous parlez des retours, oui.
Malheureusement, toute prévision ne peut reposer que sur une composante déterministe. Sur les rangs qui n'ont pas cette composante, toute prédiction, et donc tout gain, devient impossible.
Comment l'équipe considère ces considérations.
1. La prédiction est possible s'il existe une composante déterministe.
2. La composante déterministe est différentiable non seulement à gauche mais aussi à droite à la dernière mesure.
3. La différentiation vers la droite (jusqu'à l'arrivée de la prochaine barre !) est assurée par le type de la fonction de lissage. J'ai vu quelque part que les splines cubiques à la jonction restent différentiables.
Il est également possible de prévoir les fonctions indifférenciées.
La prédiction est également possible en l'absence d'une composante déterministe.
Nous ne devons pas associer différenciation et prévisibilité. C'est comme comparer la chaleur et la douceur ;
Ce n'est pas une réponse, mais une question à vous concernant vos propres illusions. Je donne un exemple pour les réfuter.
Un processus non stationnaire avec une densité 1/pi*1/(1+(x-x0)^2), et une espérance x0 est également une variable aléatoire, qu'elle soit pour une incertitude complète - avec une distribution inconnue (stationnaire ou non - également inconnue). Et que le temps de corrélation du processus soit non nul, c'est-à-dire que l'intégrale du produit de ACF(tau,t)*tau soit supérieure à 0 pour tout t.
Que savons-nous du processus ?
a) Sa variance est toujours infinie (calculez l'intégrale si vous ne le croyez pas).
b) Elle est non stationnaire, tant au sens étroit que, très probablement, au sens large. La première découle en fait de la définition de la stationnarité au sens étroit, puisque la densité du processus n'est pas constante, la seconde découle des propriétés inconnues du processus x0.
Néanmoins, malgré toutes les circonstances aggravantes, dans certaines conditions, à savoir dans les sections où le temps de corrélation (il peut ne pas être constant - le processus est non stationnaire !) dépasse une certaine valeur seuil, nous pouvons faire des prédictions avec une variance finie parfaitement acceptable. C'est la condition d'une bonne corrélation (dépassant un certain seuil, qui peut en principe être calculé) du processus au moins à certains moments, et notre capacité à identifier ces moments sont des conditions suffisantes pour la possibilité de prédiction. Cependant, les faits de non-stationnarité et de manque de variance ne sont pas importants en eux-mêmes.
L'erreur peut varier comme elle veut, et notre travail consiste à pouvoir la calculer. Si nous pouvons le faire, pourquoi ne peut-il pas être différent pour différents moments dans le temps ? Votre erreur fatale est que vous ne faites pas la distinction entre la variance de la prévision et la variance du processus prédit, qui sont des choses complètement différentes et non rigidement liées l'une à l'autre. La présence et la profondeur de la relation entre eux dépendent de nombreux facteurs, notamment de la quantité de connaissances que nous avons sur le processus, des méthodes de prévision que nous avons dans notre arsenal, et enfin des propriétés du processus de prévision lui-même. L'exemple ci-dessus le confirme.
Il est vrai que vous n'êtes pas le seul à faire une fixation, car les gens ont tendance à se tromper non pas par eux-mêmes, mais sur les conseils des autorités.
Il ne s'agit pas d'autorité.
Le sophisme de votre raisonnement est typique des personnes ayant une formation mathématique (peut-être n'en avez-vous pas, mais le sophisme des mathématiciens) qui font très confiance aux calculs mathématiques.
En statistiques, il est très facile d'obtenir à peu près n'importe quelle justification, qui est facilement réfutée par un raisonnement simple, ce que j'aime beaucoup.
L'incertitude de la variance est un facteur déterminant de la prédiction et il n'est pas approprié de se référer aux données historiques, quelles que soient les formules qui les recouvrent.
Un exemple simple. Tirer sur une cible. On m'a appris que la loi normale règne et que l'on peut juger de la probabilité de toucher 10, 9, 8, etc. et estimer la qualité du tireur. La base est la valeur de la variance, que nous avons calculée à partir de données historiques. Mais si l'on bande les yeux d'un tireur, qu'on l'installe sur une chaise et qu'on le fait tourner, toute l'histoire et la variance tomberont dans l'oubli.
Pour moi, c'est ce qui est un signe de non-stationnarité. Le passé ne dit rien. Et cela demande un certain effort d'utiliser le passé.
Une prédiction est une variable aléatoire, c'est-à-dire que le chiffre que nous calculons est une réalisation à partir d'une fourchette, et c'est la limite de la fourchette et le niveau de confiance dans la limite de la fourchette calculée qui sont fondamentaux. Il n'y a nulle part sans variance. Et si c'était une variable ? Les modèles ARCH, en particulier, tentent de modéliser cette variance, de clarifier l'incertitude de la variance et, en obtenant quelques informations sur le comportement (pas une constante, mais un comportement) de la variance, de formuler plus clairement une déclaration sur la prédiction.
Si votre message parle de la possibilité de travailler avec une RV non stationnaire, alors je suis tout à fait d'accord avec vous. Mais toujours dans le modèle, il est nécessaire de préciser comment ce problème est résolu, par quelle méthode, ce qui sera résolu et ce qui ne le sera pas, car je ne connais pas de solution complète au problème de non-stationnarité. Il y aura toujours des zones présentant certaines caractéristiques instables que notre modèle ne prend pas en compte, les CT fusionneront et nous n'obtiendrons jamais la ligne d'équilibre comme une ligne droite.
Je t'écrirai plus tard, d'accord ? Je ne peux pas...
L'incertitude de la variance est cruciale pour la prédiction et se référer aux données historiques n'est pas approprié, quelles que soient les formules utilisées pour la dissimuler.