Comment puis-je faire la différence entre un graphique FOREX et un PRNG ? - page 28
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
C'est étrange de vous entendre dire ça. Croyez-vous vraiment que le classement ne tient absolument pas compte des valeurs absolues ?
La principale exigence pour les méthodes non paramétriques est la robustesse au "bruit" et aux distributions (en particulier les queues grasses). Cela peut être réalisé au moindre sacrifice de la précision, qui est souvent insaisissable et trompeuse.
Cette comptabilité dépend de la mesure statistique de rang choisie (certains fonctionnels), ainsi sur de petits échantillons les coefficients de Spearman, Kendall et Hefding montreront des valeurs inégales. Alors, que faut-il utiliser ? Pour les différents supports du système générateur de valeur, tels que le type et l'ordre de la fonction porteuse de tendance, l'une ou l'autre mesure sera meilleure. Oui, une méthode non-paramétrique peut estimer approximativement le CQ, mais est-elle nécessaire si le type de cette corrélation est inconnu ? Le CQ non paramétrique est non paramétrique dans le sens où les mesures choisies pour le mesurer sont uniquement insensibles aux transformations monotones des observations, ce qui n'est pas toujours le cas sur le marché non plus. SB avec démolition permet des conversions de rangs souvent abruptes et non monotones.
En revanche, le CQ linéaire donne une valeur qui est applicable de manière compréhensible.
Alexey, définissons et distinguons les longues queues et les grosses queues, car elles sont mutuellement inversées. Selon mes recherches, il n'y a pas de distribution à longue queue sur le marché.
Je ne vois pas la différence. Mettre mon nez dedans pour voir où je me trompe.
Personne ne dit que les méthodes non paramétriques résolvent tous les problèmes. Mais souvent leurs estimations sont plus adéquates que les estimations paramétriques - juste quand le type de corrélation est inconnu.
Si la queue est longue, elle est fine. L'exception est la distribution triangulaire et similaire (trapèzes). Et vice versa. Et si l'on qualifie d'épaisses les queues longues et fines, cela prête à confusion, car les épaisses ont plutôt tendance à être courtes. Il s'agit d'un avis personnel et non d'une recherche sur Google.
Toute la question ici est de savoir quelle est la distribution. La théorie classique ne permet pas de définir ce concept sans ambiguïté (de plus, elle ne permet même pas de le construire), donc je ne l'utilise pas. Mon approche est l'évolution d'une distribution quasi-stationnaire dans un certain espace qui définit une mesure de l'erreur.
Je ne suis pas très doué pour les détails. Ce n'est pas ce dont nous parlions - les méthodes non-paramétriques.
AlexEro n'a-t-il pas raison à propos de Matlab ? C'est une chose sainte, qui brille dans le ciel, payée, une pâte folle......
Ce n'est pas la faute de Matcad, j'ai déjà écrit plus haut pourquoi la diminution se produit.
Une fois de plus, AlexEro, la décadence vient du fait que vous comptez en fait lcorr non pas à partir de cos(w*i) (une fonction se poursuivant à l'infini des deux côtés de l'axe des nombres), mais à partir de cos(w*i)*[h(i) - h(100-i)] , où h(t) est la fonction de Heaviside (pas unitaire). Une façon simple de vérifier : plus vous définissez d'échantillons de la sinusoïde, plus le décrément sera faible. La façon compliquée de vérifier : substituer l'expression spécifiée dans la formule de lcorr de façon explicite et obtenir un triangle.
Si la queue est longue, elle est fine.
À la télévision, c'est tout le contraire, pas comme en zoologie : si la queue est longue, alors elle est épaisse). Il s'agit de normaliser l'aire sous le graphique par 1, c'est-à-dire que la "queue" pompe une partie de la probabilité de la zone centrale. En général, "épais" (ou "long", si vous voulez) signifie différentes choses selon le contexte - il peut s'agir de distributions décroissant plus lentement que la gaussienne, ou de distributions à variance infinie, etc.
Ce n'est pas la faute de Matcad, j'ai déjà décrit ci-dessus pourquoi vous obtenez cette diminution.
Une fois de plus, AlexEro, la décadence vient du fait que vous comptez en fait lcorr non pas à partir de cos(w*i) (une fonction se poursuivant à l'infini des deux côtés de l'axe des nombres), mais à partir de cos(w*i)*[h(i) - h(100-i)] , où h(t) est la fonction de Heaviside (pas unitaire). Un moyen simple de le vérifier : plus vous définissez d'échantillons d'une sinusoïde, plus la diminution sera faible. La façon dure de vérifier : substituer explicitement l'expression spécifiée dans la formule de lcorr et obtenir un triangle.
(avec la voix fatiguée du professeur Preobrazhensky)
"Excusez-moi, qui était debout sur qui ?"
Excusez-moi, où est-il écrit que je "compte la fenêtre de la fonction Heaviside" ? Montre-moi, s'il te plaît, pique-moi avec ton nez.
Putain, je me transforme en Allochka là. C'est une sorte de conspiration, une diversion.
Je me fiche de savoir comment Matlab compte,
Je me fiche de savoir comment les physiciens programment en Fortran,
Je me fiche de ce qu'un programmeur externalisé de Matlab a dans la tête,
Je me fiche de ce qu'il y a dans l'esprit d'un maître d'œuvre hindou défoncé à Matlab, et qu'il pense qu'il est "correct" de programmer l'autocorrélation, et que pour sa "correction" défoncée, il pense que le manque d'échantillons à la fin d'un intervalle d' échantillons doit être "compensé" avec une fenêtre de Heaviside TOUT LE TEMPS, ce qui épuise toute autocorrélation.
Je m'en fiche. Je n'utilise pas Matlab, je ne l'ai jamais utilisé et je n'en ai pas l'intention. Les dessins matlab que j'ai cités sont ceux de Privalova, j'ai donné un lien vers eux là aussi.
Je ne comprends pas comment vous pouvez déformer la discussion de cette façon. Ce n'est pas une discussion, c'est une démagogie soviétique. Je parle de la définition de l'autocorrélation, de la signification de ce concept, je vous montre les fondements théoriques et les règles simples pour vérifier l'exactitude de tout algorithme d'autocorrélation, je montre qu'en Matlab et en amortissement Privalov l'autocorrélation commence dès le premier décompte, et on me montre l'explication que JE SUIS MA FAUTE, parce queje "compte la fenêtre de Heaviside" . Je suis poursuivi par moi-même sur !
Putain de merde, y a-t-il une seule personne ici qui sait de quoi je parle ? Aïe !
Putain de merde, y a-t-il une seule personne ici qui sait de quoi je parle ? Aïe !
C'est le cas. Voilà, tu as promis !
P.S. Pourquoi n'allez-vous pas sur le fil "Qu'est-ce qu'un INDICATEUR" ? Peut-être que dans un an tu écriras quelque chose de sensé...
Pendant qu'Alex réfléchit à ce qu'est un INDICATEUR, une question pour tout le monde - il y a deux échantillons d'ARGENT et d'OR. Données quotidiennes, 420 observations.
Le CA de Spearman est de 0,52, le coefficient de corrélation de rang est statistiquement - significatif et la relation de corrélation de rang entre les scores des deux tests est significative.
Le KC de Pearson est de 0,64.
Et alors ? Corrélation directe. Conclusion pratique ?