De la théorie à la pratique - page 1457
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
Pourquoi ? Qu'est-ce qui l'empêche dans le cas d'une dépendance incrémentale ?
La fonction de distribution de l'échantillonnage se rapproche de la fonction de distribution réelle en vertu du théorème de Glivenko-Cantelli, qui exige que l'échantillon soit une réalisation d'une séquence de variables aléatoires indépendantes et également distribuées. En gros, dans le cas d'une forte dépendance, l'échantillon peut s'agglutiner en un point, ce qui déformerait considérablement la fonction de distribution empirique (échantillonnée) résultante par rapport à la fonction de distribution réelle.
La fonction de distribution d'échantillonnage se rapproche de la fonction de distribution réelle en vertu du théorème de Glivenko-Cantelli, qui exige que l'échantillon soit une réalisation d'une séquence de variables aléatoires indépendantes et également distribuées. En gros, s'il y a une forte dépendance, l'échantillon peut s'agglutiner en un point, ce qui déformerait considérablement la fonction de distribution empirique (d'échantillonnage) résultante par rapport à la vraie.
lire.......
Je ne pense pas que ce théorème soit valable en forex.
Parce que, comme la taille de l'échantillon augmente avec le nombre d'éléments tendant vers l'infini, la distribution réelle (en rouge) s'écartera de la distribution théorique (en noir), juste avec une probabilité égale à 1
alors que le théorème stipule qu'il coïncidera
comme le ciel et la terre....
En ce qui concerne le forex, cela signifie que l'on peut réussir à pipsip-sat pendant une période plate et perdre des pertes pendant une tendance.
https://studfiles.net/preview/4287703/page:3/
lire.......
Je ne pense pas que ce théorème soit valable pour le forex.
car lorsque la taille de l'échantillon augmente avec le nombre d'éléments tendant vers l'infini, la distribution réelle (en rouge) s'écartera de la distribution théorique (en noir), juste avec une probabilité égale à 1
alors que le théorème stipule qu'elle coïncidera
comme le ciel et la terre....
Et en termes de forex, cela signifie que nous allons réussir à pipser dans le plat et perdre de l'argent dans la tendance.
https://studfiles.net/preview/4287703/page:3/
Ce n'est pas le théorème qui n'est pas mis en œuvre, mais les conditions de son application exacte sur de grands intervalles de temps :
1) Les gains sont dépendants (par exemple, des augmentations voisines dans l'appartement)
2) Ils ne sont pas distribués de manière égale (non-stationnarité).
Elle peut être utilisée comme une approximation, sur de petits intervalles de temps sans changement de tendance. Quelque chose de similaire a été déclaré par Gorchakov. Et le problème de la décomposition est à peu près le même.
La fonction de distribution de l'échantillonnage se rapproche de la fonction de distribution réelle en vertu du théorème de Glivenko-Cantelli, qui exige que l'échantillon soit une réalisation d'une séquence de variables aléatoires indépendantes et également distribuées. En gros, s'il y a une forte dépendance, l'échantillon peut être entassé en un point, ce qui déformerait fortement la fonction de distribution empirique (échantillon) résultante par rapport à la vraie.
Il n'est pas très clair pourquoi certains mathématiciens doivent être millionnaires et d'autres non).
Mais qu'en est-il des distributions conditionnelles ? Après tout, il s'agit d'une dépendance.
Les distributions conditionnelles sont basées sur des distributions conjointes. Ce n'est que dans le cas de l'indépendance (par définition) que la fonction de distribution conjointe est égale au produit des fonctions de distribution univariées. Dans le cas de la dépendance, c'est beaucoup plus compliqué - les copules ont été récemment rappelées ici - ceci provient du même fil de discussion. Ainsi, le théorème de G.-C. (qui semble être généralisé au cas multivarié) s'applique à la construction approximative d'une distribution bidimensionnelle à partir de laquelle on peut essayer de construire des distributions unidimensionnelles conditionnelles.
On exige des millionnaires de ces mathématiciens qui prétendent décrire des séries financières).
Pour autant que je sache, la théorie de Shiryaev a commencé à être développée pour les besoins de la radiolocalisation, mais il est peu probable que quelqu'un ait exigé qu'il soit personnellement en service au radar).
Ce n'est pas le théorème qui n'est pas respecté, mais les conditions de son application exacte sur de grands intervalles de temps :
1) Les gradients sont dépendants (par exemple, des gradients voisins dans un appartement).
2) Les gradients ne sont pas également répartis (non-stationnarité)
Elle peut être utilisée comme une approximation, sur de petits intervalles de temps sans changement de tendance. Quelque chose de similaire a été déclaré par Gorchakov. Et le problème de la discontinuité est à peu près la même chose.
pas de
lisons-le en douceur.
Soit X 1 , ... , X n , ... - un échantillon infini.
La stabilité de quoi ? Il y a, par exemple, la stabilité de la solution d'un diffuseur de Lyapunov ou, par exemple, la stabilité statistique de la fréquence d'un événement (au sens de la convergence vers sa probabilité).
pas de
lire avec mépris
Soit X 1 , ... , X n , ... un échantillon infini .
En réalité, un statisticien a toujours affaire à des échantillons finis, de sorte qu'il ne s'agit toujours que d'une approximation de l'accomplissement de ce théorème. Mais à mesure que la taille de l'échantillon augmente, cette approximation s'améliore, ce que l'on appelle la cohérence de l'estimation.
L'article du wiki russe sur le théorème de Glivenko-Cantelli est une absurdité, lisez la version anglaise ou un manuel normal.