Calculez la probabilité d'inversion - page 5
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
Je soutiens Bas avec son conseil - vous devez passer aux options. Le modèle Black-Scholes devrait évidemment fonctionner sur vos données.
Vous n'avez même pas compris l'objet de la question et de mon conseil) ; pourquoi montrer si clairement votre ignorance) ?
Toute fonction en forme de cloche est-elle une densité d'une distribution normale ? Qu'est-ce qui vous empêche, par exemple, de voir dans votre figure la densité de la distribution bêta ?
Au fait, Alexey, et Vladimir, vous pouvez nous donner un indice ? Supposons que nous voulions approximer certaines données par une distribution normale.
Les queues et le milieu de la distribution doivent avoir le même poids dans l'approximation, je suppose ?
Alors il est préférable de faire une approximation en coordonnées logarithmiques ?
Car en coordonnées linéaires, l'erreur absolue dans les queues sera de plusieurs ordres de grandeur inférieure à celle du milieu, et participera donc peu à l'approximation.
Ou la deuxième option - prendre le quotient, et non le carré de la différence, comme erreur ? Mais je ne serai pas en mesure de dériver de telles formules.
Vous n'avez même pas compris l'objet de la question et de mon conseil) ; pourquoi montrer votre ignorance de manière aussi évidente ?)
Au fait, Alexey, et Vladimir, vous pouvez nous donner un indice ? Supposons que l'on veuille approximer certaines données par une distribution normale.
Les queues et le milieu de la distribution devraient avoir le même poids dans l'approximation, comme je le suppose ?
Alors il est préférable de faire une approximation en coordonnées logarithmiques ?
Car en coordonnées linéaires, l'erreur absolue dans les queues sera de plusieurs ordres de grandeur inférieure à celle du milieu, et participera donc peu à l'approximation.
Ou la deuxième option - prendre le quotient, et non le carré de la différence, comme erreur ? Mais je ne peux pas dériver de telles formules.
Tout d'abord, il serait nécessaire de vérifier la normalité de l'échantillon, au moins "à l'œil".
Alors vous devriez trouver "applied statistics" de Kobzar et y regarder le deuxième chapitre).
...
Serait-il alors préférable de faire une approximation en coordonnées logarithmiques ?
...En général, votre question (vos questions ?) est posée de manière trop générale, dans l'abstrait. La seule chose que je peux dire avec certitude - si l'approximation est faite en minimisant les déviations en coordonnées logarithmiques, l'erreur relative sera minimale. Cela s'applique aux approximations par n'importe quoi : polynômes, fonctions trigonométriques, splines, fractions rationnelles, ondelettes... Je n'ai pas entendu parler d'approximations avec des distributions de probabilité typiques.
Pour commencer, il convient de vérifier que l'échantillon est normal, au moins "à l'œil".
" Cela signifie qu'il faut construire un graphique quantile-quantile(ou probabilité-probabilité) pour l'échantillon et la distribution normale et s'assurer qu'il est bien approximé par une ligne droite.
Au fait, Alexey, et Vladimir, dites-moi. Supposons que nous voulions approximer certaines données par une distribution normale
..
Voici, par exemple, les données qui intéressent tout le monde en ce moment : https://gisanddata.maps.arcgis.com/apps/opsdashboard/index.html#/bda7594740fd40299423467b48e9ecf6. Juste "quelques" données.
Pourquoi faudrait-il les approximer par une distribution normale ou autre ? L'exposant était encore intéressant au début, selon l'équation de la cinétique de propagation de la réaction en chaîne.
Pourquoi faudrait-il les approximer par une distribution normale ou autre ? L'exposant était intéressant au début, selon l'équation de la cinétique de propagation de la réaction en chaîne.
Il ne s'agit pas d'une série chronologique, mais d'un histogramme proche de la normale.
https://www.mql5.com/ru/articles/396
python -https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.html
https://www.mql5.com/ru/articles/396
Donc c'est un lissage.