Calculez la probabilité d'inversion - page 4
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
Oui, un pas dans la direction opposée. C'est-à-dire qu'en cas de hausse, la probabilité de baisse est de 40 %, et en cas de baisse, la probabilité de baisse suivante est de 60 %. C'est la probabilité de poursuivre la tendance de l'étape précédente.
Ah, maintenant j'ai compris que p change à chaque étape, c'est-à-dire qu'il est fonction de (numéro d'étape, et/ou étape précédente, ou toutes les étapes précédentes). alors évidemment je suis d'accord avec tout ce qu'Alexey a dit.
La seule chose est que si nous prenons p avec une gradation de 10%, c'est-à-dire que de 0 à 10 il y aura 10 étapes. Ensuite, par une recherche stupide de 10 aux puissances de 10, nous pouvons déterminer la distribution la plus appropriée pour une étape donnée, et ensuite si nous appliquons la descente de gradient - plus précise. Ai-je raison ?
OK, merci, je vais essayer quand le week-end sera terminé.
Par définition, la distribution stationnaire ne doit pas changer à chaque étape. Dans ce cas, toute distribution va "s'étaler" à chaque étape, ce qui augmente la variance.
C'est une approche un peu rétrograde. L'ensemble des variantes admissibles est fixé à l'avance (-10,-8,...0...8,10), et les probabilités de s'arrêter pour 10 pas exactement à l'une d'entre elles servent de probabilités, dont les fréquences relatives sont recueillies pour 10000 réalisations d'une variable aléatoire. La distribution est donc logique et il n'y a pas d'étalement urbain. La limite des fréquences relatives est prise non pas pour une croissance illimitée du nombre d'étapes, mais pour une croissance illimitée du nombre de réalisations de ces 10 étapes.
C'est une approche un peu à rebours. L'ensemble des variantes admissibles est fixé au préalable (-10,-8,...0...8,10), et les probabilités de s'arrêter exactement à l'une d'entre elles en 10 étapes servent de probabilités, dont les fréquences relatives sont recueillies pour 10 000 réalisations d'une variable aléatoire. La distribution est donc logique et il n'y a pas d'étalement urbain. La limite des fréquences relatives est prise non pas pour une croissance illimitée du nombre d'étapes, mais pour une croissance illimitée du nombre de réalisations de ces 10 étapes.
Pas du tout. C'est l'approche habituelle pour une chaîne de Markov. Vous oubliez qu'en plus de la matrice de transition, le paramètre déterminant est la distribution initiale - elle ne doit pas nécessairement être celle que TC a fixée - les points (0,1) et (0,-1) avec des probabilités de 0,5 chacun. Si une distribution stationnaire existait, alors prise comme distribution initiale, elle serait la même après le dixième pas qu'avant le premier. Mais une telle distribution stationnaire n'existe pas pour la chaîne donnée.
Pas du tout. C'est l'approche habituelle pour une chaîne de Markov. Vous oubliez qu'en plus de la matrice de transition, le paramètre déterminant est la distribution initiale - elle ne doit pas nécessairement être celle que TC a fixée - les points (0,1) et (0,-1) avec des probabilités de 0,5 chacun. Si une distribution stationnaire existait, alors prise comme distribution initiale, elle serait la même après le dixième pas qu'avant le premier. Mais il n'existe pas de telle distribution stationnaire pour le circuit donné.
Désolé, mais le problème est différent. TC ne calcule pas la probabilité que P(x) s'arrête après un va-et-vient indéfiniment long à un point au moins aussi grand que x. Ce serait la formulation habituelle du problème. Il analyse un histogramme de la distribution, non pas du point d'arrêt (stationnaire), mais d'une des statistiques possibles du processus, située à 10 pas du point de départ 0. Des statistiques inhabituelles, oui. Pas la moyenne, pas la variance, pas la médiane, pas le quartile. La condition d'indépendance vis-à-vis de l'histoire (markovienne) n'est certainement pas remplie, car il y a clairement un décalage d'exactement 1 par rapport à la valeur précédente. Ce n'est pas pour rien qu'Alexander_K2 a cité ici un article sur les processus non-markoviens"Shelepin L.A. Processes with memory as the basis for a new paradigm in science" (il cite la page 10).
Si nous parlons de la distribution P(x) mentionnée, la distribution gaussienne (normale) initiale serait stationnaire (conditionnellement, seulement dans la forme, avec des valeurs constantes décroissantes à 0 et une dispersion croissante) à k=0,5. Sur le segment qui s'agrandit à chaque pas. Je ne voudrais pas le justifier ici, le domaine est très vaste - schémas de différences pour l'équation de la conduction thermique.
Désolé, mais le problème est différent. TC ne calcule pas la probabilité que P(x) s'arrête, après un aller-retour indéfiniment long, en un point au moins aussi grand que x. Ce serait la formulation habituelle du problème. Il analyse un histogramme de la distribution, non pas du point d'arrêt (stationnaire), mais d'une des statistiques possibles du processus, située à 10 pas du point de départ 0. Des statistiques inhabituelles, oui. Pas la moyenne, pas la variance, pas la médiane, pas le quartile. La condition d'indépendance vis-à-vis de l'histoire (markovienne) n'est certainement pas remplie, car il y a clairement un décalage d'exactement 1 par rapport à la valeur précédente. Ce n'est pas pour rien qu'Alexander_K2 a cité ici "Shelepin L.A. Processes with memory as a basis for a new paradigm in science".
Si nous parlons de la distribution P(x) mentionnée, la distribution gaussienne initiale (normale) serait stationnaire (conditionnellement, seulement dans la forme, avec une valeur constante décroissante à 0 et une dispersion croissante) à k=0,5. Sur le segment qui s'agrandit à chaque pas. Je ne voudrais pas le justifier ici, le domaine est très vaste - schémas de différence pour l'équation de la conductivité thermique.
Le problème habituel sur la base des chaînes de Markov- la distribution initiale dans l'espace d'état est donnée et on doit trouver comment elle va changer pour un certain nombre d'étapes. L'analogie avec la résolution numérique des équations aux dérivées partielles est certainement visible, puisque la solution est construite sur un treillis bidimensionnel.
Je ne comprends pas vraiment quel est le problème de l'arrêt - le moment de l'arrêt est fixé et connu à l'avance.
La distribution gaussienne ne peut en aucun cas apparaître ici - l'espace d'état et le temps sont discrets.
Shelepin écrit des bêtises. Le markovisme est là - soit on parle d'une chaîne du second ordre, soit l'espace des états est construit à partir de vecteurs - comme le faisait Markov lui-même il y a plus de cent ans en étudiant les textes de Pouchkine.
Le problème habituel des chaînes de Markov est que la distribution initiale dans l'espace d'état est donnée et que l'on doit trouver comment elle va changer dans un certain nombre d'étapes. L'analogie avec la résolution numérique des équations aux dérivées partielles est certainement visible, puisque la solution est construite sur un treillis bidimensionnel.
Je ne comprends pas vraiment quel est le problème de l'arrêt - le moment de l'arrêt est fixé et connu à l'avance.
La distribution gaussienne ne peut en aucun cas apparaître ici - l'espace d'état et le temps sont discrets.
Shelepin écrit des bêtises. Il y a un caractère markovien ici - soit on parle d'une chaîne du second ordre, soit l'espace des états est construit à partir de vecteurs - cela a été fait par Markov lui-même il y a plus de cent ans en étudiant les textes de Pouchkine.
Je ne discuterai pas des noms, peut-être que TC et Shelepin, et Alexander (et moi aussi) appellent à tort un processus aléatoire unidimensionnel avec une dépendance explicite de chaque valeur successive sur la précédente, n'est pas markovien. Ainsi soit-il. Quant à l'impossibilité de la distribution gaussienne, il se trouve que j'ai une feuille de calcul excel depuis longtemps, où elle est bien visible. Après 212 pas à partir du point 0, la probabilité s'étale jusqu'à celui-ci :
Je joins le fichier avec le tableau. Là, avec k=0.5, il suffit d'additionner les probabilités du point de temps précédent au point de temps actuel. Pour prouver en détail, je le répète, ici ce n'est pas nécessaire. L'illustration avec le tableau des valeurs est suffisante.
Je ne discuterai pas des noms, peut-être que TC et Shelepin et Alexander (et moi aussi) appellent à tort qu'un processus aléatoire unidimensionnel avec une dépendance explicite de chaque valeur suivante sur la précédente, n'est pas markovien. Ainsi soit-il. Quant à l'impossibilité de la distribution gaussienne, il se trouve que j'ai une feuille de calcul excel depuis longtemps, où elle est clairement visible. Après 216 pas depuis le point 0, la probabilité s'étale jusqu'à celui-ci :
Je joins le fichier avec le tableau. Là, avec k=0.5, il suffit d'additionner les probabilités du point de temps précédent au point de temps actuel. Pour prouver en détail, je le répète, ici ce n'est pas nécessaire. L'illustration avec le tableau des valeurs est suffisante.
Toute fonction en forme de cloche est-elle la densité d'une distribution normale ? Qu'est-ce qui vous empêche, par exemple, de voir la densité de la distribution bêta dans votre illustration ?
Je soupçonne que ce fil n'a pas été créé par hasard :))))
Je me souviens que vous avez réussi à réduire la double distribution gamma des incréments sur le marché à la normale pure... Et maintenant, vous cherchez une réponse à la question : que faire ensuite ?
Je soutiens Bas avec son conseil - vous devez passer aux options. Le modèle Black-Scholes devrait évidemment fonctionner sur vos données.
Toute fonction en forme de cloche est-elle une densité d'une distribution normale ? Qu'est-ce qui vous empêche, par exemple, de voir la densité d'une distribution bêta dans votre figure ?
Rien ne vous empêche de voir la densité de la distribution bêta. Sur l'image, d'ailleurs, l'effet de bord est déjà perceptible - à gauche, la probabilité ne diminue pas aussi vite, c'est le bord de la table qui est là. À droite, ce n'est pas aussi visible, mais la table est toujours délimitée. Et la distribution normale n'a pas de limites. Tout comme une tige infinie, dont les morceaux se transfèrent de la chaleur entre eux au lieu de la probabilité (une goutte rouge tombant de l'électrode d'un soudeur sur une longue tige d'armature génère une distribution gaussienne de la température à chaque instant, avec une dispersion toujours plus grande). Je ne vais pas le prouver ici.