Calculez la probabilité d'inversion - page 7
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
Ce ne sont pas du tout les manières d'estimer les paramètres d'une distribution normale (ajustement, approximation) qui le montrent. C'est la distribution normale elle-même qui n'a pas de queues épaisses. Demandez à Alexander_K2, il cherchait ces queues. Il suffit de regarder le tableau avec les paramètres des unités. Il existe des tableaux dans tous les manuels de télévision, je pense, et dans tous les ouvrages de référence en mathématiques. Quelle que soit la façon dont vous ajustez, vous devez modifier la distribution des variantes pour attraper les queues de poisson. Et pourquoi exactement avez-vous besoin d'une distribution de probabilité ? Exactement la distribution de probabilité ? Pourquoi ces timbres pour "certaines données" ? Ou bien ne s'agit-il pas de données après tout, mais de fréquences relatives échantillonnées, comme je l'avais deviné ?
Peut-être que le point est que la représentation probabiliste ne décrit pas du tout vos données ? Rappelez-vous, comment le gain attendu danse sur l'image de Yuriy Asaulenko https://www.mql5.com/ru/forum/221552/page162#comment_6399653 sur les taux de change. Ne voulez-vous pas utiliser la représentation probabiliste pour eux ? On comprend alors d'où viennent les queues lourdes.
Et bien sûr, échantillonner les fréquences relatives des augmentations de prix. Je pensais que c'était assez clair, peu de gens sont intéressés par les autres options).
Je n'utilise pas les distributions pour le trading, je voulais juste combler les lacunes dans mes connaissances. De nombreuses nuances pratiques de matstat ne sont pas décrites dans les manuels pour une raison quelconque.
Dans ce cas, je ne suis pas intéressé par les paramètres de la distribution, ni même par son type, mais simplement par la forme de la courbe. Dans quelle mesure il est proche de la gaussienne, où il s'en écarte et de combien. Les manuels contiennent des centaines de pages sur l'estimation des paramètres, mais aucune sur l'estimation de la forme.
Dans la formulation de la formule, le problème que vous avez posé est résolu en une ligne dans la formulation générale, même la comparaison des résultats avec votre propre expérience avec k=0.65 est faite. Ou n'avez-vous pas compris que p10^(1/10) est la solution ?
Je ne l'ai pas lu attentivement au début. La première chose qui m'est venue à l'esprit a été l'estimation du bord, qui est la façon dont je l'ai initialement estimé. Mais ensuite une question s'est posée, que se passe-t-il si on prend le point central de l'histogramme au lieu des bords ? Et là je me suis rendu compte que ce n'est pas si simple, un degré n'est pas suffisant. En tout cas, merci pour votre participation, il est probable que je résoudrai le problème de front, comme toujours, en itérant et en faisant une formule complète pour chaque point d'intérêt.
"à l'œil" signifie tracer le graphique quantile-quantile(ou probabilité-probabilité) pour l'échantillon et la distribution normale et s'assurer qu'il se rapproche bien de la ligne droite.
Eh bien, ça va être le même problème là-bas. La valeur absolue de l'erreur sur les queues est plusieurs fois inférieure à celle du centre. Et la contribution devrait être la même, je suppose.
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.
Pas vraiment. J'ai décidé de ce qui allait suivre il y a longtemps, avant même de commencer à le faire. Mais je conçois généralement les algorithmes un peu à ma manière, en raison de mes connaissances limitées en mathématiques, ils consomment souvent beaucoup de ressources et résolvent le problème de manière spécifique.
Parfois, je fais quelque chose, et quelque temps plus tard, je trouve une solution qui s'avère beaucoup plus facile et plus économique.
C'est-à-dire que je veux toujours évoluer et adopter une approche plus intelligente à chaque fois.
Quant au modèle Black-Scholes, lorsque j'en ai entendu parler pour la première fois, j'ai été très surpris qu'ils aient décerné un prix Nobel pour un modèle aussi primitif et j'ai pensé : "Je vois où se trouve la science du marché au fond", j'utilisais une technologie similaire dans mes anciens développements, mais je ne savais pas qu'ils donnaient des prix Nobel pour cela)). Maintenant, je sais où sont les erreurs et si je vais négocier des options, ce ne sera pas avec cette formule.Eh bien, ça va être le même problème là-bas. La valeur absolue de l'erreur dans les queues est plusieurs fois inférieure à celle du centre. Et la contribution devrait être la même, comme je le suppose.
Nous devons examiner comment ces erreurs sont distribuées dans le temps dans l'échantillon initial et s'il n'y a pas de dépendance entre elles. S'il n'y a pas de dépendance et qu'ils sont situés de manière plus ou moins égale, nous devons choisir une autre famille de distributions paramétriques. Sinon, les conditions du théorème de Glivenko-Kantelli sont violées et il ne faut pas espérer que l'histogramme se rapproche de la densité d'une certaine distribution.
Il est nécessaire de voir comment ces erreurs sont distribuées dans le temps dans l'échantillon original et s'il n'y a pas de dépendance entre elles. S'il n'y a pas de dépendance et qu'ils sont plus ou moins uniformément distribués, nous devons choisir une autre famille de distributions paramétriques. Sinon, les conditions du théorème de Glivenko-Kantelli seront violées et nous ne devrions pas espérer que l'histogramme se rapproche de la densité d'une certaine distribution.
La question est de savoir si je le fais correctement - je donne aux erreurs dans les queues le même poids qu'au centre (en utilisant les deux méthodes mentionnées ci-dessus que j'ai dû inventer moi-même en raison de leur absence dans les manuels).
Je ne suis pas intéressé par un type particulier de distribution. Seules les différences par rapport aux gaussiens sont intéressantes.
La question est de savoir si je fais bien de donner aux erreurs dans les queues le même poids qu'aux erreurs au centre (en utilisant les deux méthodes ci-dessus, que j'ai dû inventer moi-même en raison de leur absence dans les manuels).
Je ne suis pas intéressé par un type particulier de distribution. Intéressé seulement par les différences avec les gaussiens.
Considérons un graphique de densité de distribution uniforme sur l'intervalle de zéro à un. Des gaussiennes avec quels paramètres l'approximeront correctement ?
Une contre-question : prenons un graphique de la densité d'une distribution uniforme sur un segment allant de zéro à un. Quels paramètres de la gaussienne permettront de l'approximer correctement ?
Eh bien, nous parlons de distributions qui ressemblent à une gaussienne.
Eh bien, nous parlons de distributions de type gaussien.
OK, prenons alors une densité de distribution de Cauchy ou de Laplace.