Profitto da una gamma di prezzi casuali - pagina 3

Nuovo commento
 
Mathemat:

dovete convertire i dati reali in dati normalmente distribuiti.

Non me lo aspettavo da te! Come è possibile convertire dati empirici che non sono conformi a una distribuzione gaussiana in una distribuzione normale?

Non hai fatto la tua tesi insieme alla quercia?
 
Rosh:
Cioè, trovare una tale trasformazione dei dati grezzi (citazioni) per vedere incrementi normali? E come funziona?
Non lo so, Rosh. Ha solo buttato dentro questa idea dal link che ho dato. A quanto pare stava cercando di fare qualcosa...
 
usdjpy писал (а): Non me lo aspettavo da te! Come è possibile convertire i dati empirici che non sono conformi a una distribuzione gaussiana in dati normali?

Non hai fatto la tua tesi con una quercia?
Impara il Terver, Newton... C'è una distribuzione frattale che Returns soddisfa, ed è stazionaria. Ci sono delle tabelle. C'è la gaussiana, per la quale esiste una formula chiara. C'è un teorema di Therver per la funzione di distribuzione integrale di una variabile casuale che è una funzione deterministica data di un'altra variabile casuale. Di cos'altro avete bisogno?
 
usdjpy:
Matematica:

devi convertire i dati reali in dati normalmente distribuiti.

Non me lo aspettavo da te! Come è possibile trasformare i dati empirici che non sono conformi a una distribuzione gaussiana in dati normali?

Non hai fatto la tua tesi con una quercia?


Prima devi imparare a leggere e capire ciò che è scritto, poi devi imparare a scrivere

Devi convertire i dati reali in dati normalmente distribuiti, che è anche l'idea di Northwind...
 
Il post qui sopra è un po' sconclusionato:
  • Esiste una cosa come una distribuzione frattale parabolica (una cosa abbastanza nuova, riguarda la modellazione della distribuzione di oggetti reali, come la dimensione della città di Parigi in relazione alle città frugali della Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A meno che non siate appena usciti dall'università, probabilmente non vi è stato insegnato. Non vedo come si inserisca qui.
  • Distribuzione stazionaria: se i vettori el. sono el. nello spazio di stato di una catena di Markov, sono numeri non negativi, danno una somma di 1, ed el. i è la somma del vettore el. j moltiplicato per la probabilità di transizione dallo stato j a i. Come si arriva qui non lo capisco nemmeno io.
  • Conosco anche il teorema dell'integrale di Mois-Laplace, che per grandi n la distribuzione binomiale converge alla distribuzione normale. Non ne conosco un altro, e nemmeno questo si adatta qui.
Bene, riguardo alla distribuzione normale - le quotazioni così come sono, come ha scritto S.W. e ciò che sta nel palmo della sua mano, sono normalmente distribuite intorno alla media mobile, quindi qui siamo a posto.
 
Mathemat:
Rosh:
Cioè, trovare una tale trasformazione dei dati grezzi (citazioni) per vedere incrementi normali? E come funziona?
Non lo so, Rosh. Ha solo buttato dentro questa idea dal link che ho dato. A quanto pare, stava cercando di fare qualcosa...
Leggete appena oltre la prima pagina di quel thread. La cosa interessante è che ho modellato circa lo stesso, cioè le entrate sono casuali, la dimensione dello stop è più grande della dimensione del profitto. Inoltre, sia il target che lo stop sono lontani dai pips, centinaia di pips. La redditività è stabile. Lo spread è stato considerato (2 punti). Se solo fosse così facile nel mercato reale :)
 
olexij:
Il post qui sopra è un po' sconclusionato:
  • Esiste una cosa come una distribuzione frattale parabolica (una cosa abbastanza nuova, riguarda la modellazione della distribuzione di oggetti reali, come la dimensione della città di Parigi in relazione alle città frugali della Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A meno che non siate appena usciti dall'università, probabilmente non vi è stato insegnato. Non vedo come si inserisca qui.
  • Distribuzione stazionaria: se i vettori el. rappresentano el. nello spazio di stato di una catena di Markov, sono numeri non negativi, danno una somma di 1, ed el. i è la somma del vettore el. j moltiplicato per la probabilità di transizione dallo stato j a i. Come si arriva qui non lo capisco nemmeno io.
  • Conosco anche il teorema dell'integrale di Mois-Laplace, che per grandi n la distribuzione binomiale converge a quella normale. Non ne conosco un altro, e nemmeno questo si adatta qui.
Bene, riguardo alla distribuzione normale - le quotazioni così come sono, come ha scritto S.W. e ciò che sta nel palmo della sua mano, sono normalmente distribuite intorno alla media mobile, quindi qui siamo a posto.

olexij, la precisione della formulazione è sorprendente. Dovresti essere su lib.mexmat.ru, non qui (se non ti dispiace "tu"). Cercherò di rispondere punto per punto - con tutto il rigore che posso, e allo stesso tempo, in modo che almeno qualcuno qui lo capisca. Non vengo direttamente dal banco dell'università, ma ho un'idea generale del rigore matematico.

1. Distribuzione frattale: intendendo quella discussa nel libro di Peters, che ha una tabella alla fine del libro. Link al libro: http://www.ozon.ru/context/detail/id/1691158/. A proposito, è anche disponibile gratuitamente su Spider. C'è una presentazione più rigorosa in Fundamentals of Stochastic Financial Mathematics di Shiryaev. La frattalità qui si riferisce piuttosto alla stabilità della distribuzione di probabilità.

2. Stazionarietà: sì, sono stato impreciso (come sfortuna, dopo averlo scritto ho pensato di essere impreciso - sicuramente qualcuno se la sarebbe presa con me). Non mi riferivo alla stazionarietà della distribuzione, ma alla stazionarietà del processo casuale Returns.

3. Conosco questo teorema della convergenza del binomio alla normale. Intendevo il teorema per cui si può, avendo una quantità uniformemente distribuita e conoscendo la funzione inversa della funzione di distribuzione normale, ottenere sul computer un'imitazione abbastanza buona di una distribuzione normale. Non ricordo esattamente come si chiama, ma è uno dei più importanti di terver.

Un'ultima cosa: non stiamo parlando della distribuzione delle quotazioni intorno a una media mobile; la loro normalità... beh, intuitivamente sembra e non è affatto in superficie. Quello che intendiamo è Returns, cioè le differenze di prezzo di chiusura delle barre vicine - indipendentemente dai muwings.
 
olexij:
Il post qui sopra è un po' sconclusionato:
  • Esiste una cosa come una distribuzione frattale parabolica (una cosa abbastanza nuova, riguarda la modellazione della distribuzione di oggetti reali, come la dimensione della città di Parigi in relazione alle città frugali della Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A meno che non siate appena usciti dall'università, probabilmente non vi è stato insegnato. Non vedo come si inserisca qui.
  • Distribuzione stazionaria: se i vettori el. sono el. nello spazio di stato di una catena di Markov, sono numeri non negativi, danno una somma di 1, ed el. i è la somma del vettore el. j moltiplicato per la probabilità di transizione dallo stato j a i. Come si arriva qui non lo capisco nemmeno io.
  • Conosco anche il teorema dell'integrale di Mois-Laplace, che per grandi n la distribuzione binomiale converge alla distribuzione normale. Non ne conosco un altro, e nemmeno questo si adatta qui.
Bene, riguardo alla distribuzione normale - le quotazioni così come sono, come ha scritto S.W. e ciò che sta nel palmo della sua mano, sono normalmente distribuite intorno alla media mobile, quindi qui siamo a posto.

Leggere. Ha pensato molto. Piangeva.
L'autore è in fiamme! Continuate così!
 
Mathemat:
olexij:
Il post qui sopra è un po' sconclusionato:
  • Esiste una cosa come una distribuzione frattale parabolica (una cosa abbastanza nuova, riguarda la modellazione della distribuzione di oggetti reali, come la dimensione della città di Parigi in relazione alle città frugali della Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A meno che non siate appena usciti dall'università, probabilmente non vi è stato insegnato. Non vedo come si inserisca qui.
  • Distribuzione stazionaria: se i vettori el. rappresentano el. nello spazio di stato di una catena di Markov, sono numeri non negativi, danno una somma di 1, ed el. i è la somma del vettore el. j moltiplicato per la probabilità di transizione dallo stato j a i. Come si arriva qui non lo capisco nemmeno io.
  • Conosco anche il teorema dell'integrale di Mois-Laplace, che per grandi n la distribuzione binomiale converge alla distribuzione normale. Non ne conosco un altro, e nemmeno questo si adatta qui.
Bene, riguardo alla distribuzione normale - le citazioni per così dire, come ha scritto S.W. e ciò che sta nel palmo della sua mano, sono normalmente distribuite intorno alla media mobile, quindi è tutto chiaro qui.

olexij, la precisione della formulazione è sorprendente. Dovresti andare su lib.mexmat.ru, non qui (se non ti dispiace "tu"). Cercherò di rispondere punto per punto - con tutto il rigore che posso, e allo stesso tempo, in modo che almeno qualcuno qui lo capisca. Non vengo direttamente dal banco dell'università, ma ho un'idea generale del rigore matematico.

1. Distribuzione frattale: intendendo quella discussa nel libro di Peters, che ha una tabella alla fine del libro. Link al libro: http://www.ozon.ru/context/detail/id/1691158/. A proposito, è anche disponibile gratuitamente su Spider. C'è una presentazione più rigorosa in Fundamentals of Stochastic Financial Mathematics di Shiryaev. La frattalità qui si riferisce piuttosto alla stabilità della distribuzione di probabilità.

2. Stazionarietà: sì, sono stato impreciso (come sfortuna, dopo averlo scritto ho pensato di essere impreciso - sicuramente qualcuno se la sarebbe presa con me). Non mi riferivo alla stazionarietà della distribuzione, ma alla stazionarietà del processo casuale Returns.

3. Conosco questo teorema della convergenza del binomio alla normale. Intendevo il teorema per cui è possibile, avendo una quantità uniformemente distribuita e conoscendo la funzione inversa della funzione di distribuzione normale, ottenere sul computer un'imitazione abbastanza buona di una distribuzione normale. Non ricordo esattamente come si chiama, ma è uno dei più importanti di terver.

Un'ultima cosa: non stiamo parlando della distribuzione delle quotazioni intorno a una media mobile; la loro normalità... beh, intuitivamente sembra e non è affatto in superficie. Quello di cui stiamo parlando è Returns, cioè le differenze di prezzo di chiusura di barre vicine - senza considerare i muwings.
Matemat, visto che vi chiamate per nome allora. :) La formulazione precisa è sempre meglio quando si parla di matematica e statistica, soprattutto quando si ha Google a portata di mano e la mano non è asciutta. Punto per punto:
3. Sta scrivendo sulla trasformazione Box-Muller? Sulla generazione di numeri pseudocasuali normalmente distribuiti da numeri pseudocasuali uniformemente distribuiti qui: http://www.taygeta.com/random/gaussian.html. Ma dove abbiamo quantità pseudo-casuali uniformemente distribuite qui?
2. Stazionarietà del processo: probabilmente sì. Non credo nemmeno che la funzione di distribuzione cambi nel tempo.
1. Troppo pigro per scavare e leggere ora, visto l'ultimo commento:
Esiste per esempio il test di Kolmogorov-Smirnov, per il quale, con un campione casuale, si può verificare se la distribuzione di una variabile casuale è normale o no: https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test. Se questo non è sufficiente per voi, allora unite tutto quanto sopra nella descrizione di ciò che state proponendo.
 
alexjou:
olexij:
Il post qui sopra è un po' sconclusionato:
  • Esiste una cosa come una distribuzione frattale parabolica (una cosa abbastanza nuova, riguarda la modellazione della distribuzione di oggetti reali, come la dimensione della città di Parigi in relazione alle città frugali della Francia https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A meno che non siate appena usciti dall'università, probabilmente non vi è stato insegnato. Non vedo come si inserisca qui.
  • Distribuzione stazionaria: se i vettori el. sono el. nello spazio di stato di una catena di Markov, sono numeri non negativi, danno una somma di 1, ed el. i è la somma del vettore el. j moltiplicato per la probabilità di transizione dallo stato j a i. Come si arriva qui non lo capisco nemmeno io.
  • Conosco anche il teorema dell'integrale di Mois-Laplace, che per grandi n la distribuzione binomiale converge alla distribuzione normale. Non ne conosco un altro, e nemmeno questo si adatta qui.
Beh, riguardo alla distribuzione normale - le citazioni per così dire, come ha scritto S.W. e ciò che sta nel palmo della sua mano, sono normalmente distribuite intorno alla media mobile, quindi qui siamo a posto.

Leggere. Ha pensato molto. Piangeva.
L'autore è in fiamme! Continuate così!
Non piangere, il nonno ti darà una caramella :)
123456789
Nuovo commento