Profitto da una gamma di prezzi casuali - pagina 4
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
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 vi basta, allora unite tutto quanto sopra in una descrizione di ciò che proponete.
3. sì, anche se si tratta di Box-Muller, ci sono molti metodi diversi. Anche qui c'è una libreria statistica (da klot, credo), c'è una funzione, l'inverso di normale, proprio per generare un valore normale da uno uniformemente distribuito. In ogni caso, la legge di trasformazione fondamentale delle probabilità è la base qui. Questa è la legge a cui mi riferisco.
Per quanto riguarda ciò che mi sfugge: non lo sto facendo, ma solo facendo notare che questo è probabilmente ciò che voleva fare S.V. Apparentemente voleva raccogliere statistiche sui rendimenti, e poi, sulla base della distribuzione empirica dei rendimenti, trasformare questi dati in dati normalmente distribuiti, sui quali, secondo i suoi suggerimenti e le affermazioni diRosh, si possono semplicemente tagliare i cavoli. Così facendo, ogni dimensione del Ritorno reale sarà reciprocamente non ambiguamente abbinata a quella "normalizzata". Sui dati "normalizzati", le operazioni vengono aperte/chiuse e trasformate in operazioni sui dati reali.
1. E tu leggi Peters, c'è un sacco di roba interessante lì dentro. Non ho bisogno di fare il test di Kolmogorov-Smirnov per controllare la normalità di Returns, perché so che non sono normali, e questo è davvero ovvio - per esempio dal fatto che ci sono code pesanti. Gli eventi di tipo Six Sigma nel mercato reale sono abbastanza rari, ma comunque centinaia di migliaia di volte più frequenti della legge normale.
1. dovresti leggere Peters, c'è un sacco di roba interessante lì dentro.
E Peters?
Э. Peters "Caos e ordine nei mercati dei capitali"
Э. E. Peters "Analisi frattale dei mercati finanziari. Applicazioni della teoria del caos agli investimenti e all'economia".
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 vi basta, allora unite tutto quanto sopra nella descrizione di ciò che proponete.
3. sì, anche se si tratta di Box-Muller, ci sono molti metodi diversi. Anche qui c'è una libreria statistica (da klot, credo), c'è una funzione, l'inverso di normale, proprio per generare un valore normale da uno uniformemente distribuito. In ogni caso, la legge di trasformazione fondamentale delle probabilità è la base qui. Questa è la legge a cui mi riferisco.
Per quanto riguarda ciò che mi sfugge: non lo sto facendo, ma solo facendo notare che questo è probabilmente ciò che voleva fare S.V. Apparentemente voleva raccogliere statistiche sui rendimenti, e poi, sulla base della distribuzione empirica dei rendimenti, trasformare questi dati in dati normalmente distribuiti, sui quali, secondo i suoi suggerimenti e le affermazioni diRosh, si possono semplicemente tagliare i cavoli. Così facendo, ogni dimensione del Ritorno reale sarà reciprocamente non ambiguamente abbinata a quella "normalizzata". Sui dati "normalizzati", le operazioni vengono aperte/chiuse e trasformate in operazioni sui dati reali.
1. E dovresti leggere Peters, c'è un sacco di roba interessante lì dentro. Non ho bisogno di fare il test di Kolmogorov-Smirnov per controllare la normalità di Returns, perché so che non sono normali, e questo è davvero ovvio - per esempio dal fatto che esistono code pesanti. Gli eventi di tipo Six Sigma sono abbastanza rari nel mercato reale, ma comunque centinaia di migliaia di volte più frequenti della legge normale.
3. Sappiamo che le quantità sono distribuite uniformemente? O in generale, qual è la nostra funzione di distribuzione? Se è così, abbiamo una funzione di distribuzione che possiamo trasformare. Kolmogorov può aiutare anche qui.
1. Leggendo la descrizione precedente del punto 1 sulla stabilità, in realtà duplica il punto 2 sulla stazionarietà, per quanto ho capito. Su Peters - lo prenderò e lo leggerò, grazie.
Riguardo all'impresa stessa - vediamo cosa fanno. Se improvvisamente scompaiono qui, vale la pena dare un'occhiata più da vicino.
E Peters?
1. dovresti leggere Peters, c'è un sacco di roba interessante lì dentro.
Peters, forse?
Э. Peters "Caos e ordine nei mercati dei capitali"
Э. E. Peters "Analisi frattale dei mercati finanziari. Applicazioni della teoria del caos agli investimenti e all'economia".
Grazie, i link non funzionano solo in Russia. Sono interessato a libri sulla gestione del denaro, potete suggerirmi qualcosa? Matemat, la domanda è anche per te :)
Grazie, i link non funzionano solo in Russia. Sono interessato a libri sulla gestione del denaro, potete suggerirmi qualcosa? Matemat, una domanda anche per te :)
Classici del genere.
Р. Vince, La matematica della gestione del denaro.
Per l'autotrading
Yuri Reshetnikov "MTS e metodi di gestione del denaro"
1. Leggendo la descrizione precedente del punto 1 sulla stabilità, in realtà duplica il punto 2 sulla stazionarietà, per quanto ho capito.
No, non lo fa. Una distribuzione di probabilità stabile è questa (da Shiryaev, vol. 1, p. 232):
Qualcosa di simile è distribuzioni infinitamente divisibili.
1. Leggendo la descrizione precedente del punto 1 sulla stabilità, in realtà duplica il punto 2 sulla stazionarietà, per quanto ho capito.
No, non lo fa. Una distribuzione di probabilità stabile è questa (da Shiryaev, vol. 1, p. 232):
Qualcosa di simile sono le distribuzioni infinitamente divisibili.
A suo tempo, era ben esposto su alcuni forum seri.
Quindi non ha molto senso leggere i suoi articoli, se non per il gusto di farlo.
"Dub ha dimostrato l'impossibilità di vincere sistematicamente su una serie casuale di dati"
- Questo è generalmente scorretto, a meno che non sia specificata la serie casuale in questione.
Per esempio su una tale serie casuale X = a + b*t + e è molto facile fare soldi (e è una variabile casuale)
Ci sono molte altre serie casuali su cui si può costruire un sistema.
Il punto principale è che ci sono serie casuali con memoria e quelle senza memoria.
Esiste una serie casuale con memoria; ha una funzione di distribuzione degli incrementi di una variabile casuale (e) che NON dipende dai suoi valori precedenti.
Una serie casuale senza memoria - la sua funzione di distribuzione degli incrementi di una variabile casuale NON dipende dai valori precedenti della serie.
È impossibile costruire un sistema redditizio su una serie casuale senza memoria.
Per quanto riguarda la distribuzione normale - le quotazioni sono distribuite normalmente intorno alla media mobile, proprio come ha scritto S.W. e ciò che sta nel palmo della sua mano, quindi qui siamo a posto.
1. Il tipo di funzione di distribuzione delle differenze di prezzo e della media dipende dalla varianza di questa distribuzione e dal valore della media.
2. La funzione di distribuzione di questa differenza è asimmetrica, quindi non può essere gaussiana.
3. In certe condizioni, la distribuzione della differenza tende a una distribuzione gaussiana, ma non lo diventa mai.