![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
OK. Ecco i dati.Sembra che ci siamo fraintesi. I miei sentimenti sull'anormalità non si applicano al generatore, ma al mercato. Costruite una distribuzione dei primi incrementi e vedete voi stessi.
Beh, per il cavallo sferico nel vuoto, cioè per una distribuzione normale garantita - sì, è improbabile. Beh, quelli veri non sono cavalli nel vuoto. Ci sono 5 o 6 s.c.e. e anche 10.
Zio, per favore, ecco ora un'altra foto della sterlina del 1971, i diari. Ci può essere un singolo affondo (e non ce n'è uno a proposito :), la cosa più importante è che non diventi uno schema. Giusto?
![Le prime differenze nella sterlina dal 1971](https://c.mql5.com/mql4/forum/2009/11/28.11_1_small.gif)
I dati per il controllo sono allegati.Le prime differenze in sterline dal 1971.
>>S. Forse dovrebbe essere controllato per la stazionarietà :)
Zio, per favore, ecco ora un'altra foto della sterlina del 1971, i diari. Ci può essere un singolo affondo (e non ce n'è uno a proposito :), la cosa più importante è che non diventi uno schema. Giusto?
I dati per il controllo sono allegati.Le prime differenze nella sterlina dal 1971
A occhio direi che è una distribuzione di Laplace.
La chiamerei a occhio la distribuzione di Laplace
La chiave è che non ci sono 5-6-10 sigma. Altrimenti, sì, ma bisogna testarlo. Eppure potrebbe andare bene.Ilya, ecco un suggerimento: approssimare questa distribuzione con una distribuzione normale. E poi vedere quanto sono diversi l'istogramma reale e l'approssimazione della curva gaussiana. Non limitarti a tre sigma, cercane almeno dieci.
Un altro controllo banale: calcolare i primi momenti di questa distribuzione e confrontarli con i momenti della distribuzione normale.
Il fenomeno delle code grasse nelle serie finanziarie è noto da tempo. Cosa vuoi dimostrarmi?
Ilya, ecco un suggerimento: approssimare questa distribuzione con una distribuzione normale. E poi vedere quanto sono diversi l'istogramma reale e l'approssimazione della curva gaussiana. Non limitarti a tre sigma, cercane almeno dieci.
Un altro controllo banale: calcolare i primi momenti di questa distribuzione e confrontarli con i momenti della distribuzione normale.
Il fenomeno delle code grasse nelle serie finanziarie è noto da tempo. Cosa vuoi dimostrarmi?
Il discorso riguardava il 5-6-10 RMS. Non vedo uno schema nel loro aspetto.
La chiave è che non ci sono 5-6-10 sigma. Così com'è, sì, ma deve essere testato. Eppure potrebbe essere normale.è altamente improbabile. Le distribuzioni normali si trovano di solito in natura dove una variabile casuale "grande" è la somma di un gran numero di variabili casuali "piccole" distribuite in un certo modo (ma allo stesso modo). Un primo esempio è il moto browniano, al quale sono già state dedicate tante pagine nel prossimo thread. Nel caso del mercato, la legge di formazione dei prezzi è lontana da essa, perché per ottenerne una normale è necessario un numero molto grande di "perturbazioni" esterne, che devono essere il fattore principale nella formazione della distribuzione. Ma non pensiamo che i prezzi sul mercato siano un rumore, vero?
Su un grafico, puramente visivo, e non vedrete quel 5-6-10.
Da qualche parte avevo anche un grafico che mostrava le differenze. Se prendete i primi due momenti della distribuzione e li considerate come momenti di approssimazione della normale, la differenza di frequenze di 3, 4, 5, ecc. sigma è facile da calcolare.
Non ricordo le cifre esatte, ma la frequenza reale della deviazione di 3 sigma è 3-4 volte più alta di quella gaussiana (gaussiana 0,3%, reale più dell'1%). La deviazione 4 sigma si verifica nella realtà più spesso di quella gaussiana di circa 15 volte. Per 5 sigma la differenza è decine di volte, se non centinaia. E così via.
Finché non si valutano i rischi, non importa se è gaussiano o no.
P.S. A proposito, sembra che secondo Taleb, LTCM sia crollato proprio a causa della sottovalutazione dei rischi. Una deviazione di 10 sigma è stata considerata un evento raro trascurabile. Ed è esattamente quello che è successo.
Non ricordo le cifre esatte, ma la frequenza reale della deviazione 3 sigma è 3-4 volte quella gaussiana (gaussiana 0,3%, reale più dell'1%). La deviazione 4 sigma si verifica nella realtà più spesso di quella gaussiana di circa 15 volte. Per 5 sigma la differenza è di decine di volte. E così via.
...che ancora una volta è una prova a favore di Laplace.
Finché non si valutano i rischi, non importa se è gaussiano o no.
Potete dirmi come affrontare la valutazione del rischio?