Dalla teoria alla pratica - pagina 440
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
I libri che ho usato per combattere il mercato.
Shelepin L.A.: "La scienza moderna si basa sul paradigma markoviano. La revisione evidenzia l'emergere di un nuovo paradigma non markoviano (teoria dei processi con memoria)".
Questo è quello che stavo dicendo) gli accademici sono 50 anni indietro rispetto alla realtà)
Tutto il mondo finanziario ha considerato a lungo il mercato come un processo con memoria, e questa è una novità per loro)))
È semplicemente inutile considerarlo altrimenti, perché è impossibile fare soldi su un processo senza memoria, per ragioni naturali.
Shelepin L.A.: "La scienza moderna si basa sul paradigma markoviano. La revisione evidenzia l'emergere di un nuovo paradigma non markoviano (teoria dei processi con memoria)".
Questo è quello di cui parlavo) gli accademici sono 50 anni indietro rispetto alla realtà)
Tutto il mondo finanziario ha visto a lungo il mercato come un processo con memoria, e questa è una novità per loro)))
È semplicemente inutile considerarlo altrimenti, perché è impossibile fare soldi su un processo senza memoria, per ragioni naturali.
Non l'ho studiato in dettaglio, ma sembra che il processo markoviano di Shelepin non coincida del tutto con la definizione generalmente accettata.
Con la "memoria" il problema principale è che non è chiaro come essa (cioè le distribuzioni di processo multivariate) possa essere contata nel caso di processi non stazionari - di solito non ci sono abbastanza dati per questo.
Si può anche guadagnare da una normale passeggiata casuale con deriva (tendenza), che è abbastanza markoviana.
Il problema principale con la "memoria" è che non è chiaro come essa (cioè le distribuzioni di processo multivariate) possa essere considerata nel caso di processi non stazionari - di solito non ci sono abbastanza dati per farlo.
Sembra essere lo stesso - la dipendenza tra gli incrementi. E cosa vede esattamente come un problema, perché non ci sono abbastanza dati? Io, per esempio, non ho problemi con il recupero della memoria)
A proposito, la memoria è molto meglio espressa in volatilità, si può iniziare la ricerca con essa, se qualcuno sta cercando "qualcosa a cui aggrapparsi". Lì si possono vedere immediatamente le conseguenze delle notizie e altri effetti.
Si può anche fare soldi su una normale passeggiata casuale con una deriva (tendenza), che è abbastanza markoviana.
Certo, ma qui stiamo parlando di Forex) e non ha nessuna deriva.
Sembra essere lo stesso - il rapporto tra gli incrementi. E cosa vede esattamente come un problema, perché non ci sono abbastanza dati? Io, per esempio, non ho problemi a cercare la memoria)
A proposito, la memoria è molto meglio espressa in volatilità, si può iniziare la ricerca con essa, se qualcuno sta cercando "qualcosa a cui aggrapparsi". Lì le conseguenze dopo la notizia sono immediatamente visibili, e altri effetti.
Certo, ma qui stiamo parlando di forex) e non ha nessuna demolizione.
Spero che stiamo parlando della dipendenza degli incrementi come variabili casuali? In questo caso abbiamo bisogno della loro distribuzione congiunta. Due variabili casuali - la loro distribuzione congiunta 2-dimensionale, 3 - 3-dimensionale, ecc. Gli istogrammi bidimensionali sono a volte ancora costruiti, ma quelli di dimensioni superiori non sono chiari da rappresentare e il numero di dati necessari cresce fortemente con la dimensionalità. È chiaro che questo non viene fatto di solito (ma a volte deve essere fatto comunque). Ma qui le cose sono molto peggio - per ogni incremento (variabile casuale) c'è solo un campione di un singolo volume (valore preso dal grafico del prezzo). È per questo che dobbiamo fare ogni sorta di ipotesi e supposizioni (che non sono sempre vere). Per esempio, senza l'assunzione della stazionarietà degli incrementi, la loro distribuzione di campionamento non converge alla loro vera distribuzione. Lo stesso vale per una distribuzione bivariata che è necessaria per determinare la dipendenza a coppie degli incrementi (ad esempio per calcolare la funzione di covarianza). In breve, un processo non stazionario senza "memoria" (incrementi indipendenti) può acquisire "memoria" (dipendenza degli incrementi) se si utilizzano metodi che presuppongono la stazionarietà.
Non c'è, ovviamente, nessuna deriva in generale. Ma ci possono essere alcune sezioni in cui è presente (di nuovo, non stazionarietà)
Non riesco a capire cosa c'è di sbagliato. Calcolo la densità usando la formula
aspettativa = 0, varianza = 55, X = 13.
Densità = (1/(MathSqrt(varianza) * MathSqrt(2 * 3.14159265358979323846)) * MathPow(2.71828182845904523536, - ((X * X)/(2 * Dispersione) ) );
Ho ottenuto Densità = 0,01979.
Controllo qui
https://planetcalc.ru/4986/
Densità = 0,01157
Ho sbagliato la formula o c'è un errore sul sito della calcolatrice?Non riesco a capire cosa c'è di sbagliato. Calcolo la densità usando la formula
aspettativa = 0, varianza = 55, X = 13.
Densità = (1/(MathSqrt(varianza) * MathSqrt(2 * 3.14159265358979323846)) * MathPow(2.71828182845904523536, - ((X * X)/(2 * Dispersione) ) );
Ho ottenuto Densità = 0,01979.
Controllo qui
https://planetcalc.ru/4986/
Densità = 0,01157
Ho sbagliato la formula o c'è un errore sul sito della calcolatrice?In R:
in R:
Non riesco a capire dove sia il mio errore allora...
L'unica persona con la più bassa educazione che può fare un discorso colossale qui è bas. A volte non è un cattivo oratore. A quanto pare, quando dorme. Nel sonno ha un'epifania. A volte è interessante da leggere.
Ora, la somma degli incrementi è il prezzo nella finestra temporale di osservazione mobile, con un punto di partenza di =0.
La somma degli incrementi è quanto il grafico ha viaggiato in n secondi.
Uno alto è quanto il grafico ha viaggiato, uno basso è quanto poco ha viaggiato.
è la velocità.
doppio d = 55 , X = 13;
doppio p = (1/(MathSqrt(d) * MathSqrt(2 * 3.14159265358979323846)) * MathPow(2.71828182845904523536, - ((X * X)/(2 * d) ) );
Stampa(p);
0.01157429298384641
doppio d = 55 , X = 13;
doppio p = (1/(MathSqrt(d) * MathSqrt(2 * 3.14159265358979323846)) * MathPow(2.71828182845904523536, - ((X * X)/(2 * d) ) );
Stampa(p);
0.01157429298384641
Non capisco allora, stessa formula, perché c'è un risultato diverso. NormalizeDouble a 5 cifre non può avere questo effetto ...