Calcolare la probabilità di inversione - pagina 8
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, prendiamo allora una densità di distribuzione Cauchy o Laplace.
Non sono interessato alla distribuzione di Cauchy o Laplace, e non ho intenzione di impostarla)
E non ho bisogno di parametri gaussiani. La domanda è diversa.
... Quanto è vicino alla gaussiana, dove si discosta da essa e di quanto...
Volevo solo capire come risponderebbe a questa domanda nel caso ipotetico in cui si sa che i dati sono distribuiti esattamente secondo la distribuzione standard di Cauchy. Allora sarebbe più facile rispondere anche nel caso di dati reali. Per esempio, qualcosa del tipo che prendiamo quella gaussiana per la quale la somma dei moduli delle deviazioni dei decili è minima, ecc.
Oppure non capisco affatto la domanda.
Volevo solo vedere come avresti risposto a questa domanda nel caso ipotetico in cui si sa con certezza che i dati sono distribuiti esattamente secondo la distribuzione standard di Cauchy. Allora sarebbe più facile rispondere anche nel caso di dati reali. Per esempio, qualcosa del tipo che prendiamo quella gaussiana per la quale la somma dei moduli delle deviazioni dei decili è minima, ecc.
Oppure non capisco affatto la domanda.
Alexey, come si può applicare in pratica l'analogia della distribuzione di Cauchy?
Post scriptum interessante, non è arrivato
Volevo solo vedere come avresti risposto a questa domanda nel caso ipotetico in cui sai per certo che i dati sono distribuiti esattamente secondo la distribuzione standard di Cauchy. Allora sarebbe più facile rispondere anche nel caso di dati reali. Per esempio, qualcosa del tipo che prendiamo quella gaussiana per la quale la somma dei moduli delle deviazioni dei decili è minima, ecc.
Oppure non capisco affatto la domanda.
Beh, la solita approssimazione lineare di MNC. Prendiamo la gaussiana per la quale la somma dei quadrati delle deviazioni è minima.
La questione è che nel centro della distribuzione il valore delle deviazioni sarà, diciamo, dell'ordine di 0,1. E sulle code, diciamo, dell'ordine di 0,01.
Vale a dire che l'adattamento avverrà per lo più in punti dal centro della distribuzione.
E mi sembra che tutti i punti dovrebbero partecipare allo stesso modo.
Per questo si può prendere una scala logaritmica sull'asse verticale, o invece di deviazione-differenze prendere deviazione-parziale, cioè dividere una distribuzione per un'altra, e quindi già approssimare.
Beh, la solita approssimazione lineare di ANC. Prendiamo la gaussiana per la quale la somma dei quadrati delle deviazioni è minima.
La questione è che nel centro della distribuzione il valore delle deviazioni sarà, diciamo, dell'ordine di 0,1. E sulle code, diciamo, dell'ordine di 0,01.
Vale a dire che l'adattamento avverrà per lo più in punti dal centro della distribuzione.
E mi sembra che tutti i punti dovrebbero partecipare allo stesso modo.
Per fare questo si può prendere una scala logaritmica sull'asse verticale, o prendere deviazione-parziale invece di deviazione-differenza, cioè dividere una distribuzione per un'altra, e poi già approssimare...
C'è qualche motivo per cui la "partecipazione" dei punti che si verificano raramente dovrebbe comunque essere la stessa di quella dei punti vicini alla mediana (centro) che si verificano molto più frequentemente? Perché una tale amplificazione del ruolo nell'approssimazione? Non verrebbe fuori che "la coda scodinzola il cane"?
In realtà, ci sono MNC con pesi per controllare il ruolo dei diversi punti. Per esempio, impostateli come valori inversi alla funzione di densità di probabilità della distribuzione normale e questo è tutto. La cosa principale è mantenere la somma dei pesi a 1. A proposito, cos'è "l'approssimazione lineare di MNC" se non un'approssimazione in linea retta?
C'è qualche motivo per cui la "partecipazione" dei punti che si verificano raramente dovrebbe comunque essere la stessa di quella dei punti vicini alla mediana (centro) che si verificano molto più frequentemente? Perché un tale rafforzamento del ruolo nell'approssimazione? Non verrebbe fuori che "la coda scodinzola il cane"?
In realtà, ci sono MNC con pesi per controllare il ruolo dei diversi punti. Per esempio, impostateli come valori inversi alla funzione di densità di probabilità della distribuzione normale e questo è tutto. La cosa principale è mantenere la somma dei pesi a 1. A proposito, cos'è una MNC "lineare"?
1. Certo che c'è. Le code sono di grande ampiezza, dopo tutto. Applicato al mercato - rare ma grandi perdite. Non è un rafforzamento del ruolo, è una compensazione per la mancanza di ruolo, con il risultato di dare ruoli uguali a tutti i punti.
2. Su MNC con pesi che conosco. Il problema non è la tecnica di approssimazione, ma la sua ideologia.
3. Quando si assume una relazione lineare tra le quantità.
1. Certo che ci sono. Ci sono grandi code, dopo tutto. Applicato al mercato, rare ma grandi perdite.
2. So di MNC con i pesi. La questione non è nella tecnica di approssimazione, ma nella sua ideologia.
3. Quando si assume una relazione lineare tra i valori.
1. Questo non è più un approccio probabilistico. Le code della distribuzione di probabilità significano casi piccoli e rari, mentre quelli principali e significativi hanno la loro propria distribuzione, che diminuisce rapidamente verso i bordi.
2. La domanda era: "A proposito, Alexey e Vladimir, ditemi. Supponiamo di voler approssimare alcuni dati con una distribuzione normale. Lecode e il centro della distribuzione dovrebbero avere lo stesso peso nell'approssimazione, suppongo?
La risposta è no. Se modelliamo il problema con metodi probabilistici, allora ovviamente gli eventi che si verificano più spesso di altri sono più importanti, cioè più probabili. Questo è ideologico.
3. causalità lineare, vuoi dire? All'ISC interessa che tipo di relazione c'è?
Beh, la solita approssimazione lineare di ANC. Prendiamo la gaussiana per la quale la somma dei quadrati delle deviazioni è minima.
La questione è che nel centro della distribuzione il valore delle deviazioni sarà, diciamo, dell'ordine di 0,1. E sulle code, diciamo, dell'ordine di 0,01.
Vale a dire che l'adattamento avverrà per lo più in punti dal centro della distribuzione.
E mi sembra che tutti i punti dovrebbero partecipare allo stesso modo.
Per fare questo, si può prendere una scala logaritmica sull'asse verticale, o invece di deviazione-differenze prendere deviazione-parziale, cioè dividere una distribuzione per un'altra, e quindi già approssimarla.
Ricorda un po' il test di bontà di Pearson (chi-quadro). Dai un'occhiata a Kobzar nel terzo capitolo. È solo necessario capire chiaramente la differenza tra l'ipotesi nulla semplice e l'ipotesi complessa, quando i parametri di distribuzione sono sconosciuti e sono stimati dal campione (per esempio, minimizzando la statistica chi-quadro).
1. Questo non è più un approccio probabilistico. Le code della distribuzione di probabilità si riferiscono a casi piccoli e rari, e quelli maggiori e significativi hanno la loro propria distribuzione, rapidamente decrescente verso i bordi.
2. La domanda era: "A proposito, Alexey e Vladimir, ditemi. Supponiamo di voler approssimare alcuni dati con una distribuzione normale. Lecode e il centro della distribuzione dovrebbero avere lo stesso peso nell'approssimazione, suppongo?
La risposta è no. Se modelliamo il problema con metodi probabilistici, allora ovviamente gli eventi che si verificano più spesso di altri sono più importanti, cioè più probabili. Questo è ideologico.
3. causalità lineare, vuoi dire? All'ISC interessa che tipo di relazione c'è?
1. NON sono insignificanti. Uno di questi casi "minori" potrebbe comportare la perdita di tutto ciò che è stato guadagnato da quelli "maggiori".
3. una relazione di correlazione lineare. MNC tutto uguale, lineare ho chiamato approssimazione, non MNC.
Ricorda un po' il test di bontà di Pearson (chi-quadro). Vedere Kobzar nel capitolo 3. È solo necessario capire chiaramente la differenza tra il caso dell'ipotesi nulla semplice e quello complesso, quando i parametri di distribuzione sono sconosciuti e sono stimati dal campione (per esempio, minimizzando la statistica chi-quadro).
Beh, non c'è nessun compito di stimare i parametri di distribuzione)