Чтобы положить конец утверждениям что первая разница цен стационарна, написал прилагаемаый индикатор теста стационарности в широком смысле. Он работает таким образом
Расчитываются разницы всех цен
Данные разбиваются на два равных участка
На первом участке рассчитывается первый момент (средняя всех цен на этом участке)
От всех цен обоих участков отнимаем первый момент рассчитанный в п.3. Понятно что данные на первом участке будут иметь нулевую среднею.
Опять же на первом участке рассчитывается второй момент (дисперсия).
Цены обоих участков делются на sqrt дисперсии расчитанной в п. 5. Понятно что данные на первом участке приобретут единичную дисперсию.
Расчитываем первый и второй моменты цен на втором участке и строим их как индикатор. Если данные стационарны в широком смысле, то будем ожидать что эти моменты будут колебаться около 0 и 1 соответственно.
Ок. Смотрим в википедии страничку "выборочные моменты". Получается, что первый момент - это среднее всей выборки. Проводим численный эксперимент. Берем котировки eurusd m15 за период 01.01.1999 - 16.11.2009 и считаем среднее. У меня получилось 1.18.
Вы о цене или о приращениях?
どちらも1次トルクは0であり、違いはありません。
どちらの場合も、最初の運動量はゼロである。
価格のケースについては、詳しく説明し、数値例を挙げてください。
Вы о цене или о приращениях?
>>そうですね、価格について。
まず、最も明白なのは、平均が一定であること、分布に「太い尾」がないことである。この場合、何も予測する必要はありません。
これはありえないことです。
p.s. 彼らが分布の尾について話すとき（私たちの文脈では） - 彼らは通常、増分の分布を意味します。
Чтобы положить конец утверждениям что первая разница цен стационарна, написал прилагаемаый индикатор теста стационарности в широком смысле. Он работает таким образом
- Расчитываются разницы всех цен
- Данные разбиваются на два равных участка
- На первом участке рассчитывается первый момент (средняя всех цен на этом участке)
- От всех цен обоих участков отнимаем первый момент рассчитанный в п.3. Понятно что данные на первом участке будут иметь нулевую среднею.
- Опять же на первом участке рассчитывается второй момент (дисперсия).
- Цены обоих участков делются на sqrt дисперсии расчитанной в п. 5. Понятно что данные на первом участке приобретут единичную дисперсию.
- Расчитываем первый и второй моменты цен на втором участке и строим их как индикатор. Если данные стационарны в широком смысле, то будем ожидать что эти моменты будут колебаться около 0 и 1 соответственно.
...この方法は何なのか、私にはわからない。統計的に無理がある」ようです() :o)多くの手法は、系列を多くのセグメントに分割し、セグメント分布のパラメータの相互の相対的な挙動を調査することに基づいています。大雑把に言えば、いくつかのパラメーターの間に（他の基準で）傾向があるかどうかを調べるだけである。そしてポイントは、これらのセグメントはたくさんあるはずなのに、2つのサンプルの間にトレンドがあるのかないのか、理解できないことです。
ところで、生成された定常乱数系列を取り出せば、ある状況下ではその非定常性を得ることができるはずです。
どんな方法なのか、調べようがない。
ウィキペディア - 「定常性」。第3パラグラフの終わりです。非常によく似ています。
Для случая цены - пожалуйста, поподробнее и с численным примером.
あなたの意見では、価格の最初の瞬間はゼロと異なっていますか？ 数値的な例？ はい、それはあなたの期待利益はベーグルから手数料を引いたものに等しいので、同じ価格での預金の損失です - あなたが望むなら、確認することができます。
価格の1次モーメントはゼロと異なると思いますか？
OKです。サンプルモーメント」については、wikipediaのページをご参照ください。その結果、第一モーメントはサンプル全体の平均であることが判明した。数値実験をしてみましょう。1999.01.01～2009.11.16の期間のeurusd m15の相場を取り、平均値を計算してみましょう。1.18を取得。
この結果を説明できますか？
Это невозможно.
p.s. Когда говорят о хвостах распределения (в нашем контексте) - обычно имеют ввиду распределение приращений.
Ок. Смотрим в википедии страничку "выборочные моменты". Получается, что первый момент - это среднее всей выборки. Проводим численный эксперимент. Берем котировки eurusd m15 за период 01.01.1999 - 16.11.2009 и считаем среднее. У меня получилось 1.18.
Объясните полученный результат?
通貨の比率（に限らず）がマイナスになることはないから。 絶対的な価格規模は関係ない？ 1.18に加減は10億でも-最初の瞬間SBはゼロになる。 期待利益は11800pipsか。- 素晴らしい！ まあ、それはそれとして、"そろそろ切り刻んでください "と言っているのです。