ベルヌーイ、モアブ・ラプラスの定理、コルモゴロフ基準、ベルヌーイ方式、ベイズの公式、チェビシェフ不等式、ポアソン分布則、フィッシャー、ピアソン、スチューデント、スミルノフ等の定理、モデル、数式を使わない平易な言葉。 - ページ 8 12345678910 新しいコメント Vasiliy Sokolov 2012.04.12 06:15 #71 Mathemat: 好きなようにやってください。刻みの特性が分からないのでアドバイスできない。 実際のティックプロセスをシミュレートすることではないのです。逆に、今のところ必要なのは、OHLCの形をした古典的な正規分布だけなんです。大雑把に言うと、Open = Close-1、Close = sqrt(N) (Nはティック数)とすると、HighとLowの判定が問題になる。 Avals 2012.04.12 06:47 #72 C-4: 実際のティックプロセスをシミュレートすることではないのです。逆に、今のところ必要なのは、OHLC形式の古典的な正規分布だけなんです。大雑把に言うと、Open = Close-1, Close = sqrt(N) (Nはティック数)とすると、HighとLowを決める問題です。 私の記憶では、ランダムなシリーズでは、|Close-Open|ローソク足本体の長さは、上下の影の長さの平均和に等しいと思います。したがって、Closeをsqrt(N)としてモデル化し、上側の影の長さを|sqrt(N/4)|、同様に下側の影の長さを|sqrt(N/4)|としてモデル化した。もちろん、これは対称型sb(mo=0)の変形版である。非対称の場合、若干異なります。 Avals 2012.04.12 07:16 #73 Avals: 私の記憶では、ランダムな系列では、|Close-Open|ローソク足の長さは、上下の影の長さの平均和に等しいと思います。したがって、Closeをsqrt(N)としてモデル化し、上側の影の長さを|sqrt(N/4)|、同様に下側の影の長さを|sqrt(N/4)|としてモデル化する。もちろん、これは対称型sb(mo=0)の変形版である。アシンメトリーの場合は少し違います。 しかし、それは間違っている。ローソク足本体の長さと影の長さは依存関係にあるからです。だから、ローソク足をたくさん作って、その中から任意のローソク足で新シリーズを作る方が、影の分布を分析的に探せる。 Vasiliy Sokolov 2012.04.12 07:31 #74 1番目はOpenとLowの差、2番目と3番目の合計はLowとHighの差、4番目はHighとCloseの差というように、4つの生成値を取る。 大量のデータでは、CloseはOpenに収束し、High-Lowスプレッドはセグメントの値の2倍の分散を持つことになります(所定の分散を持つ4つの数字)。 Nafany 2012.04.12 07:47 #75 C-4: 本物のティックプロセスを模倣するのではありません。逆に言えば、私が必要としているのは、OHLCの形をした古典的な正規分布だけなのです。大雑把に言うと、Open = Close-1、Close = sqrt(N) (Nはティック数)とすると、HighとLowを決定する作業です。むかし、むかし、人工的な名言をランダムに生成していたことがあります。私は次のようにしました。各分ごとに、3つの独立した確率変数H、L、dltを求めました - バーごとにシフトします。期待ペイオフが0、指定分散でガウス法(点)に従って見つけるのです。同時に、得られた値をモジュロしてみた。また、シフトの方向-sgn-は偶然、50/50で選びました。つまり、Close = Open+sgn*dlt で、Hgを求めるには、(Open, Close)の大きいほうにHを足し、Lwを求めるには、(Open, Close)の小さいほうにLを引いているのです。 もちろん、得られた見積もりは実際のものと比較されます(ただし、主観的な認識のレベルです)。その時、人工相場と本物の相場の「類似性」を定義する唯一の量が、オフセット分散-dltであることに驚かされました。ナチュラルコティアに近いものにするためには、オフセットの分散が非常に小さく、つまり微小なオフセットのほとんどがゼロでなければならない。そうでなければ、超ボラティリティの高い市場になってしまう。HgとLwの分散はクオタイアの''シャギー''の程度に影響を与えた。トレンドの真似をするために、方向選択の確率を49/51と少し変えてみたが、1日で見れば強力なトレンドが出たと思う。 その結果、さまざまなモードの生成という非常にシンプルなモデルができたわけです。私はボラティリティの高いトレンドが必要だったので、シフトの分散を大きくして、方向の確率を変えてみました。私は低ボラティリティのフラットが必要だったので、シフトの分散を非常に小さくし、方向は50/50にしました。 СанСаныч Фоменко 2012.04.12 11:04 #76 C-4: 1番目はOpenとLowの差、2番目と3番目の合計はLowとHighの差、4番目はHighとCloseの差というように、4つの生成値を取る。 大量のデータでは、CloseはOpenに収束し、High-Lowスプレッドはセグメントの値の2倍の分散を持つことになります(所定の分散を持つ4つの数字)。 botscarのアイデアは不向きなのでしょうか? Dmitry Fedoseev 2012.04.12 11:07 #77 C-4: ...しかし、非常に時間がかかり、無意味な方法です。 そんなに遅くないから、タバコに火をつける暇もないでしょう。 Vasiliy Sokolov 2012.04.12 11:12 #78 faa1947: ブーツラップアイデアは不適切か? ブーツラップとは? 整数。 そんなに遅くないから、タバコに火をつける暇もないでしょう。 純粋なC#で実装してみる。 GaryKa 2012.04.12 11:37 #79 この件に関して質問があります 以下のディストリビューションの範囲を理解しようとしています。 一般化パレート分布(GPD)と極値分布(GEV) これらの分布は、互いに、正規分布と、それぞれ一様分布と、どのような関係にあるのでしょうか。つまり、現実の世界では、どのようにすれば、彼らが記述しているような出来事が起こるのでしょうか。。 СанСаныч Фоменко 2012.04.12 12:46 #80 C-4: ブーツラップとは? VIKIにあります。 ランダムに利用できるサンプルを交換することで、サンプル上で利用可能なパラメータの確率に頻度が収束するようにするものです。 12345678910 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
好きなようにやってください。刻みの特性が分からないのでアドバイスできない。
実際のティックプロセスをシミュレートすることではないのです。逆に、今のところ必要なのは、OHLCの形をした古典的な正規分布だけなんです。大雑把に言うと、Open = Close-1、Close = sqrt(N) (Nはティック数)とすると、HighとLowの判定が問題になる。
実際のティックプロセスをシミュレートすることではないのです。逆に、今のところ必要なのは、OHLC形式の古典的な正規分布だけなんです。大雑把に言うと、Open = Close-1, Close = sqrt(N) (Nはティック数)とすると、HighとLowを決める問題です。
私の記憶では、ランダムなシリーズでは、|Close-Open|ローソク足本体の長さは、上下の影の長さの平均和に等しいと思います。したがって、Closeをsqrt(N)としてモデル化し、上側の影の長さを|sqrt(N/4)|、同様に下側の影の長さを|sqrt(N/4)|としてモデル化した。もちろん、これは対称型sb(mo=0)の変形版である。非対称の場合、若干異なります。
私の記憶では、ランダムな系列では、|Close-Open|ローソク足の長さは、上下の影の長さの平均和に等しいと思います。したがって、Closeをsqrt(N)としてモデル化し、上側の影の長さを|sqrt(N/4)|、同様に下側の影の長さを|sqrt(N/4)|としてモデル化する。もちろん、これは対称型sb(mo=0)の変形版である。アシンメトリーの場合は少し違います。
しかし、それは間違っている。ローソク足本体の長さと影の長さは依存関係にあるからです。だから、ローソク足をたくさん作って、その中から任意のローソク足で新シリーズを作る方が、影の分布を分析的に探せる。
1番目はOpenとLowの差、2番目と3番目の合計はLowとHighの差、4番目はHighとCloseの差というように、4つの生成値を取る。
大量のデータでは、CloseはOpenに収束し、High-Lowスプレッドはセグメントの値の2倍の分散を持つことになります(所定の分散を持つ4つの数字)。
本物のティックプロセスを模倣するのではありません。逆に言えば、私が必要としているのは、OHLCの形をした古典的な正規分布だけなのです。大雑把に言うと、Open = Close-1、Close = sqrt(N) (Nはティック数)とすると、HighとLowを決定する作業です。
むかし、むかし、人工的な名言をランダムに生成していたことがあります。私は次のようにしました。各分ごとに、3つの独立した確率変数H、L、dltを求めました - バーごとにシフトします。期待ペイオフが0、指定分散でガウス法(点)に従って見つけるのです。同時に、得られた値をモジュロしてみた。また、シフトの方向-sgn-は偶然、50/50で選びました。つまり、Close = Open+sgn*dlt で、Hgを求めるには、(Open, Close)の大きいほうにHを足し、Lwを求めるには、(Open, Close)の小さいほうにLを引いているのです。
もちろん、得られた見積もりは実際のものと比較されます(ただし、主観的な認識のレベルです)。その時、人工相場と本物の相場の「類似性」を定義する唯一の量が、オフセット分散-dltであることに驚かされました。ナチュラルコティアに近いものにするためには、オフセットの分散が非常に小さく、つまり微小なオフセットのほとんどがゼロでなければならない。そうでなければ、超ボラティリティの高い市場になってしまう。HgとLwの分散はクオタイアの''シャギー''の程度に影響を与えた。トレンドの真似をするために、方向選択の確率を49/51と少し変えてみたが、1日で見れば強力なトレンドが出たと思う。
その結果、さまざまなモードの生成という非常にシンプルなモデルができたわけです。私はボラティリティの高いトレンドが必要だったので、シフトの分散を大きくして、方向の確率を変えてみました。私は低ボラティリティのフラットが必要だったので、シフトの分散を非常に小さくし、方向は50/50にしました。
1番目はOpenとLowの差、2番目と3番目の合計はLowとHighの差、4番目はHighとCloseの差というように、4つの生成値を取る。
大量のデータでは、CloseはOpenに収束し、High-Lowスプレッドはセグメントの値の2倍の分散を持つことになります(所定の分散を持つ4つの数字)。
...しかし、非常に時間がかかり、無意味な方法です。
そんなに遅くないから、タバコに火をつける暇もないでしょう。
ブーツラップアイデアは不適切か?
ブーツラップとは?
そんなに遅くないから、タバコに火をつける暇もないでしょう。
この件に関して質問があります
以下のディストリビューションの範囲を理解しようとしています。
一般化パレート分布(GPD)と極値分布(GEV)
これらの分布は、互いに、正規分布と、それぞれ一様分布と、どのような関係にあるのでしょうか。つまり、現実の世界では、どのようにすれば、彼らが記述しているような出来事が起こるのでしょうか。
。
ブーツラップとは?
VIKIにあります。
ランダムに利用できるサンプルを交換することで、サンプル上で利用可能なパラメータの確率に頻度が収束するようにするものです。