理論から実践へ - ページ 577

 
Alexander_K:

1.速度=増分値の総和(絶対値)/時間

2.ラムダ=増分値の和(絶対値)/実引用回数

3.時間=観察窓

4.標準偏差 D = Sqrt(Velocity * Lambda * Time)

5.私のグラフは、期待値 +- 標準偏差 *分位値です。

立方根について...

標準偏差をSUMM(ABS(returns))/DEVEL(N,0.3333333)ではなく、SUMM(ABS(returns))/DEVEL(N,0.4)とも読もうとしたのですが、どうでしょう?

より効果があるような気がしますが、まだよくわかりません。もっと見て、読まないと...。

つまり、標準偏差D =Sqrt(増分値の総和*増分値の総和*時間)

------------------------------------------------------------

時間*実引用回数 )

total: sum of increments/Sqrt(number of real quotes), time is dropped here altally, right?

 
Novaja:

集計結果:標準偏差D =Sqrt(増分値の総和*時間)

------------------------------------------------------------

時間*実引用回数 )

total: sum of increments/Sqrt(number of real quotes), ここでは時間は関係ないよね?

時間あたりの平均速度=観測窓と考えればイエス、瞬間的なもの、例えば1ティックごとと考えればノー...。

 
Vizard_:

ゼンヤか他の人に頼んでください。

1.トルコ+封筒。
2.エクイティ(スプレッド2倍)。

数式を挿入する-カットを見る、など。
そして、その上にハ...


そうですね、私が正しく理解していれば、スライディングウィンドウの増分値の合計です。いい指標だが、トレンドにはあまり関係ない。でも-かっこいい...。でも、イマイチ...。混乱しています。

今、本を読んでいるところです。久しぶりに良いものに出会えました。このスレッドで話題になったこと+ニューラルネットワークがたくさん入っています。

もう一度公開します。

ファイル:
 
Novaja:

集計結果:標準偏差D =Sqrt(増分値の合計*時間)

------------------------------------------------------------

時間*実引用回数 )

Total: sum of increments/Sqrt(number of real quotes), time drops out here altally, right?

面白いですね。もし、4桁の見積もりも取るなら、「増分値の合計(絶対値)」は、Nを「実見積もり数」とした積0.0001 * Nに等しくなり

標準偏差 D = 0.0001 * N / N^0.5 = Sqrt (N/100).つまり、全体のトリックは、本当の引用の代わりに取られるものなのです。どのように間引くか。

 
Vladimir:

面白いですね。4桁のクォートでDCも取る場合、「増分値の合計(絶対値)」は、Nを「実クォートの数」とすると、積0.0001 * Nに等しくなり

標準偏差 D = 0.0001 * N / N^0.5 = Sqrt (N/100).つまり、全体のトリックは、本当の引用の代わりに取られるものなのです。どのように間引くか。

話題は面白いが、市場とは関係ない。

市場とは関係ない、奇妙な絵や名前、用語もある。

インクリメントがない、このあたりは探すところではありません。

 
Alexander_K:

...

標準偏差をSUM(ABS(returns))/Degree(N,0.3333333)、あるいは、SUM(ABS(returns))/Degree(N,0.4)と数えるのではなく、SUM(ABS(returns)) /Degree(N, 0.5) として計算してみたのです。

より効果があるような気がしますが、まだよくわかりません。やっぱり見て読まないと...。

ABS(returns)ではなく、ABS(returns)^4をとると、平均からの乖離に対する反応が鋭くなり、それをキャッチしているように見えますね。

 
Vitaly Muzichenko:

話題は面白いが、市場とは関係ない。

市場とは関係ない、奇妙な絵や名前、用語もある。インクリメントはありません、これは探す領域ではありません。

第2章以降を読む必要があります。そして、分配の形態もFXと同じです。そして、ニューラルネットワークは、これらの分布のパラメータを決定する。全体として、良い本だと思います。

 
Vizard_:

ちゃんとした道具を作る。オンザフライ - 計算式を入れ、カットを見てください。
数百万件の観測データを取り込み、スケーラブルなグラフを実現したい。
そういうことなんだ...。

了解しました。了解しました。

 
Vladimir:

ABS(returns)ではなく、ABS(returns)^4をとれば、平均からの乖離に対する反応が鋭くなり、それをキャッチしているように見えますね。

:)

 
Maxim Dmitrievsky:
くっそー、面白くて一日中座ってられる...でもお金にならない)

:)))自分でもショック・・・。何かが足りない...。

しかし、Wizardは頑なに1教科を終わらせるように勧めてきます。まあ、やるならやりますよ。ニューラルネットワークがないと無理だと思うんです。この本の中で、彼らはニューロネットを使って電流分布のパラメータを「オンザフライ」で決定しています(上記参照)。もしかしたら、これが足りないのかもしれない......。

結局、分位は常に定数で、分位ガウス分布関数から導かれるものであり、これは非常に粗い近似である。また、分位数も動的に計算する必要があります。そこで、ニューラルネットワークが非常に役に立ちます。