따라서 경제학자가 예를 들어 이러한 도구의 분산을 측정했다고 말할 때 그들은 다음을 수행합니다. 분산 = sum((Xi - X^)^2) / (N - 1),
여기서 Xi는 공식 중 하나에 따라 계산된 증분이며,
X^는 캡이 있는 x입니다. 사용 가능한 샘플의 증분 평균 값에 대한 샘플 추정치
N - 1은 표본 크기에서 1을 뺀 값이고,
전체 공식은 분산의 편향되지 않은 추정치입니다.
그런 다음 이 경제학자들은 증분 밀도가 정상이라고 생각하기 시작하고 예를 들어 다음과 같은 작업을 시도합니다. sqrt(variance) * sqrt(m) * 1.96,
여기서 분산의 근은 표준 편차의 추정치이고, 전체 공식은 정규성의 결과를 비(!) 정규 계열로 확장하여 m 단계로 앞으로 나아가는 가격 스프레드의 극단 경계 추정치를 얻습니다. 확률 95%. 그리고 오류가 발생합니다, essno.
대략적인 설명이 되었길 바랍니다. 그리고 초기 가격 시리즈는 첫 번째 근사치에서도 증분과 달리 정상적인 것처럼 보이지 않습니다.
이 게시물의 섹션 5. 추세 제거 https://www.mql5.com/en/articles/363 저자는 증분 샘플이 정상 샘플에 대해 상당히 수용 가능한 근사치를 보여줍니다. 그리고 직선에 있지 않은 점 - 처리 방법은 오랫동안 알려져 왔습니다. 샘플에서 최대값의 약 7-10%를 절대값에서 제외합니다. 그런 다음 Kolmogorov 적합성 검정(분포 모양에 매우 민감)도 표본의 정규성을 보여줍니다. 제외된 값은 현재 추세가 무너진 지점입니다. 이 기법이 나온 출처(오랫동안 영어로 무언가를 읽었는데 어디서 읽었는지 기억이 안나네요)에서는 원칙적으로 추세의 한계점 사이에 있는 지점에서 증분의 샘플을 형성하는 것이 제안됩니다. 그리고 이것이 현재의 추세라고 제안된 것입니다.
Статья призвана познакомить читателя с преобразованием Бокса-Кокса (Box-Cox Transformation). В статье кратко затрагиваются вопросы, связанные с его использованием и приводятся примеры, позволяющие оценить эффективность данного преобразования по отношению к случайным последовательностям и реальным котировкам.
Mike : 이 게시물의 섹션 5. 추세 제거 https://www.mql5.com/ru/articles/363 저자는 증분 샘플의 완벽하게 수용 가능한 변환을 보여줍니다. 그리고 직선에 있지 않은 점 - 처리 방법은 오랫동안 알려져 왔습니다. 샘플에서 최대값의 약 7-10%를 절대값에서 제외합니다. 그런 다음 Kolmogorov 적합성 검정(분포 모양에 매우 민감)도 표본의 정규성을 보여줍니다. 제외된 값은 현재 추세가 무너진 지점입니다. 이 기법이 나온 출처(오랫동안 영어로 무언가를 읽었는데 어디서 읽었는지 기억이 안나네요)에서는 원칙적으로 추세의 한계점 사이에 있는 지점에서 증분의 샘플을 형성하는 것이 제안됩니다. 그리고 이것이 현재의 추세라고 제안된 것입니다.
여기에서 모든 것이 거꾸로 된 방법.
읽기: " 그러한 분명한 경향의 존재는 "먼저 그 경향을 제거하려고 시도함을 시사합니다."
마치 그들이 달에서 떨어진 것과 같습니다. 파도를 식별하기 어려운 것처럼. 기술적 분석과 그에 따른 거래의 주요 문제 는 추세를 식별하는 것 입니다.
Dmitry Fedoseev : 추세가 완벽하다고 가정해 보겠습니다. 각 막대에서 동일한 증분. 따라서 증분 그래프는 직선입니다. 자, 직선의 분산은 어떻게 될까요?
우리가 통계를 적용하려고 할 때 초석인 기초는 이 과학의 하나 또는 다른 도구의 적용 가능성에 대한 질문입니다 .
귀하의 예에는 무작위 변수(상수)가 포함되어 있지 않습니다. 분산은 확률 변수에만 적용됩니다. 귀하의 특별한 경우에는 통계에 대한 고유한 결과가 얻어졌습니다. 분산 계산은 상수가 난수가 아닌 입력으로 사용되었음을 보여줍니다.
귀하의 사례의 독창성은 정확하고 쉽게 설명할 수 있는 결과를 얻었다는 사실에 있습니다. 일반적으로 선형 회귀 와 같은 도구 사용 가능성을 신중하게 정당화하지 않으면 현실과 관련이 없는 결과가 얻어지며 따라서 실제로 사용하기에 완전히 부적합합니다. 숫자는 그들은 볼 수 있지만 (우리는 gopher를 봅니다) 실제로이 모든 숫자는 아닙니다! 그냥 숫자 게임.
선형 회귀의 예: 표준 알고리즘(자체 제작 아님)은 회귀 계수를 계산하고 일반적으로 가장 오른쪽 열은 우리가 보는 회귀 계수가 실제로 존재하는지 여부를 나타냅니다. 맨 오른쪽 열에 숫자 0.5(50%)가 포함되어 있으면 인쇄된 숫자가 없는 것입니다. 10%이면 안개 속에서도 마찬가지입니다. 5% 미만이면 숫자가 실제로 존재하는 것입니다. 그리고 이것은 그 전에 이 동일한 선형 회귀를 사용할 가능성을 정당화할 수 있었던 경우에만 신뢰할 수 있습니다.
이 공식에 따르면 추세의 분산은 0과 같습니다. 이것이 필요한 것입니까?
0과 같지 않습니다. 값을 대체해 보십시오. :)
추세가 완벽하다고 가정해 보겠습니다. 각 막대에서 동일한 증분. 따라서 증분 그래프는 직선입니다. 자, 직선의 분산은 어떻게 될까요?
추세가 완벽하다고 가정해 보겠습니다. 각 막대에서 동일한 증분. 따라서 증분 그래프는 직선입니다. 자, 직선의 분산은 어떻게 될까요?
네, 그럼 0입니다.
그리고 분산은 균일한 밀도로 증가할 때 최대화됩니다. 시장의 경우 이것은 - 다른 말로 하면 - 가장 큰 엔트로피 기간이며, 소, 중, 대 증분이 동등하게 빈번합니다.
...........................
따라서 경제학자가 예를 들어 이러한 도구의 분산을 측정했다고 말할 때 그들은 다음을 수행합니다. 분산 = sum((Xi - X^)^2) / (N - 1),
여기서 Xi는 공식 중 하나에 따라 계산된 증분이며,
X^는 캡이 있는 x입니다. 사용 가능한 샘플의 증분 평균 값에 대한 샘플 추정치
N - 1은 표본 크기에서 1을 뺀 값이고,
전체 공식은 분산의 편향되지 않은 추정치입니다.
그런 다음 이 경제학자들은 증분 밀도가 정상이라고 생각하기 시작하고 예를 들어 다음과 같은 작업을 시도합니다. sqrt(variance) * sqrt(m) * 1.96,
여기서 분산의 근은 표준 편차의 추정치이고, 전체 공식은 정규성의 결과를 비(!) 정규 계열로 확장하여 m 단계로 앞으로 나아가는 가격 스프레드의 극단 경계 추정치를 얻습니다. 확률 95%. 그리고 오류가 발생합니다, essno.
대략적인 설명이 되었길 바랍니다. 그리고 초기 가격 시리즈는 첫 번째 근사치에서도 증분과 달리 정상적인 것처럼 보이지 않습니다.
https://www.mql5.com/en/articles/363
저자는 증분 샘플이 정상 샘플에 대해 상당히 수용 가능한 근사치를 보여줍니다. 그리고 직선에 있지 않은 점 - 처리 방법은 오랫동안 알려져 왔습니다. 샘플에서 최대값의 약 7-10%를 절대값에서 제외합니다. 그런 다음 Kolmogorov 적합성 검정(분포 모양에 매우 민감)도 표본의 정규성을 보여줍니다. 제외된 값은 현재 추세가 무너진 지점입니다. 이 기법이 나온 출처(오랫동안 영어로 무언가를 읽었는데 어디서 읽었는지 기억이 안나네요)에서는 원칙적으로 추세의 한계점 사이에 있는 지점에서 증분의 샘플을 형성하는 것이 제안됩니다. 그리고 이것이 현재의 추세라고 제안된 것입니다.
네, 그럼 0입니다.
그리고 균일한 밀도로 증가할 때 분산이 최대화됩니다. 시장의 경우 이것은 - 다른 말로 하면 - 가장 큰 엔트로피 기간이며, 소, 중, 대 증분이 동등하게 빈번합니다.
이 게시물의 섹션 5. 추세 제거
https://www.mql5.com/ru/articles/363
저자는 증분 샘플의 완벽하게 수용 가능한 변환을 보여줍니다. 그리고 직선에 있지 않은 점 - 처리 방법은 오랫동안 알려져 왔습니다. 샘플에서 최대값의 약 7-10%를 절대값에서 제외합니다. 그런 다음 Kolmogorov 적합성 검정(분포 모양에 매우 민감)도 표본의 정규성을 보여줍니다. 제외된 값은 현재 추세가 무너진 지점입니다. 이 기법이 나온 출처(오랫동안 영어로 무언가를 읽었는데 어디서 읽었는지 기억이 안나네요)에서는 원칙적으로 추세의 한계점 사이에 있는 지점에서 증분의 샘플을 형성하는 것이 제안됩니다. 그리고 이것이 현재의 추세라고 제안된 것입니다.
여기에서 모든 것이 거꾸로 된 방법.
읽기: " 그러한 분명한 경향의 존재는 "먼저 그 경향을 제거하려고 시도함을 시사합니다."
마치 그들이 달에서 떨어진 것과 같습니다. 파도를 식별하기 어려운 것처럼. 기술적 분석과 그에 따른 거래의 주요 문제 는 추세를 식별하는 것 입니다.
여기에서 모든 것이 거꾸로 된 방법.
읽기: " 그러한 분명한 경향의 존재는 "먼저 그 경향을 제거하려고 시도함을 시사합니다."
마치 그들이 달에서 떨어진 것과 같습니다. 파도를 식별하기 어려운 것처럼. 기술적 분석과 그에 따른 거래의 주요 문제 는 추세를 식별하는 것 입니다.
추세가 완벽하다고 가정해 보겠습니다. 각 막대에서 동일한 증분. 따라서 증분 그래프는 직선입니다. 자, 직선의 분산은 어떻게 될까요?
우리가 통계를 적용하려고 할 때 초석인 기초는 이 과학의 하나 또는 다른 도구의 적용 가능성에 대한 질문입니다 .
귀하의 예에는 무작위 변수(상수)가 포함되어 있지 않습니다. 분산은 확률 변수에만 적용됩니다. 귀하의 특별한 경우에는 통계에 대한 고유한 결과가 얻어졌습니다. 분산 계산은 상수가 난수가 아닌 입력으로 사용되었음을 보여줍니다.
귀하의 사례의 독창성은 정확하고 쉽게 설명할 수 있는 결과를 얻었다는 사실에 있습니다. 일반적으로 선형 회귀 와 같은 도구 사용 가능성을 신중하게 정당화하지 않으면 현실과 관련이 없는 결과가 얻어지며 따라서 실제로 사용하기에 완전히 부적합합니다. 숫자는 그들은 볼 수 있지만 (우리는 gopher를 봅니다) 실제로이 모든 숫자는 아닙니다! 그냥 숫자 게임.
선형 회귀의 예: 표준 알고리즘(자체 제작 아님)은 회귀 계수를 계산하고 일반적으로 가장 오른쪽 열은 우리가 보는 회귀 계수가 실제로 존재하는지 여부를 나타냅니다. 맨 오른쪽 열에 숫자 0.5(50%)가 포함되어 있으면 인쇄된 숫자가 없는 것입니다. 10%이면 안개 속에서도 마찬가지입니다. 5% 미만이면 숫자가 실제로 존재하는 것입니다. 그리고 이것은 그 전에 이 동일한 선형 회귀를 사용할 가능성을 정당화할 수 있었던 경우에만 신뢰할 수 있습니다.