olexij : 3. Box-Muller 변환에 대해 쓰고 있습니까? 의사 난수 균일 분포 숫자에서 의사 난수 정규 분포 숫자 생성 정보: http://www.taygeta.com/random/gaussian.html . 그러나 여기에서 의사 무작위 균일 분포 변수가 어디에 있습니까? 2. 프로세스의 정상성: 아마도 그렇습니다. 나는 또한 분포 함수가 시간이 지남에 따라 변한다고 생각하지 않습니다. 1. 마지막 발언에 비추어 지금 파헤치고 읽기에는 너무 게으르다. 예를 들어, Kolmogorov-Smirnov 테스트가 있습니다. 무작위 샘플을 사용하면 무작위 변수의 분포가 정상인지 여부를 테스트할 수 있습니다. https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test . 이것이 당신에게 충분하지 않다면, 당신이 제공하는 것에 대한 설명에 당신이 알기 쉽게 위에 쓴 모든 것을 붙이십시오.
3. 음, 네, Box-Muller에 관한 것이더라도 여러 가지 방법이 있습니다. 여기에도 통계 라이브러리가 있습니다( klot 'a에서 온 것 같습니다). 균일하게 분포된 값에서 정규 값을 생성하기 위한 정규에 반대되는 함수가 있습니다. 어쨌든 여기의 기초 는 확률의 근본적인 변환 법칙입니다 . 이것이 내가 말하는 법입니다.
내가 부족한 점에 관하여: 나는 이것을 하지 않지만, S.V. 가 아마도 이것을 하기를 원했을 것이라는 점만 언급했습니다. 그리고 그는 반환에 대한 통계를 수집하고 반환의 경험적 분포를 기반으로 이러한 데이터를 정규 분포로 변환하고 그의 힌트와 Rosh 의 진술에 따르면 어리석게 양배추를 자를 수 있기를 원했던 것 같습니다. 이 경우 실제 반품의 각 차원은 "정규화" 에 일대일 로 대응됩니다. 거래는 실제 데이터에 대한 거래로 변환되는 "정규화된" 데이터에서 열리고 닫힙니다.
1. 그리고 Peters를 읽으세요. 흥미로운 것들이 많이 있습니다. 반환값이 정상인지 확인하기 위해 Kolmogorov-Smirnov 테스트를 수행할 필요가 없습니다. 왜냐하면 반환값이 정상이 아니라는 것을 알고 있고 이것은 예를 들어 두꺼운 꼬리가 존재한다는 사실에서 정말 분명하기 때문입니다. 실제 시장에서 6시그마 이벤트는 매우 드물지만 여전히 일반 법률보다 수십만 배 더 일반적입니다.
olexij : 3. Box-Muller 변환에 대해 쓰고 있습니까? 의사 난수 균일 분포 숫자에서 의사 난수 정규 분포 숫자 생성 정보: http://www.taygeta.com/random/gaussian.html . 그러나 여기에서 의사 무작위 균일 분포 변수가 어디에 있습니까? 2. 프로세스의 정상성: 아마도 그렇습니다. 나는 또한 분포 함수가 시간이 지남에 따라 변한다고 생각하지 않습니다. 1. 마지막 발언에 비추어 지금 파헤치고 읽기에는 너무 게으르다. 예를 들어, Kolmogorov-Smirnov 테스트가 있습니다. 무작위 샘플을 사용하면 무작위 변수의 분포가 정상인지 여부를 테스트할 수 있습니다. https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test . 이것이 당신에게 충분하지 않다면, 당신이 제공하는 것에 대한 설명에 당신이 알기 쉽게 위에 쓴 모든 것을 붙이십시오.
3. 음, 네, Box-Muller에 관한 것이더라도 여러 가지 방법이 있습니다. 여기에도 통계 라이브러리가 있습니다( klot 'a에서 온 것 같습니다). 균일하게 분포된 값에서 정규 값을 생성하기 위한 정규에 반대되는 함수가 있습니다. 어쨌든 여기의 기초 는 확률의 근본적인 변환 법칙입니다 . 이것이 내가 말하는 법입니다.
내가 부족한 점에 관하여: 나는 이것을 하지 않지만, S.V. 가 아마도 이것을 하기를 원했을 것이라는 점만 언급했습니다. 그리고 그는 반환에 대한 통계를 수집하고 반환의 경험적 분포를 기반으로 이러한 데이터를 정규 분포로 변환하고 그의 힌트와 Rosh 의 진술에 따르면 어리석게 양배추를 자를 수 있기를 원했던 것 같습니다. 이 경우 실제 반품의 각 차원은 "정규화" 에 일대일 로 대응됩니다. 거래는 실제 데이터에 대한 거래로 변환되는 "정규화된" 데이터에서 열리고 닫힙니다.
1. 그리고 Peters를 읽으세요. 흥미로운 것들이 많이 있습니다. 반환값이 정상인지 확인하기 위해 Kolmogorov-Smirnov 테스트를 수행할 필요가 없습니다. 왜냐하면 반환값이 정상이 아니라는 것을 알고 있고 이것은 예를 들어 두꺼운 꼬리가 존재한다는 사실에서 정말 분명하기 때문입니다. 실제 시장에서 6시그마 이벤트는 매우 드물지만 여전히 일반 법률보다 수십만 배 더 일반적입니다.
설명 감사합니다! 3. 양이 균일하게 분포되어 있다는 것을 알고 있습니까? 또는 일반적으로 분포 함수는 무엇입니까? 그렇다면 변환할 수 있는 분포 함수가 있습니다. Kolmogorov도 여기에 도움이 될 수 있습니다. 1. 안정성에 대한 이전 설명 1을 읽으면 실제로 내가 이해하는 한 고정성에 대한 포인트 2와 중복됩니다. Peters에 관해서 - 나는 그것을 가지고 읽을 것입니다. 감사합니다. 회사 자체에 관해서는 그들이 무엇을 할 수 있는지 봅시다. 그들이 갑자기 여기에서 사라지면 자세히 살펴볼 가치가 있습니다.
올렉시 : 1. 안정성에 대한 이전 설명 1을 읽으면 실제로 내가 이해하는 한 고정성에 대한 포인트 2와 중복됩니다.
아니요, 중복되지 않습니다. 안정적인 확률 분포는 다음과 같습니다(Shiryaev, vol. 1, p. 232).
비슷한 것 - 무한히 나눌 수 있는 분포.
설명해주셔서 감사합니다, 심지어 복사했습니다, 와우! 어디에 필요한지 모르겠습니다. 이 주제를 계속 미루는 경우 질문 3은 유효합니다. 분포 1을 알 수 없는 경우 분포 1을 분포 2로 변환하는 방법은 무엇입니까? 먼저 분포 1에 대한 가설을 받아들이고 테스트한 다음 변환할까요?
Yuri Chebotarev는 부정적인 평판을 가지고 있습니다. 한때 그는 진지한 포럼에서 빛을 발했습니다. 따라서 재미를 제외하고 그의 기사를 읽는 것은 거의 의미가 없습니다.
"Oak은 임의의 데이터 시리즈에서 시스템 이득의 불가능성을 입증했습니다." - 일반적으로 어떤 무작위 계열이 문제인지 표시되지 않으면 사실이 아닙니다.
예를 들어, 이러한 랜덤 시리즈 X = a + b * t + e(e는 랜덤 변수)에서 돈을 버는 것은 매우 쉽습니다. 시스템을 구축할 다른 많은 무작위 시리즈가 있습니다.
기본 요점은 메모리가 있는 임의의 행이 있고 메모리가 없는 행이 있다는 것입니다. 메모리가 있는 랜덤 시리즈 - 랜덤 변수(e)의 증분 분포 함수가 시리즈의 이전 값에 따라 달라집니다. 메모리가 없는 랜덤 시리즈 - 랜덤 변수의 증분 분포 함수는 시리즈의 이전 값에 의존하지 않습니다.
2. 프로세스의 정상성: 아마도 그렇습니다. 나는 또한 분포 함수가 시간이 지남에 따라 변한다고 생각하지 않습니다.
1. 마지막 발언에 비추어 지금 파헤치고 읽기에는 너무 게으르다.
예를 들어, Kolmogorov-Smirnov 테스트가 있습니다. 무작위 샘플을 사용하면 무작위 변수의 분포가 정상인지 여부를 테스트할 수 있습니다. https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test . 이것이 당신에게 충분하지 않다면, 당신이 제공하는 것에 대한 설명에 당신이 알기 쉽게 위에 쓴 모든 것을 붙이십시오.
3. 음, 네, Box-Muller에 관한 것이더라도 여러 가지 방법이 있습니다. 여기에도 통계 라이브러리가 있습니다( klot 'a에서 온 것 같습니다). 균일하게 분포된 값에서 정규 값을 생성하기 위한 정규에 반대되는 함수가 있습니다. 어쨌든 여기의 기초 는 확률의 근본적인 변환 법칙입니다 . 이것이 내가 말하는 법입니다.
내가 부족한 점에 관하여: 나는 이것을 하지 않지만, S.V. 가 아마도 이것을 하기를 원했을 것이라는 점만 언급했습니다. 그리고 그는 반환에 대한 통계를 수집하고 반환의 경험적 분포를 기반으로 이러한 데이터를 정규 분포로 변환하고 그의 힌트와 Rosh 의 진술에 따르면 어리석게 양배추를 자를 수 있기를 원했던 것 같습니다. 이 경우 실제 반품의 각 차원은 "정규화" 에 일대일 로 대응됩니다. 거래는 실제 데이터에 대한 거래로 변환되는 "정규화된" 데이터에서 열리고 닫힙니다.
1. 그리고 Peters를 읽으세요. 흥미로운 것들이 많이 있습니다. 반환값이 정상인지 확인하기 위해 Kolmogorov-Smirnov 테스트를 수행할 필요가 없습니다. 왜냐하면 반환값이 정상이 아니라는 것을 알고 있고 이것은 예를 들어 두꺼운 꼬리가 존재한다는 사실에서 정말 분명하기 때문입니다. 실제 시장에서 6시그마 이벤트는 매우 드물지만 여전히 일반 법률보다 수십만 배 더 일반적입니다.
1. Peters를 읽으면 흥미로운 것들이 많이 있습니다.
아마도 피터?
E. Peters "자본 시장의 혼돈과 질서"
E. Peters "금융 시장의 프랙탈 분석. 투자 및 경제에 혼돈 이론의 적용"
2. 프로세스의 정상성: 아마도 그렇습니다. 나는 또한 분포 함수가 시간이 지남에 따라 변한다고 생각하지 않습니다.
1. 마지막 발언에 비추어 지금 파헤치고 읽기에는 너무 게으르다.
예를 들어, Kolmogorov-Smirnov 테스트가 있습니다. 무작위 샘플을 사용하면 무작위 변수의 분포가 정상인지 여부를 테스트할 수 있습니다. https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test . 이것이 당신에게 충분하지 않다면, 당신이 제공하는 것에 대한 설명에 당신이 알기 쉽게 위에 쓴 모든 것을 붙이십시오.
3. 음, 네, Box-Muller에 관한 것이더라도 여러 가지 방법이 있습니다. 여기에도 통계 라이브러리가 있습니다( klot 'a에서 온 것 같습니다). 균일하게 분포된 값에서 정규 값을 생성하기 위한 정규에 반대되는 함수가 있습니다. 어쨌든 여기의 기초 는 확률의 근본적인 변환 법칙입니다 . 이것이 내가 말하는 법입니다.
내가 부족한 점에 관하여: 나는 이것을 하지 않지만, S.V. 가 아마도 이것을 하기를 원했을 것이라는 점만 언급했습니다. 그리고 그는 반환에 대한 통계를 수집하고 반환의 경험적 분포를 기반으로 이러한 데이터를 정규 분포로 변환하고 그의 힌트와 Rosh 의 진술에 따르면 어리석게 양배추를 자를 수 있기를 원했던 것 같습니다. 이 경우 실제 반품의 각 차원은 "정규화" 에 일대일 로 대응됩니다. 거래는 실제 데이터에 대한 거래로 변환되는 "정규화된" 데이터에서 열리고 닫힙니다.
1. 그리고 Peters를 읽으세요. 흥미로운 것들이 많이 있습니다. 반환값이 정상인지 확인하기 위해 Kolmogorov-Smirnov 테스트를 수행할 필요가 없습니다. 왜냐하면 반환값이 정상이 아니라는 것을 알고 있고 이것은 예를 들어 두꺼운 꼬리가 존재한다는 사실에서 정말 분명하기 때문입니다. 실제 시장에서 6시그마 이벤트는 매우 드물지만 여전히 일반 법률보다 수십만 배 더 일반적입니다.
3. 양이 균일하게 분포되어 있다는 것을 알고 있습니까? 또는 일반적으로 분포 함수는 무엇입니까? 그렇다면 변환할 수 있는 분포 함수가 있습니다. Kolmogorov도 여기에 도움이 될 수 있습니다.
1. 안정성에 대한 이전 설명 1을 읽으면 실제로 내가 이해하는 한 고정성에 대한 포인트 2와 중복됩니다. Peters에 관해서 - 나는 그것을 가지고 읽을 것입니다. 감사합니다.
회사 자체에 관해서는 그들이 무엇을 할 수 있는지 봅시다. 그들이 갑자기 여기에서 사라지면 자세히 살펴볼 가치가 있습니다.
아마도 피터?
1. Peters를 읽으면 흥미로운 것들이 많이 있습니다.
아마도 피터?
E. Peters "자본 시장의 혼돈과 질서"
E. Peters "금융 시장의 프랙탈 분석. 투자 및 경제에 혼돈 이론의 적용"
감사합니다. 링크는 러시아에서만 작동하지 않습니다. 저는 돈 관리에 관한 책에 관심이 있습니다. 말씀해 주시겠습니까? 수학자 님, 이 질문도 당신을 위한 것입니다 :)
감사합니다. 링크는 러시아에서만 작동하지 않습니다. 저는 돈 관리에 관한 책에 관심이 있습니다. 말씀해 주시겠습니까? 수학자 님, 이 질문도 당신을 위한 것입니다 :)
장르의 고전
R. Vince "돈 관리의 수학"
자동 거래를 위해
Yuri Reshetnikov "MTS 및 자본 관리 방법"
1. 안정성에 대한 이전 설명 1을 읽으면 실제로 내가 이해하는 한 고정성에 대한 포인트 2와 중복됩니다.
아니요, 중복되지 않습니다. 안정적인 확률 분포 는 다음과 같습니다(Shiryaev, vol. 1, p. 232).
비슷한 것 - 무한히 나눌 수 있는 분포.
1. 안정성에 대한 이전 설명 1을 읽으면 실제로 내가 이해하는 한 고정성에 대한 포인트 2와 중복됩니다.
아니요, 중복되지 않습니다. 안정적인 확률 분포는 다음과 같습니다(Shiryaev, vol. 1, p. 232).
비슷한 것 - 무한히 나눌 수 있는 분포.
한때 그는 진지한 포럼에서 빛을 발했습니다.
따라서 재미를 제외하고 그의 기사를 읽는 것은 거의 의미가 없습니다.
"Oak은 임의의 데이터 시리즈에서 시스템 이득의 불가능성을 입증했습니다."
- 일반적으로 어떤 무작위 계열이 문제인지 표시되지 않으면 사실이 아닙니다.
예를 들어, 이러한 랜덤 시리즈 X = a + b * t + e(e는 랜덤 변수)에서 돈을 버는 것은 매우 쉽습니다.
시스템을 구축할 다른 많은 무작위 시리즈가 있습니다.
기본 요점은 메모리가 있는 임의의 행이 있고 메모리가 없는 행이 있다는 것입니다.
메모리가 있는 랜덤 시리즈 - 랜덤 변수(e)의 증분 분포 함수가 시리즈의 이전 값에 따라 달라집니다.
메모리가 없는 랜덤 시리즈 - 랜덤 변수의 증분 분포 함수는 시리즈의 이전 값에 의존하지 않습니다.
메모리가 없는 랜덤 시리즈에서 수익성 있는 시스템을 구축하는 것은 불가능합니다.
글쎄, 정규 분포에 관해서는 - 인용문과 S.V.가 쓴 것과 같은 방식으로. 손바닥에 있는 것은 이동 평균 주위에 정상적으로 분포되어 있으므로 여기에서는 모든 것이 깨끗합니다.
1. 가격과 평균 간의 차이 분포 함수의 형태는 이 분포의 분산과 평균 값에 따라 달라집니다.
2. 이 차이의 분포 함수는 비대칭이므로 가우스가 될 수 없습니다.
3. 특정 조건에서 차이의 분포는 가우스 분포가 되는 경향이 있지만 결코 하나가 되지 않습니다.