그리고 가장 중요한 것은 화이트 노이즈의 누적량이 정규 분포를 따른다는 것입니다. MO에서 2시그마만큼 벗어난 금액, 97.5%의 확률로 틱이든 시간이든 샘플링 비율에 관계없이 다시 돌아올 것입니다. 예를 들어, 하나의 시그마에 입력할 수 있다면 더 많은 거래가 있을 것입니다 , 그러나 반환 확률은 이미 67%이고 33%의 경우 2개 또는 3개의 시그마로 갈 것입니다. 프로세스가 MO에서 벗어났고 100% 확률로 다시 MO로 돌아갈 것입니다. 왜냐하면 이것이 이 프로세스의 "공정한 가격"이기 때문입니다. 이것은 일종의 비선형 애호가를 위한 매력의 매력입니다. 동적 시스템.
죄송하지만 넌센스를 작성하여 자료에 대한 지식이 완전히 부족함을 보여줍니다.
나는 Avals가 옳게 말한 것에 아무것도 추가할 수 없습니다:
Avals 는 >> Increments는 독립적이며 아무데도 반환되지 않아야 합니다. 누적 금액은 어떻게 mo로 돌아갑니까? mo=0으로 SB를 증가시키십시오. 원하는 만큼 0에서 벗어날 수 있으며 원하는 만큼 오랫동안 되돌아오지 않을 수 있습니다. 누적 합계의 경우 분산은 시간의 제곱에 정비례하여 증가합니다.
잔디 작성 >> 여기에는 깊은 철학이 있습니다. 기본은 예측 모델이며 그에 따라 예측이 선택되는 TS 또는 TS를 기반으로 구축합니다. 나는 여전히 "최적" TS가 무엇을 의미하는지(이 최적값이 있는 범위에 대해), 왜 한 단계만 앞으로 나아가는 것이 중요한지, 스프레드와 어떻게 상관되는지 이해하지 못합니다.
가장 일반적인 알고리즘에 따라 거래되는 임의의 TS가 있다고 가정해 보겠습니다. 분석 단위: 1. 시장 진입점과 오픈 포지션의 방향을 결정합니다. 2. 출구점을 정의합니다. 오픈 포지션을 닫습니다. 거래 알고리즘의 이러한 정의를 통해 우리는 가격 VR을 우리가 시장에 있는 시간 격리 섹션으로 나눕니다. TS-k의 최적성 매개변수를 완료된 거래 수에 대한 DC 수수료 지불 수의 비율이라고 부를 것입니다. 이 경우 항상 k=1이고 일련의 트랜잭션에는 임의의 긴 단방향 시리즈가 포함됩니다. 매개변수 k를 최소화하는 "최적" TS를 호출합니다. 각 단계에서 스프레드를 잃으면서 단방향 순차 포지션을 닫고 열 필요가 없다는 것이 밝혀졌습니다. 시장을 "종료하지 않고" 연속적인 단방향 거래를 결합하고 시리즈의 각 구성원이 아니라 일련의 "가상" 거래에서 이미 하나의 스프레드를 잃는 것이 가능하므로 최적화 매개변수가 최소화됩니다. 이제 k<=1입니다. 이러한 TS는 다른 모든 조건이 동일할 때(동일한 분석 제어 장치가 다른 TS에 대해 작동할 때) 거래당 포인트로 정의되는 가능한 최대 수익성을 제공할 것이며(평균적으로) 명시된 의미에서 최적이 될 것입니다.
이제 '예술적'인 상상을 켜면 항상 시장에 나와있는 반전 TS를 눈앞에서 볼 수 있습니다. Q.E.D.
죄송하지만 다시는 그렇지 않습니다. 증분은 독립적이며 아무데도 반환되지 않아야 합니다. 누적 금액은 어떻게 mo로 돌아갑니까? mo=0으로 SB를 증가시키십시오. 원하는 만큼 0에서 벗어날 수 있으며 원하는 만큼 오랫동안 되돌아오지 않을 수 있습니다. 누적 합계의 경우 분산은 시간의 제곱에 정비례하여 증가합니다.
SB의 경우 그렇습니다. 백색 잡음은 또한 시간 상관 관계가 없습니다 - 이것이 주요 조건이지만 분산은 유한합니다. 예를 들어 SB의 첫 번째 차이는 잡음입니다. 이러한 차이의 누적 합은 임의 걷기이고 모든 것이 이제 우리는 높은 상관 관계를 가진 두 개 이상의 행( SB - 누적 합계)을 취하고 회귀 분석을 수행합니다. 잔차(백색 잡음 - 누적 합계)를 얻습니다.
누적 합계의 경우 분산은 시간의 제곱에 정비례하여 증가합니다.
고정 VR의 경우 분산 = const
직관적인 수준에서 시계열의 정상성은 평균이 일정하고 분산이 일정한 이 평균을 중심으로 변동해야 한다는 요구 사항과 연관됩니다.
...
m개의 관측값 x(t1),x(t2),:,x(tm)의 결합 확률 분포가 m개의 관측값과 동일한 경우 계열 x(t)는 엄격하게 정상적(좁은 의미에서 정상적)이라고 합니다.
...
즉, 엄격하게 고정된 시계열의 속성은 시간의 근원이 변경될 때 변경되지 않습니다.
수학적 기대치 Mx(t)=a
분산 Dx(t)=M(x(t)-a)2= c^2
...
급수 x(t)는 평균값과 분산이 t에 의존하지 않는 경우 약하게 정상적(또는 넓은 의미에서 정상적)이라고 합니다.
질적으로 고정된 계열은 추세를 포함하지 않는다는 의미에서 통계적 평형 상태에 있는 계열(경계가 명확한 횡방향 추세임)인 반면, 비정상 계열은 속성이 시간에 따라 변하는 계열입니다.
동료 여러분, 실수에 대해 사과드립니다(미묘하게 힌트를 준 Sergey에게 감사합니다. o). difurka에 입력된 까다로운 변환을 계산하고 하나의 알고리즘으로 구현했습니다.
열:
자기상관 (R(n)=R(-n))과 같이:
추정(물론 계산에 오차가 있음)
그건 그렇고, AR/ARIMA 모델을 식별하는 데 널리 사용되는 방법 중 하나는 역방향 예측입니다. 이러한 시리즈에서는 작동하지 않음을 알 수 있습니다.
고정 VR의 경우 분산 = const
틀림없이. 그러나 그것은 누적 합계입니다 ;)
그리고 어쩌면 더 빨리..
여기서 "zhvavo"파운드 프랑이 논의됩니다.
어플리케이터에 사양이 있습니까?
이해하는 것이 아닙니다.
;)
틀림없이. 그러나 그것은 누적 합계입니다 ;)
그리고 저는 고정된 행에 대해 이야기하고 있습니다. 나는 그 숫자를 언급하지도 않았다.
그리고 가장 중요한 것은 화이트 노이즈의 누적량이 정규 분포를 따른다는 것입니다. MO에서 2시그마만큼 벗어난 금액, 97.5%의 확률로 틱이든 시간이든 샘플링 비율에 관계없이 다시 돌아올 것입니다. 예를 들어, 하나의 시그마에 입력할 수 있다면 더 많은 거래가 있을 것입니다 , 그러나 반환 확률은 이미 67%이고 33%의 경우 2개 또는 3개의 시그마로 갈 것입니다. 프로세스가 MO에서 벗어났고 100% 확률로 다시 MO로 돌아갈 것입니다. 왜냐하면 이것이 이 프로세스의 "공정한 가격"이기 때문입니다. 이것은 일종의 비선형 애호가를 위한 매력의 매력입니다. 동적 시스템.
죄송하지만 넌센스를 작성하여 자료에 대한 지식이 완전히 부족함을 보여줍니다.
나는 Avals가 옳게 말한 것에 아무것도 추가할 수 없습니다:
Avals 는 >> Increments는 독립적이며 아무데도 반환되지 않아야 합니다. 누적 금액은 어떻게 mo로 돌아갑니까? mo=0으로 SB를 증가시키십시오. 원하는 만큼 0에서 벗어날 수 있으며 원하는 만큼 오랫동안 되돌아오지 않을 수 있습니다. 누적 합계의 경우 분산은 시간의 제곱에 정비례하여 증가합니다.
잔디 작성 >>
여기에는 깊은 철학이 있습니다. 기본은 예측 모델이며 그에 따라 예측이 선택되는 TS 또는 TS를 기반으로 구축합니다. 나는 여전히 "최적" TS가 무엇을 의미하는지(이 최적값이 있는 범위에 대해), 왜 한 단계만 앞으로 나아가는 것이 중요한지, 스프레드와 어떻게 상관되는지 이해하지 못합니다.
가장 일반적인 알고리즘에 따라 거래되는 임의의 TS가 있다고 가정해 보겠습니다.
분석 단위:
1. 시장 진입점과 오픈 포지션의 방향을 결정합니다.
2. 출구점을 정의합니다. 오픈 포지션을 닫습니다.
거래 알고리즘의 이러한 정의를 통해 우리는 가격 VR을 우리가 시장에 있는 시간 격리 섹션으로 나눕니다. TS-k의 최적성 매개변수를 완료된 거래 수에 대한 DC 수수료 지불 수의 비율이라고 부를 것입니다. 이 경우 항상 k=1이고 일련의 트랜잭션에는 임의의 긴 단방향 시리즈가 포함됩니다. 매개변수 k를 최소화하는 "최적" TS를 호출합니다.
각 단계에서 스프레드를 잃으면서 단방향 순차 포지션을 닫고 열 필요가 없다는 것이 밝혀졌습니다. 시장을 "종료하지 않고" 연속적인 단방향 거래를 결합하고 시리즈의 각 구성원이 아니라 일련의 "가상" 거래에서 이미 하나의 스프레드를 잃는 것이 가능하므로 최적화 매개변수가 최소화됩니다. 이제 k<=1입니다.
이러한 TS는 다른 모든 조건이 동일할 때(동일한 분석 제어 장치가 다른 TS에 대해 작동할 때) 거래당 포인트로 정의되는 가능한 최대 수익성을 제공할 것이며(평균적으로) 명시된 의미에서 최적이 될 것입니다.
이제 '예술적'인 상상을 켜면 항상 시장에 나와있는 반전 TS를 눈앞에서 볼 수 있습니다. Q.E.D.
죄송하지만 다시는 그렇지 않습니다. 증분은 독립적이며 아무데도 반환되지 않아야 합니다. 누적 금액은 어떻게 mo로 돌아갑니까? mo=0으로 SB를 증가시키십시오. 원하는 만큼 0에서 벗어날 수 있으며 원하는 만큼 오랫동안 되돌아오지 않을 수 있습니다. 누적 합계의 경우 분산은 시간의 제곱에 정비례하여 증가합니다.
SB의 경우 그렇습니다. 백색 잡음은 또한 시간 상관 관계가 없습니다 - 이것이 주요 조건이지만 분산은 유한합니다. 예를 들어 SB의 첫 번째 차이는 잡음입니다. 이러한 차이의 누적 합은 임의 걷기이고 모든 것이 이제 우리는 높은 상관 관계를 가진 두 개 이상의 행( SB - 누적 합계)을 취하고 회귀 분석을 수행합니다. 잔차(백색 잡음 - 누적 합계)를 얻습니다.
"살며 배우세요." 중위는 베개 밑에 있는 바지 주머니에서 은색 담배 케이스를 꺼내며 생각했다.
당신의 문제가 무엇인지 아십니까? 그리고 나도 몰라. 하지만 당신은 그것을 가지고 있습니다.
당신은 뭐 해요? 구형 말을 엿먹이려고 하는구나. 글쎄 - 당신과 사랑에 대한 조언. 그리고 더 많은 아이들...
===
신에 의해 니로바의 가지가 쉬고 있다.
"살면서 배우세요." 중위는 베개 아래 바지 주머니에서 은색 담배 케이스를 꺼내며 생각했다.
당신의 문제가 무엇인지 아십니까? 그리고 나도 몰라. 하지만 당신은 그것을 가지고 있습니다.
당신은 뭐 해요? 구형 말을 엿먹이려고 하는구나. 글쎄 - 당신과 사랑에 대한 조언. 그리고 더 많은 아이들...
===
신에 의해 니로바의 가지가 쉬고 있다.
다시 한번 나는 당신의 마음의 호기심에서 나의 기쁨을 억제할 수 없었습니다.
하지만 내 연약한 마음은 여전히 당신의 장수에 동의 할 수 없습니다당신은 뭐 해요? 구형 말을 엿먹이려고 하는구나. 글쎄 - 당신과 사랑에 대한 조언.
피터, 곱추는 핑계는 그만하고 이 삶의 축하 행사에 가능한 한 빨리 참여하십시오 - 일을 시작하십시오!-)