Mathemat : 원하는 대로 하세요. 조언할 수 없기 때문에 틱 프로세스의 특성을 모르겠습니다.
실제 틱 프로세스를 모방하는 것이 아닙니다. 반대로, 지금 필요한 것은 OHLC 형식의 고전적인 정규 분포입니다. 대략적으로 말하면, 작업은 Open = Close-1 및 Close = sqrt(N)인 경우 High 및 Low를 결정하는 것입니다. 여기서 N은 틱 수입니다.
실제 틱 프로세스를 모방하는 것이 아닙니다. 반대로, 지금 필요한 것은 OHLC 형식의 고전적인 정규 분포입니다. 대략적으로 말하면, 작업은 Open = Close-1 및 Close = sqrt(N)인 경우 High 및 Low를 결정하는 것입니다. 여기서 N은 틱 수입니다.
내가 기억하는 한 무작위 시리즈의 경우 양초 본체의 길이 |닫기-열림| 평균적으로 위쪽 및 아래쪽 그림자 길이의 합과 같습니다. 따라서 Close를 sqrt(N)으로 모델링한 후 위쪽 그림자의 길이를 |sqrt(N/4)|로 모델링합니다. 마찬가지로 아래쪽 그림자. 물론 이것은 대칭 sat(mo=0)의 변형입니다. 비대칭을 위해 조금 다르게
내가 기억하는 한 무작위 시리즈의 경우 양초 본체의 길이 |닫기-열림| 평균적으로 위쪽 및 아래쪽 그림자 길이의 합과 같습니다. 따라서 Close를 sqrt(N)으로 모델링한 후 위쪽 그림자의 길이를 |sqrt(N/4)|로 모델링합니다. 마찬가지로 아래쪽 그림자. 물론 이것은 대칭 sat(mo=0)의 변형입니다. 비대칭을 위해 조금 다르게
아니, 그것은 잘못된 것입니다. 양초 몸체의 길이와 그림자의 길이가 의존하기 때문입니다. 따라서 틱에서 상당히 많은 양초를 생성한 다음 이 세트에서 임의의 양초를 취하여 새 행을 얻는 것이 그림자의 분석적 분포를 찾는 것보다 낫습니다.
실제 틱 프로세스를 모방하는 것이 아닙니다. 반대로, 지금 필요한 것은 OHLC 형식의 고전적인 정규 분포입니다. 대략적으로 말하면, 작업은 Open = Close-1 및 Close = sqrt(N)인 경우 High 및 Low를 결정하는 것입니다. 여기서 N은 틱 수입니다.
옛날에 나는 임의의 인공 인용문 생성을 만지작거렸다. 저는 다음과 같이 했습니다. 매분마다 3개의 독립적인 무작위 변수 H, L 및 dlt를 찾았습니다. 즉, 막대당 이동입니다. 나는 0의 기대와 주어진 분산으로 가우스(포인트)에 따라 그것들을 찾았습니다. 이 경우 결과 값은 모듈로 사용되었습니다. 또한 우연히 50/50이 변위 방향으로 선택되었습니다 - sgn. 따라서 Close = Open+sgn*dlt, Hg를 찾으려면 (Open, Close)에서 더 큰 것을 가져 와서 H를 추가하고, (Open, Close)에서 더 작은 것을 각각 Lw로 찾은 다음 L을 빼십시오. .
물론 받은 인용문을 실제 인용문과 비교해봤습니다(주관적 인식 수준에서). 나는 인공 인용문과 실제 인용문의 "유사성"을 결정하는 유일한 값이 편향 분산 - dlt라는 사실에 매우 놀랐습니다. 자연 따옴표와 유사하려면 편향 분산이 매우 작아야 합니다. 대부분의 분 교대는 0과 같습니다. 그렇지 않으면 결과는 매우 불안정한 시장이었습니다. Hg와 Lw의 분산은 "모피" 인용의 정도에 영향을 미쳤습니다.트렌드를 모방하기 위해 방향을 선택할 확률을 약간 변경 - 49/51 - 매일 보면 강력한 추세를 얻었습니다.
일반적으로 결과적으로 다양한 모드를 생성하기 위한 매우 간단한 모델이 얻어졌습니다. 즉, 변동성이 높은 경향이 필요하며 바이어스 분산이 증가하고 방향 확률이 변경되었습니다. 저변동 플랫이 필요했습니다. 변위 분산이 상당히 비참하게 만들어졌고 방향은 50/50이었습니다.
원하는 대로 하세요. 조언할 수 없기 때문에 틱 프로세스의 특성을 모르겠습니다.
실제 틱 프로세스를 모방하는 것이 아닙니다. 반대로, 지금 필요한 것은 OHLC 형식의 고전적인 정규 분포입니다. 대략적으로 말하면, 작업은 Open = Close-1 및 Close = sqrt(N)인 경우 High 및 Low를 결정하는 것입니다. 여기서 N은 틱 수입니다.
실제 틱 프로세스를 모방하는 것이 아닙니다. 반대로, 지금 필요한 것은 OHLC 형식의 고전적인 정규 분포입니다. 대략적으로 말하면, 작업은 Open = Close-1 및 Close = sqrt(N)인 경우 High 및 Low를 결정하는 것입니다. 여기서 N은 틱 수입니다.
내가 기억하는 한 무작위 시리즈의 경우 양초 본체의 길이 |닫기-열림| 평균적으로 위쪽 및 아래쪽 그림자 길이의 합과 같습니다. 따라서 Close를 sqrt(N)으로 모델링한 후 위쪽 그림자의 길이를 |sqrt(N/4)|로 모델링합니다. 마찬가지로 아래쪽 그림자. 물론 이것은 대칭 sat(mo=0)의 변형입니다. 비대칭을 위해 조금 다르게
내가 기억하는 한 무작위 시리즈의 경우 양초 본체의 길이 |닫기-열림| 평균적으로 위쪽 및 아래쪽 그림자 길이의 합과 같습니다. 따라서 Close를 sqrt(N)으로 모델링한 후 위쪽 그림자의 길이를 |sqrt(N/4)|로 모델링합니다. 마찬가지로 아래쪽 그림자. 물론 이것은 대칭 sat(mo=0)의 변형입니다. 비대칭을 위해 조금 다르게
아니, 그것은 잘못된 것입니다. 양초 몸체의 길이와 그림자의 길이가 의존하기 때문입니다. 따라서 틱에서 상당히 많은 양초를 생성한 다음 이 세트에서 임의의 양초를 취하여 새 행을 얻는 것이 그림자의 분석적 분포를 찾는 것보다 낫습니다.
나는 그것을 더 쉽게 만들지 않는 이유를 생각했습니다. 우리는 4개의 생성된 값을 취합니다: 첫 번째 값은 Open과 Low의 차이, 두 번째와 세 번째 값의 합은 Low와 High의 차이, 네 번째 값은 고가와 종가의 차이:
많은 양의 데이터에서 Close는 Open으로 수렴되고 Range High-Low는 세그먼트 크기의 두 배 분산(주어진 분산이 있는 4개의 숫자)을 갖습니다.
실제 틱 프로세스를 모방하는 것이 아닙니다. 반대로, 지금 필요한 것은 OHLC 형식의 고전적인 정규 분포입니다. 대략적으로 말하면, 작업은 Open = Close-1 및 Close = sqrt(N)인 경우 High 및 Low를 결정하는 것입니다. 여기서 N은 틱 수입니다.
옛날에 나는 임의의 인공 인용문 생성을 만지작거렸다. 저는 다음과 같이 했습니다. 매분마다 3개의 독립적인 무작위 변수 H, L 및 dlt를 찾았습니다. 즉, 막대당 이동입니다. 나는 0의 기대와 주어진 분산으로 가우스(포인트)에 따라 그것들을 찾았습니다. 이 경우 결과 값은 모듈로 사용되었습니다. 또한 우연히 50/50이 변위 방향으로 선택되었습니다 - sgn. 따라서 Close = Open+sgn*dlt, Hg를 찾으려면 (Open, Close)에서 더 큰 것을 가져 와서 H를 추가하고, (Open, Close)에서 더 작은 것을 각각 Lw로 찾은 다음 L을 빼십시오. .
물론 받은 인용문을 실제 인용문과 비교해봤습니다(주관적 인식 수준에서). 나는 인공 인용문과 실제 인용문의 "유사성"을 결정하는 유일한 값이 편향 분산 - dlt라는 사실에 매우 놀랐습니다. 자연 따옴표와 유사하려면 편향 분산이 매우 작아야 합니다. 대부분의 분 교대는 0과 같습니다. 그렇지 않으면 결과는 매우 불안정한 시장이었습니다. Hg와 Lw의 분산은 "모피" 인용의 정도에 영향을 미쳤습니다.트렌드를 모방하기 위해 방향을 선택할 확률을 약간 변경 - 49/51 - 매일 보면 강력한 추세를 얻었습니다.
일반적으로 결과적으로 다양한 모드를 생성하기 위한 매우 간단한 모델이 얻어졌습니다. 즉, 변동성이 높은 경향이 필요하며 바이어스 분산이 증가하고 방향 확률이 변경되었습니다. 저변동 플랫이 필요했습니다. 변위 분산이 상당히 비참하게 만들어졌고 방향은 50/50이었습니다.
나는 그것을 더 쉽게 만들지 않는 이유를 생각했습니다. 우리는 4개의 생성된 값을 취합니다: 첫 번째 값은 Open과 Low의 차이, 두 번째와 세 번째 값의 합은 Low와 High의 차이, 네 번째 값은 고가와 종가의 차이:
많은 양의 데이터에서 Close는 Open으로 수렴되고 Range High-Low는 세그먼트 크기의 두 배 분산(주어진 분산이 있는 4개의 숫자)을 갖습니다.
...하지만 이것은 매우 느리고 무의미한 방법입니다.
그렇게 느리지 않으면 불을 붙일 시간이 없을 것입니다.
부트랩 아이디어가 적합하지 않습니까?
부트스트랩이란?
그렇게 느리지 않으면 불을 붙일 시간이 없을 것입니다.
관련 질문이 있습니다
다음 배포판의 범위를 이해하려고 합니다.
일반화된 파레토 분포 ( GPD ) 및 극단값 분포 ( GEV )
정규 분포, 따라서 균일 분포와 함께 이러한 분포가 서로 어떤 관계가 있습니까? 즉, 그들이 묘사하는 사건이 어떻게 현실에서 일어날 수 있습니까?
부트스트랩이란?
위키에 있습니다.
아이디어는 샘플에 있는 매개변수의 확률에 대한 주파수의 수렴을 얻는 방식으로 무작위로 사용 가능한 샘플을 변경하는 것입니다.