그건 그렇고, 두꺼운 꼬리는 가우스 혼합물에 의해 잘 모델링됩니다. 혼합물에는 중량이 작지만 분산이 큰 성분이 포함되어야 합니다. 예를 들어, Merton의 점프-확산 모델(Jump-Diffusion Model)에서는 증분의 뚱뚱한 꼬리가 드물지만 큰 점프로 설명됩니다.
정규 분포(적합, 근사)의 모수를 추정하는 방법으로는 전혀 표시되지 않습니다. 뚱뚱한 꼬리가 없는 가장 정규 분포입니다. Alexander_K2에게 물어보세요. 그는 이 꼬리를 찾고 있었습니다. 단일 매개변수가 있는 테이블을 살펴보십시오. 제 생각에는 모든 TV 교과서와 모든 수학 참고서에 표가 있습니다. 아무리 커스터마이징을 해도 뚱뚱한 꼬리를 잡으려면 배포 옵션을 변경해야 합니다. 그리고 왜 전형적인 분포가 필요합니까? 정말 확률 분포입니까? "일부 데이터"에 대해 이러한 스탬프를 찍는 이유는 무엇입니까? 아니면 내가 추측한 대로 일부 데이터가 아니라 선택적인 상대 빈도입니까?
Vladimir : 오류를 줄이기 위해 무엇을 시도하시겠습니까? 공식적 형태로 당신이 제기한 문제는 일반적인 환경에서 한 줄로 해결되었으며 k=0.65로 자신의 실험과 결과를 비교하기도 했습니다. 아니면 p10^(1/10)이 해결책이라는 것을 이해하지 못하셨습니까?
처음에는 잘 읽지 않았습니다. 가장자리 평가, 이게 제일 먼저 떠올랐기 때문에 처음에는 알아냈어요. 그런데 에지가 아니라 히스토그램의 중심점을 취하면 어떻게 될까요? 그리고 나서 모든 것이 그렇게 쉬운 일이 아니라는 것을 깨달았습니다. 한 학위로는 더 이상 충분하지 않습니다. 어쨌든, 귀하의 의견에 감사드립니다. 항상 그렇듯이 반복을 통해 각 관심 지점에 대한 완전한 공식을 컴파일하여 문제를 정면으로 해결할 것입니다.
나는 당신이 시장에서 증가분의 이중 감마와 같은 분포를 순수한 정상으로 어떻게든 줄일 수 있었던 것을 기억합니다... 그리고 이제 질문에 대한 답을 찾으십시오 - 다음은 무엇입니까?
나는 Bas의 조언으로 Bas를 지지합니다. 옵션을 선택해야 합니다. Black-Scholes 모델은 분명히 데이터에서 작동해야 합니다.
그렇지 않다) 다음은 내가 하기 시작하기도 전에 이미 오래전에 결정한 일이다. 하지만 수학에 대한 지식이 제한되어 있기 때문에 알고리즘은 대개 많은 리소스를 소비하고 특정 방식으로 문제를 해결합니다.
때때로 나는 무언가를 할 것이고, 잠시 후에 나는 훨씬 더 쉽고 경제적인 해결책을 찾을 것입니다.
즉, 나는 모든 것을 동일하게 개발하고 매번 점점 더 똑똑한 접근 방식을 적용하고 싶습니다.
그리고 Black-Scholes 모델에 관해서는, 내가 처음 그것에 대해 알았을 때 나는 그들이 그러한 원시적이고 생각에 대해 노벨상을 주었다는 것에 매우 놀랐습니다. 내 오래된 개발에 비슷한 기술을 사용했지만 사용했지만 노벨상을 수여하는 줄은 몰랐습니다)). 이제 나는 이미 어디에서 실수를 했는지 알고 있으며 옵션을 거래할 경우 이 공식이 확실하지 않습니다.
따라서 동일한 문제가 발생합니다. 꼬리에 대한 오차의 절대값은 중앙보다 몇 배 작습니다. 그리고 기여도는 내가 생각하는 것과 같아야 합니다.
초기 표본에서 이러한 오류가 시간이 지남에 따라 어떻게 분포되어 있는지와 이들 사이에 관계가 있는지 살펴볼 필요가 있습니다. 종속성이 없고 어느 정도 균일하게 위치하는 경우 다른 매개변수 분포군을 선택해야 합니다. 그렇지 않으면 Glivenko-Cantelli 정리의 조건이 위반되고 히스토그램이 일부 분포의 밀도에 근접하기를 바라지 않아야 합니다.
초기 표본에서 이러한 오류가 시간이 지남에 따라 어떻게 분포되어 있는지와 이들 사이에 관계가 있는지 살펴볼 필요가 있습니다. 종속성이 없고 어느 정도 균일하게 위치하는 경우 다른 매개변수 분포군을 선택해야 합니다. 그렇지 않으면 Glivenko-Cantelli 정리의 조건이 위반되고 히스토그램이 일부 분포의 밀도에 근접하기를 바라지 않아야 합니다.
문제는 꼬리의 오류를 중앙의 오류와 동일한 가중치로 부여하여 올바른 일을 하고 있는지 여부입니다(위의 두 가지 방법을 사용하여 교과서에 없기 때문에 스스로 발명해야 했습니다).
정규 분포(적합, 근사)의 모수를 추정하는 방법으로는 전혀 표시되지 않습니다. 뚱뚱한 꼬리가 없는 가장 정규 분포입니다. Alexander_K2에게 물어보세요. 그는 이 꼬리를 찾고 있었습니다. 단일 매개변수가 있는 테이블을 살펴보십시오. 제 생각에는 모든 TV 교과서와 모든 수학 참고서에 표가 있습니다. 아무리 커스터마이징을 해도 뚱뚱한 꼬리를 잡으려면 배포 옵션을 변경해야 합니다. 그리고 왜 전형적인 분포가 필요합니까? 정말 확률 분포입니까? "일부 데이터"에 대해 이러한 스탬프를 찍는 이유는 무엇입니까? 아니면 내가 추측한 대로 일부 데이터가 아니라 선택적인 상대 빈도입니까?
확률적 표현이 데이터를 전혀 설명하지 않기 때문일 수 있습니까? Forex 비율에 대한 Yuriy Asaulenko https://www.mql5.com/en/forum/221552/page162#comment_6399653 의 사진에서 수학적 기대치가 어떻게 춤을 추는지 기억하십시오. 당신이 확률적 표현을 사용하고 싶은 것은 그들을 위한 것 아닙니까? 그러면 무거운 꼬리가 어디에서 왔는지 분명합니다.
물론 가격 인상의 선택적 상대 빈도입니다. 나는 그것이 충분히 명확하다고 생각했고 다른 옵션은 누구에게나 거의 관심이 없었습니다)
나는 거래를 위해 배포판을 사용하지 않고 지식 격차를 좁히고 싶습니다. 어떤 이유로 matstat의 많은 실용적인 뉘앙스가 교과서에 설명되어 있지 않습니다.
이 경우 분포의 매개변수에 관심이 없고 분포의 유형도 관심이 없고 단순히 곡선의 모양에 관심이 없습니다. 가우시안에 얼마나 가깝고 어디에서 얼마나 벗어나는지. 매개변수 평가에 대한 교과서에는 수백 페이지가 있지만 형식 평가에 대한 페이지는 단 한 페이지도 없습니다.
오류를 줄이기 위해 무엇을 시도하시겠습니까? 공식적 형태로 당신이 제기한 문제는 일반적인 환경에서 한 줄로 해결되었으며 k=0.65로 자신의 실험과 결과를 비교하기도 했습니다. 아니면 p10^(1/10)이 해결책이라는 것을 이해하지 못하셨습니까?
처음에는 잘 읽지 않았습니다. 가장자리 평가, 이게 제일 먼저 떠올랐기 때문에 처음에는 알아냈어요. 그런데 에지가 아니라 히스토그램의 중심점을 취하면 어떻게 될까요? 그리고 나서 모든 것이 그렇게 쉬운 일이 아니라는 것을 깨달았습니다. 한 학위로는 더 이상 충분하지 않습니다. 어쨌든, 귀하의 의견에 감사드립니다. 항상 그렇듯이 반복을 통해 각 관심 지점에 대한 완전한 공식을 컴파일하여 문제를 정면으로 해결할 것입니다.
"눈으로"는 표본 및 정규 분포에 대한 분위수-분위수 (또는 확률-확률 ) 플롯을 그려야 하고 직선과 잘 맞는지 확인해야 함을 의미합니다.
따라서 동일한 문제가 발생합니다. 꼬리에 대한 오차의 절대값은 중앙보다 몇 배 작습니다. 그리고 기여도는 내가 생각하는 것과 같아야 합니다.
나는이 주제가 우연히 만들어지지 않았다고 생각합니다 :)))
나는 당신이 시장에서 증가분의 이중 감마와 같은 분포를 순수한 정상으로 어떻게든 줄일 수 있었던 것을 기억합니다... 그리고 이제 질문에 대한 답을 찾으십시오 - 다음은 무엇입니까?
나는 Bas의 조언으로 Bas를 지지합니다. 옵션을 선택해야 합니다. Black-Scholes 모델은 분명히 데이터에서 작동해야 합니다.
그렇지 않다) 다음은 내가 하기 시작하기도 전에 이미 오래전에 결정한 일이다. 하지만 수학에 대한 지식이 제한되어 있기 때문에 알고리즘은 대개 많은 리소스를 소비하고 특정 방식으로 문제를 해결합니다.
때때로 나는 무언가를 할 것이고, 잠시 후에 나는 훨씬 더 쉽고 경제적인 해결책을 찾을 것입니다.
즉, 나는 모든 것을 동일하게 개발하고 매번 점점 더 똑똑한 접근 방식을 적용하고 싶습니다.
그리고 Black-Scholes 모델에 관해서는, 내가 처음 그것에 대해 알았을 때 나는 그들이 그러한 원시적이고 생각에 대해 노벨상을 주었다는 것에 매우 놀랐습니다. 내 오래된 개발에 비슷한 기술을 사용했지만 사용했지만 노벨상을 수여하는 줄은 몰랐습니다)). 이제 나는 이미 어디에서 실수를 했는지 알고 있으며 옵션을 거래할 경우 이 공식이 확실하지 않습니다.따라서 동일한 문제가 발생합니다. 꼬리에 대한 오차의 절대값은 중앙보다 몇 배 작습니다. 그리고 기여도는 내가 생각하는 것과 같아야 합니다.
초기 표본에서 이러한 오류가 시간이 지남에 따라 어떻게 분포되어 있는지와 이들 사이에 관계가 있는지 살펴볼 필요가 있습니다. 종속성이 없고 어느 정도 균일하게 위치하는 경우 다른 매개변수 분포군을 선택해야 합니다. 그렇지 않으면 Glivenko-Cantelli 정리의 조건이 위반되고 히스토그램이 일부 분포의 밀도에 근접하기를 바라지 않아야 합니다.
초기 표본에서 이러한 오류가 시간이 지남에 따라 어떻게 분포되어 있는지와 이들 사이에 관계가 있는지 살펴볼 필요가 있습니다. 종속성이 없고 어느 정도 균일하게 위치하는 경우 다른 매개변수 분포군을 선택해야 합니다. 그렇지 않으면 Glivenko-Cantelli 정리의 조건이 위반되고 히스토그램이 일부 분포의 밀도에 근접하기를 바라지 않아야 합니다.
문제는 꼬리의 오류를 중앙의 오류와 동일한 가중치로 부여하여 올바른 일을 하고 있는지 여부입니다(위의 두 가지 방법을 사용하여 교과서에 없기 때문에 스스로 발명해야 했습니다).
특정 유형의 배포는 관심이 없습니다. 우리는 가우시안과의 차이점에만 관심이 있습니다.
문제는 꼬리의 오류를 중앙의 오류와 동일한 가중치로 부여하여 올바른 일을 하고 있는지 여부입니다(위의 두 가지 방법을 사용하여 교과서에 없기 때문에 스스로 발명해야 했습니다).
특정 유형의 배포는 관심이 없습니다. 우리는 가우시안과의 차이점에만 관심이 있습니다.
반대 질문 - 0에서 1까지의 간격에 균일 분포 밀도의 그래프가 있다고 가정합니다. 어떤 매개변수를 사용하여 가우스를 정확하게 근사화할 수 있습니까?
반대 질문 - 0에서 1까지의 간격에 균일 분포 밀도의 그래프가 있다고 가정합니다. 어떤 매개변수를 사용하여 가우스를 정확하게 근사화할 수 있습니까?
따라서 우리는 육안으로 가우스 분포처럼 보이는 분포에 대해 이야기하고 있습니다.
따라서 우리는 육안으로 가우스 분포처럼 보이는 분포에 대해 이야기하고 있습니다.
자, 이제 Cauchy 또는 Laplace 분포의 밀도를 살펴보겠습니다.