![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
você tem que converter os dados reais em dados normalmente distribuídos.
Você não fez sua tese junto com o carvalho?
Ou seja, encontrar tal transformação dos dados brutos (citações) para ver os incrementos normais? E como isso funciona?
Você não fez sua dissertação com um carvalho?
você tem que converter dados reais em dados normalmente distribuídos.
Você não fez sua dissertação com um carvalho?
Primeiro você tem que aprender a ler e entender o que está escrito, depois você tem que aprender a escrever
- Existe algo como uma distribuição parabólica fractal (algo bastante novo, trata-se de modelar a distribuição de objetos reais, como o tamanho da cidade de Paris em relação às cidades frugal da França https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A menos que você tenha saído direto da universidade, provavelmente ainda não foi ensinado. Não vejo como isso se encaixa aqui.
- Distribuição estacionária: se el. vectores são el. no espaço de estado de uma cadeia de Markov, são números não negativos, dê uma soma de 1, e el. i é a soma do vetor el. j multiplicada pela probabilidade de transição do estado j para i. Como isso chega aqui também não entendo.
- Também conheço o teorema integral Mois-Laplace, que para grandes n a distribuição binomial converge para a distribuição normal. Não conheço outro, e este também não se encaixa aqui.
Bem, sobre a distribuição normal - as citações como estão, como S.W. escreveu e o que está na palma de sua mão, são normalmente distribuídas em torno da média móvel, por isso, estamos aqui no claro.Ou seja, encontrar tal transformação dos dados brutos (citações) para ver os incrementos normais? E como isso funciona?
O posto acima é um pouco divagante:
- Existe algo como uma distribuição parabólica fractal (algo bastante novo, trata-se de modelar a distribuição de objetos reais, como o tamanho da cidade de Paris em relação às cidades frugal da França https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A menos que você tenha saído direto da universidade, provavelmente ainda não foi ensinado. Não vejo como isso se encaixa aqui.
- Distribuição estacionária: se el. vectores são el. no espaço de estado de uma cadeia de Markov, são números não negativos, dê uma soma de 1, e el. i é a soma do vetor el. j multiplicada pela probabilidade de transição do estado j para i. Como isso chega aqui também não entendo.
- Também conheço o teorema integral Mois-Laplace, que para grandes n a distribuição binomial converge para a distribuição normal. Não conheço outro, e este também não se encaixa aqui.
Bem, sobre a distribuição normal - as citações como estão, como S.W. escreveu e o que está na palma de sua mão, são normalmente distribuídas em torno da média móvel, por isso, estamos aqui no claro.1. Distribuição fractal: significa aquela discutida no livro de Peters, que tem uma tabela no final do livro. Link para o livro: http://www.ozon.ru/context/detail/id/1691158/. Também está disponível gratuitamente em Spider, a propósito. Há uma apresentação mais rigorosa nos Fundamentos da Matemática Financeira Estocástica de Shiryaev. A fractalidade aqui se refere mais à estabilidade da distribuição de probabilidade.
2. Estacionariedade: sim, eu estava impreciso (como má sorte, depois de tê-lo escrito eu pensei que estava impreciso - certamente alguém iria implicar comigo). Não estava me referindo à estacionaridade da distribuição, mas à estacionaridade do processo de Retornos aleatórios.
3. Sei sobre este teorema da convergência do binômio ao normal. Referia-me ao teorema pelo qual você pode, tendo uma quantidade uniformemente distribuída e conhecendo a função inversa da função de distribuição normal, obter em seu computador uma imitação bastante boa de uma distribuição normal. Não me lembro exatamente como é chamado, mas é um dos mais importantes do terver.
Uma última coisa: não estamos falando da distribuição de citações em torno de uma média móvel; sua normalidade... bem, intuitivamente parece e não está de modo algum na superfície. O que queremos dizer é Retorno, ou seja, fechamento de diferenças de preço de barras vizinhas - independentemente dos muwings.
O posto acima é um pouco divagante:
- Existe algo como uma distribuição parabólica fractal (algo bastante novo, trata-se de modelar a distribuição de objetos reais, como o tamanho da cidade de Paris em relação às cidades frugal da França https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A menos que você tenha saído direto da universidade, provavelmente ainda não foi ensinado. Não vejo como isso se encaixa aqui.
- Distribuição estacionária: se el. vectores são el. no espaço de estado de uma cadeia de Markov, são números não negativos, dê uma soma de 1, e el. i é a soma do vetor el. j multiplicada pela probabilidade de transição do estado j para i. Como isso chega aqui também não entendo.
- Também conheço o teorema integral Mois-Laplace, que para grandes n a distribuição binomial converge para a distribuição normal. Não conheço outro, e este também não se encaixa aqui.
Bem, sobre a distribuição normal - as citações como estão, como S.W. escreveu e o que está na palma de sua mão, são normalmente distribuídas em torno da média móvel, por isso, estamos aqui no claro.O autor está em chamas! Continuem assim!
O posto acima é um pouco divagante:
- Existe algo como uma distribuição parabólica fractal (algo bastante novo, trata-se de modelar a distribuição de objetos reais, como o tamanho da cidade de Paris em relação às cidades frugal da França https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A menos que você tenha saído direto da universidade, provavelmente ainda não foi ensinado. Não vejo como isso se encaixa aqui.
- Distribuição estacionária: se el. vectores representam el. no espaço de estado de uma cadeia de Markov, são números não negativos, dão uma soma de 1, e el. i é a soma do vetor el. j multiplicada pela probabilidade de transição do estado j para i. Como isso chega aqui também não entendo.
- Também conheço o teorema integral Mois-Laplace, que para grandes n a distribuição binomial converge para a distribuição normal. Não conheço outro, e este também não se encaixa aqui.
Bem, sobre a distribuição normal - as citações por assim dizer, como S.W. escreveu e o que está na palma de sua mão, são normalmente distribuídas em torno da média móvel, portanto, estamos aqui no claro.1. Distribuição fractal: significa aquela discutida no livro de Peters, que tem uma tabela no final do livro. Link para o livro: http://www.ozon.ru/context/detail/id/1691158/. Também está disponível gratuitamente em Spider, a propósito. Há uma apresentação mais rigorosa nos Fundamentos da Matemática Financeira Estocástica de Shiryaev. A fractalidade aqui se refere mais à estabilidade da distribuição de probabilidade.
2. Estacionariedade: sim, eu estava impreciso (como má sorte, depois de tê-lo escrito eu pensei que estava impreciso - certamente alguém iria implicar comigo). Não estava me referindo à estacionaridade da distribuição, mas à estacionaridade do processo de Retornos aleatórios.
3. Sei sobre este teorema da convergência do binômio ao normal. Referia-me ao teorema pelo qual você pode, tendo uma quantidade uniformemente distribuída e conhecendo a função inversa da função de distribuição normal, obter em seu computador uma imitação bastante boa de uma distribuição normal. Não me lembro exatamente como é chamado, mas é um dos mais importantes do terver.
Uma última coisa: não estamos falando da distribuição de citações em torno de uma média móvel; sua normalidade... bem, intuitivamente parece e não está de modo algum na superfície. Do que estamos falando é de Devoluções, ou seja, fechamento de diferenças de preço de barras vizinhas - sem considerar os muwings.
3. Você está escrevendo sobre a transformação Box-Muller? Sobre a geração de números pseudo-aleatórios normalmente distribuídos a partir de números pseudo-aleatórios distribuídos uniformemente aqui: http://www.taygeta.com/random/gaussian.html. Mas onde temos aqui valores pseudo-aleatórios distribuídos uniformemente?
2. Estacionaridade do processo: provavelmente sim. Acho que a função de distribuição também não muda com o tempo.
1. Muito preguiçoso para cavar e ler agora, tendo em vista a última observação:
Existe, por exemplo, um teste Kolmogorov-Smirnov, para o qual, com uma amostra aleatória, pode-se testar se a distribuição de uma variável aleatória é normal ou não: https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test. Se isto não for suficiente para você, então, por favor, funda todos os itens acima em uma descrição do que você está propondo.
O posto acima é um pouco divagante:
- Existe algo como uma distribuição parabólica fractal (algo bastante novo, trata-se de modelar a distribuição de objetos reais, como o tamanho da cidade de Paris em relação às cidades frugal da França https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). A menos que você tenha saído direto da universidade, provavelmente ainda não foi ensinado. Não vejo como isso se encaixa aqui.
- Distribuição estacionária: se el. vectores são el. no espaço de estado de uma cadeia de Markov, são números não negativos, dê uma soma de 1, e el. i é a soma do vetor el. j multiplicada pela probabilidade de transição do estado j para i. Como isso chega aqui também não entendo.
- Também conheço o teorema integral Mois-Laplace, que para grandes n a distribuição binomial converge para a distribuição normal. Não conheço outro, e este também não se encaixa aqui.
Bem, sobre a distribuição normal - as citações por assim dizer, como S.W. escreveu e o que está na palma de sua mão, são normalmente distribuídas em torno da média móvel, portanto, estamos aqui no claro.O autor está em chamas! Continuem assim!