Ressonância estocástica - página 30
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
...tenho uma pergunta interessante ao longo do caminho. Alguém pode esclarecer por que uma função de distribuição tão simples e conveniente com boas propriedades não é utilizada em estatísticas? E se for usado, por que não está escrito sobre? Nunca vi ninguém tentar aproximar-se de uma distribuição incremental que não fosse a lognormal.
Yura, eu não sei a resposta a esta pergunta.
Só posso assumir que sua distribuição proposta p(X)=A*(X^a)*exp(-B*(X^b)), é um caso particular (por exemplo, Distribuição Exponencial Generalizada p(X)=a/(2G[1/a]*l*s)exp{-[(x-m)/l*sl*s]^a}, Bulashev, p.41), ou aqueles poucos, que também conseguiram chegar ao fundo da questão, decidiram ficar em silêncio e cortar o repolho em silêncio no vasto Forpolye:)
Eu também pensava assim, e seria, se a distribuição generalizada tivesse um expoente. Como não existe tal coisa, a distribuição generalizada é não zero e se estende até a região x<0. O expoente faz com que a inclinação à esquerda seja muito íngreme (na generalizada com uma<1 ambas as inclinações são suaves), e a inclinação à direita é ainda mais plana do que na generalizada. Eu não hesitarei em usar essa palavra - cauda grossa. :-) E, o mais importante, ela não se integra explicitamente.
Mas eu tenho uma contra-question!
Há algum tempo atrás eu estava estudando modelos autoregressivos de ordem arbitrária (quando procuramos a dependência da amplitude da barra atual e seu sinal na soma das ações sobre ela de um número arbitrário de barras anteriores). Resolvi este problema tão bem que não podia dizer se a série de modelos era real ou não por sua aparência, mas por uma exceção - a função de distribuição (DP) da série de modelos estava longe da realidade. Intuitivamente, senti que a coincidência das funções de autocorrelação era suficiente para combinar com o PDF de suas primeiras diferenças. Acontece que não era... Há algo que não estou levando em conta ao modelar o comportamento das séries de resíduos.
O que você pensa sobre este assunto?
Como não conheço nem os métodos utilizados para resolver este problema, nem o método de modelagem de resíduos, e minha mão esquerda e ambos os pés são mancos em estatísticas matemáticas, eu, infelizmente, não posso dizer nada. Para ao menos começar a pensar nisso, este pequeno parágrafo por si só não é suficiente para mim pessoalmente, preciso de mais informações para pensar sobre isso, como Stirlitz.
Não se trata de calcular Ymin e Ymax per se. Trata-se de recalcular a partir do conjunto original de dados do conjunto derivado. Além disso, seu método de recalcular a normalização é arbitrário, vinculado ao conjunto histórico sobre o qual você está fazendo isso. Quando você muda o t/f, ele pode mudar de 2000 barras para, digamos, 500000 barras. Atingir o limite de alcance no primeiro caso não diz nada, mas no segundo caso diz muito. Você pode acusar meu método de arbitrariedade somente com uma função de distribuição de modelos em mente. No entanto, se a distribuição real, construída experimentalmente com base na quantidade "máxima disponível" de dados é bem aproximada pela distribuição do modelo, então qual é a arbitrariedade?
Eu não tive reclamações sobre arbitrariedade, para a fenomenologia a única restrição é a precisão da aproximação, e eu preferiria chamar arbitrariedade não de arbitrariedade, mas de grau de liberdade :)
Eu vou entrar aqui, Neutron. Eu não sou um estatístico, então tive que fazer a pergunta sobre mexmat.ru. Está aqui: http://lib.mexmat.ru/forum/viewtopic.php?t=9102
Pergunta: quais informações sobre o processo estacionário são suficientes para reproduzi-lo corretamente? A resposta foi: é preciso conhecer a função de covariância e o modus operandi do processo. Eu ainda não sei como construir um processo com uma dada função de covariância. Mas a idéia é que o processo resultante poderia ser considerado uma implementação adequada do processo simulado original. Talvez seu processo não tenha sido estacionário?
P.S. Quero uma simulação plausível do processo de resíduos (devoluções). De acordo com Peters, a distribuição dos resíduos é fractal com precisão aceitável e o processo é estacionário. Embora outros modelos não estejam excluídos...
Olá Mathemat!
Sou um diletante estatístico (vamos deixar a declaração contrária para a consciência do Jura) e simplesmente não sei a resposta para a maioria das perguntas:(
Uma série é chamada estritamente estacionária (ou estacionária no sentido restrito) se seu FR, média e variância não dependem do tempo.
Uma série é chamada de fraca estacionária (ou estacionária no sentido amplo) se sua média e variância não dependem do tempo.
De fato, nossa série de primeiras diferenças não é estacionária mesmo no sentido amplo da palavra - a amplitude varia visivelmente, você acha que esta pode ser a causa do efeito observado?
P.S. O que Peters quis dizer com a estacionaridade deste processo?
Não gosto de discutir sobre questões teóricas, muito raramente consigo tomar uma decisão :). Neste caso, não houve nenhuma tentativa de fazer uma avaliação universal. Eu simplesmente tentei entender e comparar o volume real dos cálculos "para mim mesmo". Parece-me que para sua abordagem aqui é necessário incluir o cálculo das características de uma série inicial que na minha abordagem não é necessária. O segundo ponto - não está claro o que você vai calcular para Y, mais complexo do que uma simples média. A necessidade de processamento das séries iniciais não torna seu método tão sensível ao prazo como o meu? Eu entendo, são as especificidades da série original. Mas tenho um trunfo semelhante - o invariante encontrado, o mesmo para todos os símbolos testados (majors) e para todos os períodos de tempo.
Eu não tive reclamações sobre arbitrariedade, para a fenomenologia a única restrição é a precisão da aproximação, e eu preferiria chamar arbitrariedade não de arbitrariedade, mas de grau de liberdade :)
Eu não estou discutindo. Estou apenas arranjando uma desculpa. :-)
Os cálculos para métodos de médias não-triviais são uma floresta escura. Eu não vou lá, receio. Resolvi meu problema, e tudo bem.
P.S. Eu me pergunto o que Peters quis dizer com a estacionaridade do processo.
Talvez que a inclinação deste processo não tenha limite de convergência? :-)))
A propósito, Neutron, você poderia me explicar um detalhe. O que há de ruim no MO<SCO, e o que há de bom no sentido inverso? Esta pergunta surgiu uma vez, e o FR que eu usei tem apenas esta má propriedade.
Mathemat, talvez você também saiba, então explique isso a uma pessoa analfabeta.
A pergunta de Vinin surgiu aqui: "Distribuição Beta". Esta é uma tarefa específica, tudo depende dos objetivos do autor do ramo. Em geral, não há nada de errado com MO<SCO. A situação é a mesma: nos mercados diários o MO é de alguns pontos, mesmo na tendência de 2001 para o Euro, e o RMS é de pelo menos dezenas de pontos. Na mesma tendência hebraica, o MoD é cerca de 0,2 pontos, e o RMS é um mínimo de alguns pontos.
Se estiver na mesma tendência, não é bom. A principal característica comercial é o lucro/risco. O risco é determinado pela volatilidade, a TIR sistemática. Existem até mesmo tais indicadores - Sharpe (Lucro para o período/SCO), Sortino - o mesmo, mas levando em conta a "volatilidade para baixo". Se o RMS for maior que o MO, então é provável que a perda dessa volatilidade exceda o retorno potencial associado ao MO positivo.