Por que a distribuição normal não é normal?
Já ouvi falar muitas vezes sobre as caudas grossas da distribuição, mas ainda não entendi qual é o objetivo. Eu fiz um indicador que produz a distribuição do tamanho da barra (plotado na diferença Close[i]-Close[i+1]) para separar, alguém pode explicar porque a distribuição é mais estreita do que o normal?
Na verdade, ela deveria ser mais alta e mais estreita. Isto porque é a propriedade do pagamento do preço que o afeta.
O que você quer dizer com já?
>> já
A principal e única condição para obter a HP é a independência dos termos da série. Esta é a prova de que a independência não é cumprida.
É meio que não é bem normal. :) Isto já foi discutido por intuição. Dizem que é uma distribuição de Erlang. E dizem que não há caudas, mas deveria haver. :)
Eu estava falando de Erlang, mas não é essa a questão aqui. A distribuição normal tem 2 parâmetros - MO e variância. Neste caso MO = 0, mas a variância não é zero e para desenhar um gráfico precisamos definir seu valor. Então eu estou perguntando, como Urain escolheu o valor da variação?
E em geral, a fim de comparar os gráficos, eles devem ser de alguma forma reduzidos a uma base comum. Dependendo da escolha desta base, pode haver padrões completamente diferentes.
Se tomarmos a variância como base comum, o gráfico será mais estreito, mas aparecerão caudas grossas.
Eu estava falando de Erlang, mas não é essa a questão aqui. A distribuição normal tem 2 parâmetros - MO e variância. Neste caso MO = 0, mas a variância não é zero e para desenhar um gráfico precisamos definir seu valor. Então eu estou perguntando, como Urain escolheu o valor da variação?
E em geral, a fim de comparar os gráficos, eles devem ser de alguma forma reduzidos a uma base comum. Dependendo da escolha desta base, pode haver padrões completamente diferentes.
Se tomarmos a variância como base comum, o gráfico será mais estreito, mas aparecerão caudas grossas.
Eu suspeito fortemente que Urain tomou características semelhantes das séries resultantes como parâmetros de entrada para expectativa e variação. Mas talvez não seja este o caso.
A principal e única condição para obter a HP é a independência dos termos da série. Esta é a prova de que a independência não se mantém.
É provável que uma linha de produção mecânica de lâmpadas tenha uma distribuição normal de falhas REAIS aleatórias, erros de equipamento. Portanto, é provável que o número de lâmpadas normalmente produzidas (seu brilho, resistência, espessura do filamento) se encaixe em uma curva de distribuição normal. Nos lados desta curva normal (suas caudas finas), haverá casos BORDER onde a espessura do filamento está acima ou abaixo do padrão e o bulbo queima. Mas o número total desses casos-limite e anormais pode ser calculado com antecedência (integrando a curva de distribuição ou o que quer que seja). É por isso que a fábrica de lâmpadas sabe antecipadamente que uma caixa de lâmpadas pode conter uma média de três lâmpadas ruins que se queimarão em um futuro muito próximo. Eles têm que ser substituídos sob garantia, de modo que o distribuidor local de lâmpadas, em fé na ciência das estatísticas, relata uma média de 3 lâmpadas extras por caixa. Os erros nos parâmetros do bulbo estão dentro do CRIVO NORMAL LOCAL EVENT CRIVE (não os parâmetros em si, mas seus erros). O evento aleatório aqui não é a liberação da lâmpada em si, mas o ERRO do parâmetro da lâmpada.
Se o processo de produção do bulbo (ou mais exatamente a formação dos parâmetros do bulbo) não se encaixa em uma curva normal, por exemplo, a linha está quebrada e defeituosa, o fornecedor enviou tungstênio ruim, então a taxa de defeitos aumentará drasticamente, os parâmetros do bulbo "se desviarão". Se então se medir com precisão os parâmetros de um lote de lâmpadas, elas não se encaixarão na curva das normas. Neste caso, a fábrica não sabe quantos bulbos tem que entregar ao distribuidor.
Se medirmos um processo não aleatório, então... não se pode dizer absolutamente nada. Você pode traçar a curva de distribuição de probabilidade de um evento - simplesmente medindo a ocorrência do evento dentro de um intervalo, mas... não nos diz nada.
Engenheiros elétricos e os matemáticos e estatísticos que empregam LOVE para lidar com erros de medição. Que provavelmente são NORMAL (se o dispositivo em si foi feito por um engenheiro normal). Daí todas as suas fórmulas.
Para séries de preços, as primeiras diferenças (ou outras combinações) não são um evento aleatório, e sua curva de distribuição PODE SER QUALQUER COISA. E mesmo que seja conhecido com precisão, não tem nenhuma utilidade para o comércio.
Não se metam comigo, eu tinha um 2 na teoria e no matstat.
Portanto, a análise de castiçal pode funcionar com 60-40 ou mesmo 70-30 probabilidades. Isto é bom.
As dependências podem ser muito diferentes. Não depende necessariamente dos valores dos incrementos anteriores, que é o que a análise de castiçal faz. Pode ser, por exemplo, a dependência do módulo do valor dos incrementos (volatilidade). O fato de que a volatilidade está relacionada à autocorrelação é bem conhecido e modelos de volatilidade como o GARCH (usando autocorrelação) receberam um Prêmio Nobel. Não é difícil vê-lo por si mesmo. E esta é uma das variantes pelas quais a distribuição tem "caudas pesadas".
P.S. Em um sentido amplo, a independência é descrita na definição de estacionariedade.
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Ouvi falar muitas vezes sobre rabos grossos de distribuição, mas ainda não entendi qual é o objetivo, eu fiz um indicador que produz a distribuição do tamanho da barra (baseado na diferença Close[i]-Close[i+1]) em separatas, alguém pode explicar por que a distribuição das barras é mais estreita do que o normal?
A referência é um histograma amarelo de linha vermelha.
E o indicador que foi usado para construí-lo. Título original (Distribuição_GCF_&_norm_test)