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
Meu ponto é diferente. Só não vale a pena gastar muito tempo provando a inconsistência do EMH - de qualquer forma não há lá peixe. Sim, há caudas, sim, a razão é reagir a um pacote de informações e não a histórias individuais de notícias. Sim, agora está cientificamente comprovado. Mas o mercado está tão instável quanto sempre esteve e não tem sido mais fácil ganhar dinheiro com ele.
p.s. hehe, mais alguns artigos como este e você entrará nas idéias de estatísticas fractais, a causalidade é uma das pedras angulares ali.
Eu estou familiarizado com isso. Acho isso subdesenvolvido em comparação com outros métodos.
Só não vale a pena gastar muito tempo provando que EMH é inválido - de qualquer forma não há lá peixe.
Não estou interessado em provar nada. A idéia é completamente diferente. O mercado é não-estacionário. É um dado adquirido. Não pode ser alterado. Mas isso não significa que devemos fechar os olhos, esperando as probabilidades. A abordagem científica habitual é dar uma mordida no que entendemos e podemos dar uma mordida.
faa1947: толстые хвосты являются результатом памяти в котире.
Este é um fato conhecido.
E por que precisamos de uma memória na forma de caudas obscuras, se temos acesso ilimitado (memória) a dados passados?
Se apenas os rabos mostrassem o comportamento futuro do quociente, então seria uma informação inestimável, pois não estamos negociando no passado, mas no futuro.
Este é um fato conhecido.
E por que precisamos de uma memória na forma de caudas obscuras, se temos acesso ilimitado (memória) a dados passados?
Se apenas as caudas mostrassem o comportamento futuro do kotir, então seria uma informação inestimável, pois não estamos negociando no passado, mas no futuro.
Sim, o inferno que você faz. Apenas agarrando em tudo.
Vi um artigo no outro dia que usa mudanças na lei da distribuição para fazer previsões. Isso é um pensamento incomum.
Vou compartilhar.
Sobre os rabos - há um resultado encantador. Deixe-me explicar a metodologia do cálculo.
Todos nós sabemos como as primeiras diferenças de uma série de moedas são distribuídas grosso modo (aproximadamente como exp(-a|x|), ou assim). Comecei a determinar quais partes desta distribuição são os "verdadeiros portadores de informações externas", por assim dizer. O que fazemos é o seguinte. Vamos contar os retornos RMS ao longo de um grande intervalo de tempo e para cada quociente vamos calcular a razão de probabilidade de sua pertença à distribuição Laplace em relação à distribuição normal com a mesma variação. Não vou me deter em como calculá-lo, existe a wikipedia.
Casos interessantes surgem quando traçamos a distribuição da razão de probabilidade em si (ou melhor, seu logaritmo):
Na figura ela é cortada à direita por 2, mas a cauda teoricamente vai até o infinito. Portanto, tudo isto é apenas uma quebra brusca no valor de 1/2*ln(pi). Acontece que uma pequena fração de citações dá uma ocorrência nitidamente diferente de Laplace - uma distribuição com caudas mais grossas do que a Gaussiana. E estas citações são computáveis.
Parece ser possível construir efetivamente um analisador de tendências com base neste fato e determinar o cumprimento do critério já na barra atual. Bem, ou pelo menos identificar eficazmente os desastres e responder rapidamente a eles.
Vou compartilhar.
Sobre os rabos - há um resultado fascinante. Deixe-me explicar a metodologia dos cálculos.
Todos nós sabemos como as primeiras diferenças de uma série de moedas são distribuídas grosso modo (aproximadamente como exp(-a|x|), ou assim). Comecei a determinar quais partes desta distribuição são os "verdadeiros portadores de informações externas", por assim dizer. O que fazemos é o seguinte. Vamos contar os retornos RMS ao longo de um grande intervalo de tempo e para cada quociente vamos calcular a razão de probabilidade de sua pertença à distribuição Laplace em relação à distribuição normal com a mesma variação. Não vou me deter em como calcular isto, existe a wikipedia.
Coisas interessantes acontecem quando traçamos a distribuição da razão de probabilidade em si (ou melhor, seu logaritmo):
Na figura está recortada à direita a 2, mas a cauda teoricamente vai até o infinito. Portanto, a coisa toda é apenas um penhasco afiado, no valor de 1/2*ln(pi). Acontece que uma pequena fração de citações dá uma ocorrência nitidamente diferente de Laplace - uma distribuição com caudas mais grossas do que a Gaussiana. E estas citações são computáveis.
Parece ser possível construir efetivamente um analisador de tendências com base neste fato e determinar o cumprimento do critério já na barra atual. Bem, ou pelo menos identificar eficazmente os desastres e responder rapidamente a eles.
Muito interessante.
Quando falamos de distribuição, nos baseamos em um número bastante grande de observações. No gráfico, vejo um número de 20.000. Concordo que com essas muitas observações podemos tirar conclusões sobre a lei da distribuição. Mas estamos interessados no bar que segue o atual. E aqui quanto maior o número de observações, mais "médias" podem ser tiradas conclusões sobre a última barra.
Há um número curioso de 30. Antes de 30 somos considerados como tendo estatística t, e depois de 30 temos estatística z se amostrarmos uma população normal.
Portanto, a questão é. É possível usar o padrão identificado em amostras grandes para usá-lo em amostras pequenas, assumindo que esta pequena pertence a uma grande?
Muito interessante.
Quando falamos de uma distribuição, nós a baseamos em um número suficientemente grande de observações. No gráfico, vejo um número de 20.000. Concordo que com essas muitas observações podemos tirar conclusões sobre a lei da distribuição. Mas estamos interessados no bar que segue o atual. E aqui, quanto maior o número de observações, mais conclusões "médias" podem ser tiradas sobre a última barra.
Há um número curioso de 30. Antes de 30 diz-se que temos uma estatística t, e depois de 30 temos uma estatística z, se a amostra e a população forem normais.
Portanto, a questão é. É possível usar o padrão identificado em amostras grandes para usá-lo em amostras pequenas, assumindo que esta pequena pertence a uma grande?
A natureza da distribuição não muda. A propósito, o próprio estudo começou com o fato de que o estranho comportamento da razão de probabilidade é perceptível a olho nu: