Como posso saber a diferença entre um gráfico FOREX e um PRNG? - página 28

 
Mathemat:

Estranho ouvi-lo dizer isso. Você realmente acredita que a classificação realmente não leva em conta valores absolutos de forma alguma?

O principal requisito para métodos não paramétricos é a robustez ao "ruído" e a distribuição (especialmente de rabos gordurosos). Isto pode ser alcançado com o mínimo sacrifício de precisão, o que muitas vezes é elusivo e enganoso.

Esta contabilidade depende da medida de classificação estatística escolhida (algum tipo de funcional), portanto, em pequenas amostras os coeficientes para Spearman, Kendall e Hefding mostrarão valores diferentes. Então, o que usar? Para as diferentes mídias do sistema gerador de valor, tais como o tipo e a ordem da função portadora de tendências, uma ou outra medida será melhor. Sim, um método não paramétrico pode estimar o CQ aproximadamente, mas é necessário se o tipo dessa correlação for desconhecido? O CQ não paramétrico é não paramétrico no sentido de que as medidas escolhidas para medi-lo são apenas insensíveis às transformações monotônicas das observações, o que também nem sempre é o caso no mercado. SB com demolição proporciona muitas vezes conversões abruptas não-monotônicas.

Em contraste, o CQ linear dá um valor que é compreensivelmente aplicável.

Alexey, vamos definir e distinguir entre caudas longas e caudas gordurosas, porque elas são mutuamente inversas. De acordo com minha pesquisa, não há no mercado distribuições com caudas longas.

 
-Aleksey-: Alexey, vamos definir e distinguir entre caudas longas e caudas gordurosas, porque elas são mutuamente inversas. De acordo com minha pesquisa, não há no mercado distribuições com caudas longas.
Pesquisado no Google:

Uma distribuição de freqüência com cauda longa tem sido estudada por estatísticos desde pelo menos 1946[8].[9] O termo também tem sido usado no negócio de finanças[9] e seguros[4] por muitos anos (também referido como cauda gorda, cauda pesada ou cauda direita[ 10]).

Não consigo perceber a diferença. Me meter o nariz para ver onde estou errado.

Sim, um método não paramétrico pode aproximar o CQ, mas é necessário se o tipo desta correlação for desconhecido?

Ninguém está dizendo que métodos não paramétricos resolvem todos os problemas. Mas freqüentemente suas estimativas são mais adequadas do que as paramétricas - justamente quando o tipo de correlação é desconhecido.

De acordo com minha pesquisa, não há no mercado distribuições com caudas longas.
Dê uma olhada na distribuição das devoluções. Ela se aproxima com bastante precisão por uma lei exponencial, ou seja, uma lei com rabos gordurosos.
 

Se o rabo é longo, é fino. A exceção é a distribuição triangular e similar(trapezoidais). E vice versa. E se você chama as caudas longas e finas de grossas, é confuso, pois as grossas são mais propensas a serem curtas. Isto é imho, não de googling.

A questão aqui é o que é a distribuição. A teoria clássica não permite que você defina este conceito sem ambigüidade (além do mais, não permite que você o construa), por isso não o uso. Minha abordagem é a evolução de uma distribuição quase-estacionária em algum espaço que define uma medida de erro.

 
-Aleksey-: Toda a questão aqui é o que é a distribuição. A teoria clássica não permite definir esta noção sem ambigüidade (além disso, não permite sequer construí-la), por isso não a utilizo. Minha abordagem é a evolução de uma distribuição quase-estacionária em algum espaço que define a medida do erro.
Eu não sou tão bom em sutilezas. A conversa foi sobre outra coisa - sobre métodos não paramétricos e o fato de que eles muitas vezes se revelam mais adequados do que os paramétricos - especialmente se a distribuição for desconhecida. Não mais preciso, mas mais adequado.
 
Mathemat:
Eu não sou tão bom nos pontos mais finos. Não era disso que estávamos falando - métodos não paramétricos.
E o que falar deles, todos estes coeficientes têm sensibilidade diferente para a transposição não-monotônica de fileiras, de acordo com o que eles mostram coisas diferentes. Talvez encontremos muitos deles. Mas não se sabe qual escolher quando o tipo de correlação é desconhecido.
 
faa1947:
AlexEro não está certo sobre o matlab? É uma coisa sagrada, brilhante no céu, paga, massa louca.....

Não é culpa do Matcad, eu já escrevi acima porque a diminuição está acontecendo.

Mais uma vez, AlexEro, a decadência vem do fato de que você realmente conta lcorr não de cos(w*i) (uma função que continua infinitamente em ambos os lados do eixo numérico), mas de cos(w*i)*[h(i) - h(100-i)], onde h(t) é a função Heaviside (passo de unidade). Forma simples de verificação: quanto mais amostras do sinusoidal você definir, menor será o decréscimo. A maneira complicada de verificar: substituir a expressão especificada na fórmula por lcorr explicitamente e obter um triângulo.

 
-Aleksey-:

Se o rabo é longo, é fino.


Na TV é exatamente o contrário, não como na zoologia: se a cauda é longa, então é grossa). Trata-se de normalizar a área sob o gráfico por 1, ou seja, a "cauda" bombeia parte da probabilidade a partir da área central. Em geral, "grosso" (ou "longo", se você quiser) significa coisas diferentes dependendo do contexto - podem ser distribuições que diminuem mais lentamente do que a gaussiana, ou distribuições com variação infinita, etc.

 
alsu:

A culpa não é do Matcad, eu já descrevi acima porque você obtém a diminuição.

Mais uma vez, AlexEro, a decadência vem do fato de que você realmente conta lcorr não de cos(w*i) (uma função que continua infinitamente em ambos os lados do eixo numérico), mas de cos(w*i)*[h(i) - h(100-i)], onde h(t) é a função Heaviside (passo de unidade). Uma maneira simples de verificar: quanto mais amostras de um sinusoidal você definir, menor será a diminuição. A maneira difícil de verificar: substituir a expressão especificada na fórmula por lcorr explicitamente e obter um triângulo.

(na voz cansada do professor Preobrazhensky)

"Desculpe-me, quem estava de pé sobre quem?"


Desculpe, onde eu "contei a janela de função Havyside"? Mostre-me, por favor, me cutucar com seu nariz.

Porra, estou me transformando aqui em Allochka. Isto é algum tipo de conspiração, uma diversão.

Não me importa como Matlab conta,

Não me importa como os físicos programam na Fortran,

Não me importa o que um programador terceirizado Matlab tem em sua cabeça,

Não me interessa o que está na mente de um mestre de tarefas hindu em Matlab, e que ele pensa que é "correto" programar a autocorrelação, e que para sua "correção" pedrada ele pensa que a falta de amostras no final de um intervalo de amostra deve ser "compensada" com uma janela Heaviside ALL THE TIME, o que esgota toda a autocorrelação.

Não me importo com isso. Eu não uso o matlab, nunca, nunca o usei e não pretendo fazê-lo. Os desenhos do matlab que citei são de Privalova, dei um link para eles também lá.

Eu simplesmente não entendo como você pode distorcer a discussão de tal forma. Não é uma discussão, é demagogia soviética. Estou falando da definição de autocorrelação, do significado deste conceito, mostro os fundamentos teóricos e regras simples para verificar a correção de qualquer algoritmo de autocorrelação, mostro que em Matlab e em Privalov a autocorrelação amortecedora começa logo na primeira contagem regressiva, e me mostram a explicação de que EU SOU MINHA Falha, porqueeu "conto a janela de Heaviside" . Estou sendo processado por mim mesmo em !


Porra, há sequer uma pessoa aqui que sabe do que estou falando? Ow!

 
AlexEro:

Porra, há uma pessoa aqui que sabe do que estou falando? Ow!

Há. Pronto, você prometeu!

P.S. Por que você não vai para o tópico "O que é um INDICADOR"? Talvez em um ano você escreva algo sensato...

 

Enquanto Alex está pensando no que é um INDICADOR, uma pergunta para todos - há duas amostras de SILVER e GOLD. Dados diários, 420 observações.

O CA de Spearman é 0,52, o coeficiente de correlação de classificação é estatisticamente significativo - e a relação de correlação de classificação entre as pontuações nos dois testes é significativa.

O KC de Pearson é 0,64.

Então? Correlação direta. Conclusão prática?