Calcular a probabilidade de inversão - página 8
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
OK, vamos então tomar uma densidade de distribuição Cauchy ou Laplace.
Não estou interessado na distribuição de Cauchy ou Laplace, e não pretendo defini-la)
E eu não preciso de parâmetros gaussianos. A questão é diferente.
... Quão perto está do Gaussiano, onde se afasta dele e por quanto ...
Eu só queria entender como você responderia a esta pergunta no caso hipotético em que se sabe que os dados são distribuídos exatamente de acordo com a distribuição padrão da Cauchy. Então, seria mais fácil responder também no caso de dados reais. Por exemplo, algo parecido com aquele gaussiano para o qual a soma dos módulos de desvios dos deciles é mínima, etc.
Ou eu não entendo nada da pergunta.
Eu só queria ver como você responderia a esta pergunta no caso hipotético em que você sabe com certeza que os dados são distribuídos exatamente de acordo com a distribuição padrão da Cauchy. Então, seria mais fácil responder também no caso de dados reais. Por exemplo, algo parecido com aquele gaussiano para o qual a soma dos módulos de desvios dos deciles é mínima, etc.
Ou eu não entendo nada da pergunta.
Alexey, como a analogia da distribuição Cauchy pode ser aplicada na prática?
Interessante pós-escrito, ele não chegou a
Eu só queria ver como você responderia a esta pergunta no caso hipotético em que você sabe com certeza que os dados são distribuídos exatamente de acordo com a distribuição padrão da Cauchy. Então, seria mais fácil responder também no caso de dados reais. Por exemplo, algo parecido com aquele gaussiano para o qual a soma dos módulos de desvios dos deciles é mínima, etc.
Ou eu não entendo nada da pergunta.
Bem, a habitual aproximação linear por MNC. Tomamos o gaussiano para o qual a soma dos quadrados de desvios é mínima.
A questão é que, no centro da distribuição, o valor dos desvios será, digamos, da ordem de 0,1. E nas caudas, digamos, da ordem de 0,01.
Isto é, a montagem ocorrerá principalmente em pontos do centro da distribuição.
E me parece que todos os pontos devem participar igualmente.
Para isto você pode tomar uma escala logarítmica no eixo vertical, ou em vez de desvios-diferenças tomar desvios parciais, ou seja, dividir uma distribuição por outra, e depois já aproximada.
Bem, a habitual aproximação linear por ANC. Tomamos o gaussiano para o qual a soma dos quadrados dos desvios é mínima.
A questão é que, no centro da distribuição, o valor dos desvios será, digamos, da ordem de 0,1. E nas caudas, digamos, da ordem de 0,01.
Isto é, a montagem ocorrerá principalmente em pontos do centro da distribuição.
E me parece que todos os pontos devem participar igualmente.
Para isso, pode-se tomar uma escala logarítmica no eixo vertical, ou tomar desvio-parcial em vez de desvio-diferenças, ou seja, dividir uma distribuição por outra, e depois já aproximar...
Há alguma razão para que a "participação" de pontos que ocorrem raramente deva ser a mesma que a de pontos próximos à mediana (centro) que ocorrem com muito mais freqüência? Por que essa amplificação de papéis na aproximação? Não sairia que "a cauda abana o cão"?
Na verdade, existem MNCs com pesos para controlar o papel de diferentes pontos. Por exemplo, estabeleça-os como valores inversos à função de densidade de probabilidade de distribuição normal e pronto. O principal é manter a soma dos pesos em 1. A propósito, o que é "aproximação linear por MNC" se não uma aproximação em linha reta?
Há alguma razão para que a "participação" de pontos que ocorrem raramente deva ser a mesma que aqueles próximos à mediana (centro), que ocorrem com muito mais freqüência? Por que um tal reforço do papel na aproximação? Não sairia que "a cauda abana o cão"?
Na verdade, existem MNCs com pesos para controlar o papel de diferentes pontos. Por exemplo, estabeleça-os como valores inversos à função de densidade de probabilidade de distribuição normal e pronto. O principal é manter a soma dos pesos em 1. A propósito, o que é um MNC "linear"?
1. É claro que há. Os rabos são de grande magnitude, afinal de contas. Aplicado ao mercado - perdas raras, mas grandes. Não é reforço de papéis, é compensação pela falta de papéis, resultando em dar papéis iguais a todos os pontos.
2. Sobre MNC com pesos que eu conheço. A questão não é a técnica de aproximação, mas sua ideologia.
3. Quando uma relação linear é assumida entre quantidades.
1. É claro que há. Afinal de contas, há caudas grandes. Aplicadas ao mercado, raras mas grandes perdas.
2. Eu sei sobre MNC com pesos. A questão não está na técnica de aproximação, mas em sua ideologia.
3. Quando uma relação linear é assumida entre valores.
1. esta não é mais uma abordagem probabilística. As caudas da distribuição de probabilidade significam casos pequenos e raros, enquanto os principais e significativos têm sua própria distribuição, diminuindo rapidamente em direção às bordas.
2. A pergunta era: "A propósito, Alexey e Vladimir, digam-me. Suponha que queremos aproximar alguns dados por distribuição normal.Cauda e meio de distribuição devem ter o mesmo peso em aproximação, suponho?" .
A resposta é não. Se modelamos o problema com métodos probabilísticos, então é claro que aqueles eventos que ocorrem mais freqüentemente do que outros são mais importantes, ou seja, mais prováveis. Isto é ideológico.
3. Causalidade linear, você quer dizer? O ISC se importa com o tipo de relacionamento que existe?
Bem, a habitual aproximação linear por ANC. Tomamos o gaussiano para o qual a soma dos quadrados dos desvios é mínima.
A questão é que, no centro da distribuição, o valor dos desvios será, digamos, da ordem de 0,1. E nas caudas, digamos, da ordem de 0,01.
Isto é, a montagem ocorrerá principalmente em pontos do centro da distribuição.
E me parece que todos os pontos devem participar igualmente.
Para fazer isso, pode-se tomar uma escala logarítmica no eixo vertical ou, em vez de desvios, tomar desvios parciais, ou seja, dividir uma distribuição por outra, e depois já aproximá-la.
Faz lembrar um pouco o teste de adequação de Pearson (qui-quadrado). Dê uma olhada em Kobzar no capítulo três. Só é necessário entender claramente a diferença entre a hipótese simples nula e a hipótese complexa, quando os parâmetros de distribuição são desconhecidos e são estimados a partir da amostra (por exemplo, minimizando a estatística qui-quadrada).
1. esta não é mais uma abordagem probabilística. Os rabos da distribuição de probabilidade referem-se a casos pequenos, raros, e os maiores, significativos, têm sua própria distribuição, diminuindo rapidamente em direção às bordas.
2. A pergunta era: "A propósito, Alexey e Vladimir, digam-me. Suponha que queremos aproximar alguns dados por distribuição normal.Cauda e meio de distribuição devem ter o mesmo peso em aproximação, suponho? ".
A resposta é não. Se modelamos o problema com métodos probabilísticos, então é claro que aqueles eventos que ocorrem mais freqüentemente do que outros são mais importantes, ou seja, mais prováveis. Isto é ideológico.
3. Causalidade linear, você quer dizer? O ISC se importa com o tipo de relacionamento que existe?
1. eles NÃO são insignificantes. Um desses casos "menores" poderia resultar na perda de tudo o que os "maiores" ganharam.
3. uma relação de correlação linear. MNC mesmo assim, linear eu chamei de aproximação, não MNC.
Algo que lembra o teste de adequação de Pearson (qui-quadrado). Ver Kobzar no capítulo 3. Só é necessário entender claramente a diferença entre o caso simples da hipótese nula e o caso complexo, quando os parâmetros de distribuição são desconhecidos e são estimados a partir da amostra (por exemplo, minimizando a estatística qui-quadrado).
Bem, não há tarefa para estimar parâmetros de distribuição)