Стохастический резонанс - страница 29
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Важно как индикатор "используется". Может и нет таких проблем.
По теме адаптивности индикаторов были статьи. Самое простое наложить на RSI Боллинджера. Простой статистический способ на основе СКО и без построения теоретических распределений.
Да ничего страшного, Yurixx, я тебе эту фразу и не приписываю. Ну а насчет скептического отношения к наворотам... у меня дома установлен Maple, иногда реально помогает, в том числе и в символьных вычислениях. Правда, я им давно не пользовался.
У меня стоял маткад, потом я поставил матлаб. Недавно установил нейрошелл2. Гда бы еще взять время разобраться во всем этом. А хочется ... Есть там некоторые вещи, с которыми разобраться очень хочется.
Поэтому, если без шуток, то мое скептическое отношение ограничивается скепсисом по части своих способностей осилить все, что хочется. Все эти вещи - замечательный багаж для применения уже разработанных и отточенных методов, теми, кому не надо вникать глубоко, кому нужен результат в числах. Если же говорить обо всех нас тут, то мы пытаемся создать что-то новое. Без глЫбокого проникновения это вряд ли возможно. Но ... на то и дедЫ, чтобы глубоко копать.
Важно как индикатор "используется". Может и нет таких проблем.
По теме адаптивности индикаторов были статьи. Самое простое наложить на RSI Боллинджера. Простой статистический способ на основе СКО и без построения теоретических распределений.
Без сомнения есть масса разных возможностей и методов. Значит ли это, что мы должны отказаться от того, чтобы делать что-то новое, в частности "теоретические распределения" ?
to Yurixx
Интересный вопрос возник у меня по ходу дела. Может быть кто-нибудь просветит, почему такой простой и удобный, обладающий хорошими свойствами вид функции распределения не используется в статистике ? А если используется, то почему об этом не пишут ? Ни разу не встречал, чтобы распределение типа приращений кто-нибудь пытался аппроксимировать иначе, чем логнормальным.
По сути работы у меня такое примечание: нужно уточнить, что речь на самом деле идёт о матожидании Ymin и Ymax . "Убойное" условие подсчёта минимального среднего по минимальным значениям ряда сглаживает это недостаток, но рождает другой - фактически речь идёт о вероятности выпадения подряд M минимальных (максимальных) значений ряда (почему и употреблено слово "убойное"). При N стремящемся к бесконечности вероятность такого события будет стремиться к 0. Совсем детально я выкладки не разбирал, но надо полагать при этом X1 устремится к 0 а X2 также к бесконечности. Вслед за ними туда же двинутся и Ymin и Ymax, первое явно видно по второй картинке, второе конечно ни в какой график не поместится. Это делает их ценность как нормировочных коэффициентов небесспорной, даже при достаточно медленном стремлении.
Нормировку я практикую достаточно давно, в том числе и для цен. ИМХО, самое естественное, использовать для неё доверительный интервал. То есть F(Ymax)=1-Delta, если на практике - строится реальное распределение Y при максимально доступном N и для выбранного Delta посредством сортировки находится Ymax. Время я не засекал, но для простых Y много его не потребуется.
to Yurixx
Кратко, но емко. Уж простите мое нездоровое природное любопытство, всегда же хочется разобраться, даже в том, что лично совершенно не нужно. :о)
to Yurixx
Кратко, но емко. Уж простите мое нездоровое природное любопытство, всегда же хочется разобраться, даже в том, что лично совершенно не нужно. :о)
За это я вас всех и люблю, человеки ! :-)
...Интересный вопрос возник у меня по ходу дела. Может быть кто-нибудь просветит, почему такой простой и удобный, обладающий хорошими свойствами вид функции распределения не используется в статистике ? А если используется, то почему об этом не пишут ? Ни разу не встречал, чтобы распределение типа приращений кто-нибудь пытался аппроксимировать иначе, чем логнормальным.
Юра, я не знаю ответа на этот вопрос.
Могу только предположить, что предложенное тобой распределение p(X)=A*(X^a)*exp(–B*(X^b)), является частным более общего случая (например, Обобщённого Экспоненциального Распределения p(X)=a/(2Г[1/a]*л*s)exp{-[(x-m)/л*sл*s]^a}, Булашев, стр.41), или те немногие, кто так же смог проникнуть в суть, сочли за благо промолчать и потихоньку стригут капусту на бескрайних Форполях:)
Зато у меня есть встречный вопрос!
Занимался я не так давно авторегрессивными моделями произвольного порядка (это когда ищется зависимость амплитуды текущего бара и его знака от суммы действий на него произвольного числа предыдущих баров). Задачу я эту решил, да так хорошо, что по виду модельного рядя нельзя было сказать настоящий это ряд или нет, если бы не одно НО - функция распределения (ФР) модельного ряда получалась далёкой от реальности. Я так и не смог найти причину расхождения. Интуитивно я чувствовал, что совпадение функций автокорреляций достаточно для совпадения ФР их первых разностей. Оказалось это не так... Есть что-то, что я не учитываю в моделировании поведения ряда остатков.
Что думаешь по этому вопросу?
Я тут вмешаюсь, Neutron. Я не профессионал в статистике, и поэтому пришлось задать вопрос на мехмате (lib.mexmat.ru). Это здесь: http://lib.mexmat.ru/forum/viewtopic.php?t=9102
Вопрос: какой информации о стационарном процессе достаточно для того, чтобы правильно его воспроизвести? Ответ был таким: надо знать ковариационную функцию и м.о. процесса. Как строить процесс с заданной ковариационной функцией, пока не знаю. Но по идее полученный процесс можно будет считать правильной реализацией исходного моделируемого. Может, твой процесс не был стационарным?
P.S. Хочу правдоподобно моделировать процесс остатков (returns). Согласно Петерсу, распределение остатков с приемлемой точностью является фрактальным, а процесс - стационарным. Хотя не исключены и другие модели...
Интересный вопрос возник у меня по ходу дела. Может быть кто-нибудь просветит, почему такой простой и удобный, обладающий хорошими свойствами вид функции распределения не используется в статистике ? А если используется, то почему об этом не пишут ? Ни разу не встречал, чтобы распределение типа приращений кто-нибудь пытался аппроксимировать иначе, чем логнормальным.
По сути работы у меня такое примечание: нужно уточнить, что речь на самом деле идёт о матожидании Ymin и Ymax . "Убойное" условие подсчёта минимального среднего по минимальным значениям ряда сглаживает это недостаток, но рождает другой - фактически речь идёт о вероятности выпадения подряд M минимальных (максимальных) значений ряда (почему и употреблено слово "убойное"). При N стремящемся к бесконечности вероятность такого события будет стремиться к 0. Совсем детально я выкладки не разбирал, но надо полагать при этом X1 устремится к 0 а X2 также к бесконечности. Вслед за ними туда же двинутся и Ymin и Ymax, первое явно видно по второй картинке, второе конечно ни в какой график не поместится. Это делает их ценность как нормировочных коэффициентов небесспорной, даже при достаточно медленном стремлении.
Нормировку я практикую достаточно давно, в том числе и для цен. ИМХО, самое естественное, использовать для неё доверительный интервал. То есть F(Ymax)=1-Delta, если на практике - строится реальное распределение Y при максимально доступном N и для выбранного Delta посредством сортировки находится Ymax. Время я не засекал, но для простых Y много его не потребуется.
Согласен со всеми замечаниями. И картинка поведения пределов при N -> туда совершенно правильная. Но.
Это не расчет пределов Ymin и Ymax, а только их статистическая оценка. Цель - нормировка диапазона, накладывает на точность задачи не слишком жесткие требования. Учитывая это считаю такие предположения (по сути - некорректные) вполне допустимыми. Вот если бы нужно было определить время вызода за границу, то ее пришлось бы определять значительно точнее.
Я действительно ограничился случаем конечного N, о чем и было сказано явно. Если даже Вы в своих расчетах используете максимально доступное, но конечное N, то и я имею на это право. :-)) Что с этим будет когда N достигнет бесконечности - неизвестно. Одно утешение - нас с Вами уже не будет. И форекса тоже.
Хочу обратить Ваше внимание на основную цель задачи. Дело не в расчете Ymin и Ymax как таковом. А в пересчете по данным исходного ряда данных ряда производного. Кроме того, Ваш метод пересчета нормировки произвольный, привязанный к тому историческому набору, на котором Вы это делаете. При переключении т/ф он может измениться с 2000 баров до, скажем 500000 баров. Достижение граници диапазона в первом случае ни о чем не говорит, а во втором говорит о многом. Мой метод можно обвинить в произволе только имея в виду модельную функцию распределения. Однако, если реальное, экспериментально построенное по "максимально доступному" количеству данных распределение хорошо аппроксимируется модельным, то в чем произвол ?