stokastik rezonans - sayfa 29
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Göstergenin nasıl "kullanıldığı" önemlidir. Belki böyle sorunlar yoktur.
Göstergelerin uyarlanabilirliği konusunda makaleler vardı. En basiti Bollinger RSI'ye empoze etmektir. Standart sapmaya dayalı ve teorik dağılımlar oluşturmadan basit bir istatistiksel yöntem.
Evet, sorun değil Yurixx , bu sözü sana atfetmiyorum. Eh, çan ve ıslıklara karşı şüpheci tutuma gelince ... Evde Maple kurdum, bazen sembolik hesaplamalar da dahil olmak üzere gerçekten yardımcı oluyor. Açıkçası uzun zamandır kullanmıyorum.
Bir matcad'im vardı, sonra matlab kurdum. En son yüklenen neuroshell2. Her şeyi anlamak için başka nereye zaman ayırabilirsin? Ama ben... Orada gerçekten uğraşmak istediğim bazı şeyler var.
Bu nedenle, eğer şakalar olmadan, o zaman şüpheciliğim, istediğim her şeye hakim olma yeteneğim açısından şüphecilikle sınırlıdır. Bütün bunlar, derinlemesine araştırma ihtiyacı duymayanlar, sayılarla sonuca ihtiyaç duyanlar tarafından halihazırda geliştirilmiş ve rafine edilmiş yöntemlerin uygulanması için harika bagajlardır. Burada hepimizden bahsedersek, o zaman yeni bir şey yaratmaya çalışıyoruz. Derin penetrasyon olmadan, bu pek mümkün değildir. Ama ... dedeler bunun içindir, derinlere inmek.
Göstergenin nasıl "kullanıldığı" önemlidir. Belki böyle sorunlar yoktur.
Göstergelerin uyarlanabilirliği konusunda makaleler vardı. En basiti Bollinger RSI'ye empoze etmektir. Standart sapmaya dayalı ve teorik dağılımlar oluşturmadan basit bir istatistiksel yöntem.
Şüphesiz, birçok farklı olasılık ve yöntem vardır. Bu, özellikle "teorik dağılımlar" olmak üzere yeni bir şey yapmayı bırakmamız gerektiği anlamına mı geliyor?
Yurixx'e
Yolda aklıma ilginç bir soru geldi. Belki birileri neden istatistiklerde iyi özelliklere sahip bu kadar basit ve kullanışlı bir dağıtım fonksiyonunun kullanılmadığını aydınlatır? Ve kullanılıyorsa, neden yazılmıyor? Lognormal dışında artımlı bir dağılıma yaklaşmaya çalışan birini hiç görmedim.
Aslına bakarsanız elimde şu not var: Aslında Ymin ve Ymax beklentisinden bahsettiğimizi netleştirmem gerekiyor. Serinin minimum değerleri üzerinden minimum ortalamayı hesaplamak için "ölümcül" koşul bu dezavantajı düzeltir, ancak bir başkasına yol açar - aslında, M minimum (maksimum) değerlerinin olasılığından bahsediyoruz. ardı ardına düşen dizi (bu yüzden "katil" kelimesi kullanılır). N sonsuza eğilim gösterdiğinde, böyle bir olayın olasılığı 0'a yönelecektir. Hesaplamaları tam olarak analiz etmedim, ancak X1'in 0'a ve X2'nin de sonsuza yöneleceğini varsaymalıyım. Onları takiben Ymin ve Ymax da oraya hareket edecek, birincisi ikinci resimde açıkça görülüyor, ikincisi elbette hiçbir grafiğe sığmayacak. Bu, oldukça yavaş bir aspirasyonda bile, normalizasyon katsayıları olarak değerlerini tartışılmaz kılar.
Fiyatlar da dahil olmak üzere uzun süredir normalleştirme uyguluyorum. IMHO, en doğal şey bunun için bir güven aralığı kullanmaktır. Yani, F(Ymax)=1-Delta, eğer pratikte - mevcut maksimum N ile gerçek bir Y dağılımı oluşturulur ve seçilen Delta için sıralama yapılarak Ymax bulunur. Zamanlamadım, ama basit Y'ler için fazla sürmeyecek.
Yurixx'e
Kısaca ama kısaca. Sağlıksız doğal merakımı bağışlayın, ancak kişisel olarak tamamen gereksiz olanı bile her zaman anlamak istersiniz. :hakkında)
Yurixx'e
Kısaca ama kısaca. Sağlıksız doğal merakımı bağışlayın, ancak kişisel olarak tamamen gereksiz olanı bile her zaman anlamak istersiniz. :hakkında)
Bu yüzden hepinizi seviyorum millet! :-)
... Yol boyunca aklımda ilginç bir soru belirdi. Belki birileri neden istatistiklerde iyi özelliklere sahip bu kadar basit ve kullanışlı bir dağıtım fonksiyonunun kullanılmadığını aydınlatır? Ve eğer kullanılıyorsa, neden yazılmıyor? Lognormal dışında artımlı bir dağılıma yaklaşmaya çalışan birini hiç görmedim.
Yura, bu sorunun cevabını bilmiyorum.
Yalnızca önerdiğiniz dağılımın p(X)=A*(X^a)*exp(–B*(X^b)) daha genel bir durumun özel bir durumu olduğunu varsayabilirim (örneğin, Genelleştirilmiş Üstel Dağılım p(X)=a /(2Г[1/a]*l*s)exp{-[(xm)/l*sl*s]^a} , Bulashev, s. 41) özüne nüfuz edebilen, sessiz kalmayı ve sonsuz Forpoles üzerinde lahanayı yavaş yavaş kesmeyi iyi gördüler :)
Ama bir karşı sorum var!
Çok uzun zaman önce, keyfi bir düzenin otoregresif modelleriyle uğraştım (bu, mevcut çubuğun genliğinin ve üzerindeki işaretinin, üzerindeki keyfi sayıdaki önceki çubukların eylemlerinin toplamına bağımlılığı arandığında). Bu sorunu çözdüm ve o kadar iyi ki, model yelpazesinin görünümüyle bunun gerçek bir seri olup olmadığını söylemek imkansızdı, bir tanesi için olmasa da - model yelpazesinin dağıtım fonksiyonu (DF) ortaya çıktı. gerçeklikten uzak. Farklılığın nedenini bulamadım. Sezgisel olarak, otokorelasyon fonksiyonlarının çakışmasının, ilk farklılıklarının DF'sinin çakışması için yeterli olduğunu hissettim. Öyle olmadığı ortaya çıktı... Bir dizi kalıntının davranışını modellemede hesaba katmadığım bir şey var.
Bu konu hakkında ne düşünüyorsunuz?
Buraya müdahale edeceğim, Nötron . İstatistik konusunda profesyonel değilim ve bu yüzden mekhmat'ta ( lib.mexmat.ru ) bir soru sormak zorunda kaldım. Burada: http://lib.mexmat.ru/forum/viewtopic.php?t=9102
Soru: Durağan süreç hakkında hangi bilgiler onu doğru bir şekilde yeniden üretmek için yeterlidir? Cevap şuydu: kovaryans fonksiyonunu ve m.d.'yi bilmeniz gerekiyor. işlem. Belirli bir kovaryans işleviyle bir işlemin nasıl oluşturulacağını henüz bilmiyorum. Ancak teoride, ortaya çıkan süreç, orijinal modellenenin doğru uygulanması olarak kabul edilebilir. Belki süreciniz durağan değildi?
Not: Kalıntı (iade) sürecini gerçekçi bir şekilde simüle etmek istiyorum. Peters'e göre, kabul edilebilir doğrulukta artıkların dağılımı fraktaldır ve süreç durağandır. Diğer modeller hariç tutulmasa da ...
Aklımda ilginç bir soru belirdi. Belki birileri neden istatistiklerde iyi özelliklere sahip bu kadar basit ve kullanışlı bir dağıtım fonksiyonunun kullanılmadığını aydınlatır? Ve kullanılıyorsa, neden yazılmıyor? Lognormal dışında artımlı bir dağılıma yaklaşmaya çalışan birini hiç görmedim.
Aslına bakarsanız elimde şu not var: Aslında Ymin ve Ymax'ın beklentisinden bahsettiğimizi netleştirmem gerekiyor. Serinin minimum değerleri üzerinden minimum ortalamayı hesaplamak için "ölümcül" koşul bu dezavantajı düzeltir, ancak bir başkasına yol açar - aslında, M minimum (maksimum) değerlerinin olasılığından bahsediyoruz. ardı ardına düşen dizi (bu yüzden "katil" kelimesi kullanılır). N sonsuza eğilim gösterdiğinde, böyle bir olayın olasılığı 0'a yönelecektir. Hesaplamaları tam olarak analiz etmedim, ancak X1'in 0'a ve X2'nin de sonsuza yöneleceğini varsaymalıyım. Onları takiben Ymin ve Ymax da oraya hareket edecek, birincisi ikinci resimde açıkça görülüyor, ikincisi elbette hiçbir grafiğe sığmayacak. Bu, oldukça yavaş bir aspirasyonda bile, normalizasyon katsayıları olarak değerlerini tartışılmaz kılar.
Fiyatlar da dahil olmak üzere uzun süredir normalleştirme uyguluyorum. IMHO, en doğal şey bunun için bir güven aralığı kullanmaktır. Yani, F(Ymax)=1-Delta, eğer pratikte - mevcut maksimum N ile gerçek bir Y dağılımı oluşturulur ve seçilen Delta için sıralama yapılarak Ymax bulunur. Zamanlamadım, ama basit Y'ler için fazla sürmeyecek.
Tüm yorumlara katılıyorum. Ve N -> oradaki limitlerin davranışının resmi kesinlikle doğrudur. Ancak.
Bu, Ymin ve Ymax limitlerinin bir hesaplaması değil, sadece bunların istatistiksel bir değerlendirmesidir. Amaç, sorunun doğruluğu konusunda çok katı olmayan gereksinimler getiren aralığı normalleştirmektir. Bunu göz önünde bulundurarak, bu tür varsayımları (aslında - yanlış) oldukça kabul edilebilir buluyorum. Şimdi, yurtdışına çıkış zamanını belirlemek gerekirse, çok daha doğru bir şekilde belirlenmesi gerekirdi.
Kendimi gerçekten açıkça ifade edilen sonlu bir N durumuyla sınırladım. Hesaplarınızda mevcut maksimum, ancak sonlu N'yi kullansanız bile, o zaman bunu yapmaya hakkım var. :-)) N sonsuza ulaştığında buna ne olacağı bilinmiyor. Bir teselli - artık sizinle olmayacağız. Ve forex de.
Dikkatinizi görevin ana amacına çekmek istiyorum. Bu Ymin ve Ymax'ı kendi başına hesaplamakla ilgili değil. Ve türev serisinin orijinal veri serisinden gelen veriler açısından . Ek olarak, normalleştirme yeniden hesaplama yönteminiz, üzerinde yaptığınız tarihsel kümeye bağlı olarak keyfidir. t/f'yi değiştirirken, 2.000 bardan 500.000 bara kadar değişebilir. İlk durumda aralığın sınırına ulaşmak hiçbir şey söylemez, ikinci durumda ise çok şey söyler. Yöntemim, yalnızca model dağıtım işlevi göz önüne alındığında keyfi olmakla suçlanabilir. Bununla birlikte, "maksimum kullanılabilir" veri miktarından deneysel olarak oluşturulan gerçek dağılım, model bir tarafından iyi bir şekilde tahmin ediliyorsa, o zaman keyfilik nedir?