Rastgele yürüyüş hakkında bir şey söyle... - sayfa 24
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
pazarla ilgili olarak, muhtemelen görevi değiştirmek daha iyidir - ayrıca 1000 prenses olduğunu ve bir sonraki damadı gösterirken aynı anda seçtiklerini eklemek. İki gelin damadı beğendiyse, o zaman sadece yarısı olacaktır)) Gelin toplam 1 damat kazanır kazanmaz artık geline katılmaz. En iyi gelin stratejisi nedir? :)
Gelinler birbirlerinin stratejileriyle ilgilenmiyorsa sorun açıkça çözülmez))
Prens, prensesin poz verdiği (açıldığı) andan itibaren birikmiş kağıt kârıdır.
+ dur durak
Ve prenslerimizin bir taşıma bandında olduğu gibi damgalandığını hayal edersek (birisi ayrılır ayrılmaz kuyruğa bir yenisi eklenir), o zaman prensesin sürekli olarak sahip olma (veya en azından çaba gösterme) “arzusu”. Mevcut en iyi damat, risk analizi departmanlarındaki adamların görevine benzer.
Her şeyi anlamıyorsun.
Forex prensestir. Ona zaten "BU BU!" göründüğünde, seçimini yapar ve geri döner. :)
Öyledir, çünkü son ve belirleyici söz her zaman piyasadadır.
Bütün rezalet, eğer anlaşma bir damat olarak sunulursa, o zaman bir prenses olarak piyasada arka arkaya birkaç talip olabilir. dahil görev koşulları oldukça farklıdır.
Yine de, koşulu orijinal göreve mümkün olduğunca yakın bir değişkende neden uygulamak istemediğimizi gerçekten anlamıyorum?
Birbiri ardına gelen 1000 fiyat okumamız var, maksimum olasılıkla m=10 maksimumdan birini seçmeniz gerekiyor. Görev temelde çözülebilir, bunun için gerekli ve yeterli koşul, koşullu olsa bile (alıntıların bağımlı olduğunu düşünürsek) aşağıdaki alıntıların her bir an için olasılık dağılımını bilmektir. Ve bu soru oldukça çözülebilir, bilinen formu verilen koşullu dağılım parametrelerinin tahmini tamamen standart bir iştir.
Ayrıca, yöntem makalede ayrıntılı olarak açıklanmaktadır, ancak hesaplamalar daha zor olacaktır ... ancak bunları formülleri yığmadan sayısal olarak gerçekleştirmelerini kim engelliyor?
Buradaki sorun bunda çok fazla değil, sorunu "karlı" bir düzeyde çözmenin temel olasılığında, çünkü sonucu pratikte kullanmak için segmentin hem maksimum hem de minimumunu almamız gerekiyor. %50'den fazla bir olasılıkla, yani. Pmax*Pmin>=0.5 olmalıdır, bu nedenle Pmax ve Pmin>=0.7071, yani m'yi maksimum-minimum tahmininin %71'inden daha kötü olmayacak şekilde seçmek gerekir, ki bu pratik olarak gerçekleştirilemez olabilir.
Ancak genel olarak, bence, bu ortamdaki sorun yakın ilgiyi hak ediyor. Muhtemelen yine de yapacağım.
Yine de, koşulu orijinal göreve mümkün olduğunca yakın bir değişkende neden uygulamak istemediğimizi gerçekten anlamıyorum?
Birbiri ardına gelen 1000 fiyat okumamız var, maksimum olasılıkla m=10 maksimumdan birini seçmeniz gerekiyor. Görev temelde çözülebilir, bunun için gerekli ve yeterli koşul, koşullu olsa bile (alıntıların bağımlı olduğunu düşünürsek) aşağıdaki alıntıların her bir an için olasılık dağılımını bilmektir. Ve bu soru oldukça çözülebilir, bilinen şekli verilen koşullu dağılım parametrelerinin tahmini tamamen standart bir iştir.
Ayrıca, yöntem makalede ayrıntılı olarak açıklanmaktadır, ancak hesaplamalar daha zor olacaktır ... ancak bunları formülleri yığmadan sayısal olarak gerçekleştirmelerini kim engelliyor?
Buradaki sorun bunda çok değil, sorunu "karlı" düzeyde çözmenin temel olasılığında, çünkü sonucu pratikte kullanabilmek için segmentin hem maksimumunu hem de minimumunu almamız gerekiyor. %50'den fazla bir olasılık, yani. Pmax*Pmin>=0.5 olmalıdır, bu nedenle Pmax ve Pmin>=0.7071, yani m'yi maksimum-minimum tahmininin %71'inden daha kötü olmayacak şekilde seçmek gerekir, ki bu pratik olarak gerçekleştirilemez olabilir.
Ancak genel olarak, bence, bu ortamdaki sorun yakın ilgiyi hak ediyor. Muhtemelen yine de yapacağım.
Gelecekteki koşullu dağılımın türünü ve parametrelerini bilirsek, bu kazanmamız için yeterli değil mi? Bunu nasıl anlarız veya nasıl anlarız?
Yeterli değil. Bağımlılığın varlığı koşullu dağılım beklentisinin sıfırdan farklı olacağı anlamına gelmez. Ayrıca, bu konuyu derinlemesine araştırdığım kadarıyla size söyleyeceğim, koşullu dağılımların MO'su tam olarak 0 veya en az 3 barlık bir bağımlılık derinliği için buna çok yakın. Bu nedenle, istatistiksel bağımlılığın ana içeriği, önceki alıntıların sonrakilerin varyansı üzerindeki etkisidir.
Durumun parametrelerini almak oldukça basittir. W(x0/x1) = (a0+a1*x1)/2 * exp{-(a0+a1*x1) biçiminde önceki x1'e bağlı olarak fark serisinin mevcut değeri x0'ın koşullu yoğunluğunu ararız. *|x0|} - bu , önceki teklife doğrusal olarak bağımlı değişken parametreli dağıtımdır. Durum böyleydi, bu fonksiyonun türünü araştırdım ve bu gösterim şeklinin piyasaya çok uygun olduğunu söyleyebilirim. Peki, o zaman - a0 ve a1 parametrelerini mevcut seriye göre bilinen herhangi bir yöntemle ayarlıyoruz ve kullanıyoruz.
Yeterli değil. Bağımlılığın varlığı koşullu dağılım beklentisinin sıfırdan farklı olacağı anlamına gelmez. Ayrıca, bu konuyu derinlemesine araştırdığım kadarıyla size söyleyeceğim, koşullu dağılımların MO'su tam olarak 0 veya en az 3 barlık bir bağımlılık derinliği için buna çok yakın. Bu nedenle, istatistiksel bağımlılığın ana içeriği, önceki alıntıların sonrakilerin varyansı üzerindeki etkisidir.
Durumun parametrelerini almak oldukça basittir. W(x0/x1) = (a0+a1*x1)/2 * exp{-(a0+a1*x1) biçiminde önceki x1'e bağlı olarak fark serisinin mevcut değeri x0'ın koşullu yoğunluğunu ararız. *|x0|} - bu, önceki teklife doğrusal olarak bağımlı değişken parametreli dağıtımdır. Durum böyleydi, bu fonksiyonun türünü araştırdım ve bu gösterim şeklinin piyasaya çok uygun olduğunu söyleyebilirim. Peki, o zaman - a0 ve a1 parametrelerini mevcut seriye göre bilinen herhangi bir yöntemle ayarlıyoruz ve kullanıyoruz.
ancak dağılım, süreç hakkındaki ilk verilere ve bilgilere bağlıdır. Onlar. Bilinen bağımlılıkları araştırdınız ve oynaklık belleğinde çeşitli etkiler buldunuz ve bundan varyansın koşullu dağılımlarını oluşturabilirsiniz. Bu modele göre, büyük bir veri grubunda mo=0. Ancak bu, artışlar yönünde gerçekten bir bellek olmadığı anlamına gelmez, yalnızca artışların büyüklüğünde hafıza vardır. Bu nedenle, prenslerin gelini ziyaret etmesi ve önce daha kötü olanların gitmesi, sonra daha iyi olanların gitmesi tesadüf değildir)) Veya rastgele olmayan başka bir sırayla. Ve bu gerçek tüm kartları karıştıracak. Plan, şehzadeler şans eseri girerlerse, onların iyiliklerine ve kendilerinden öncekilerin iyiliklerine bakmaksızın işler. Tabii sadece tip bağımlılıkları varsa, çok iyi bir prensi çok iyi veya çok kötü bir prens takip edecek (değer bağımlılıkları), o zaman evet, bu bağımlılıkların tipi dikkate alınarak sorun çözülebilir.
ancak dağılım, süreç hakkındaki ilk verilere ve bilgilere bağlıdır. Onlar. Bilinen bağımlılıkları araştırdınız ve oynaklık belleğinde çeşitli etkiler buldunuz ve bundan varyansın koşullu dağılımlarını oluşturabilirsiniz. Bu modele göre, büyük bir veri grubunda mo=0. Ancak bu, artış yönünde gerçekten bir bellek olmadığı anlamına gelmez, yalnızca artışların büyüklüğünde hafıza vardır. Bu nedenle, prenslerin gelini ziyaret etmesi ve önce daha kötü olanların gitmesi, sonra daha iyi olanların gitmesi tesadüf değildir)) Veya rastgele olmayan başka bir sırayla. Ve bu gerçek tüm kartları karıştıracak. Plan, şehzadeler şans eseri girerlerse, onların iyiliklerine ve kendilerinden öncekilerin iyiliklerine bakmaksızın işler. Tabii sadece tip bağımlılıkları varsa, çok iyi bir prensi çok iyi veya çok kötü bir prens takip edecek (değer bağımlılıkları), o zaman evet, bu bağımlılıkların tipi dikkate alınarak sorun çözülebilir.
Tüm bağımlılıkları bildiğimi söylemiyorum, ancak bazılarını biliyorum ve onların yardımıyla olasılıkları tahmin edebilirim. Bildiğim kadarıyla, a0 ve a1 parametreleri, dakika grafiğinde birkaç saatlik bir periyotla çok yavaş yüzer ve oldukça dar bir aralıkta dalgalanır, böylece hesaplanabilir ve kullanılabilirler.
Bağımlı olmak, prenslerin tesadüfen gelmediği anlamına gelmez. Örneğin şöyle olabilir: “Kötü” bir prensin ardından “biraz daha iyi” bir prensin girme olasılığı, “çok daha iyi” bir prensin girme olasılığından biraz daha yüksektir, yani. bu durumda, bir miktar pozitif otokorelasyon vardır ("çok daha iyi" ve "biraz daha iyi" olma olasılığının aynı olduğu klasik şemanın aksine). Bu tip bağımlılıklar devrenin performansını etkilemez.
..."kötü" bir prensten sonra "biraz daha iyi" birinin girme olasılığı, "çok daha iyi" birinin girme olasılığından biraz daha yüksektir, yani. bu durumda, bir miktar pozitif otokorelasyon vardır ("çok daha iyi" ve "biraz daha iyi" olma olasılığının aynı olduğu klasik şemanın aksine). Bu tip bağımlılıklar devrenin performansını etkilemez.
Ve burada etkiliyorlar. Bu "biraz pozitif" bir korelasyon değil, birliğe yakın ve çok büyük bir gecikme alanı üzerinde.