Bernoulli Teoremi, Moivre-Laplace; Kolmogorov'un kriteri; Bernoulli şeması; Bayes formülü; Chebyshev eşitsizlikleri; Poisson dağıtım yasası; Fisher, Pearson, Student, Smirnov ve diğer teoremler, modeller, sade bir dilde, formüller olmadan. - sayfa 7

 
sever31 : "kuyruklar" nelerdir? Bu aykırı değerler, genel dağıtım modelini açıkça ortadan kaldırıyor mu?

Şey, bunun gibi bir şey, ama tam olarak değil. Evet, rastgele bir değişkenin ortalama değerinden çok farklı olan değerlerinden bahsediyoruz.

Genellikle kuyruklar kalın ve incedir. İşte kuyruğun çok gevşek bir tanımı: belirli bir sapmadan daha büyük bir sapma olasılığıdır.

Kuyruğun kalınlığı, fırlatmanın kendisinin büyüklüğü ile belirlenmez, yani. ortalamadan sapmalar, ancak bu kadar güçlü sapmaların olasılığı. Ne kadar yüksek olursa, kuyruk o kadar kalın olur.

Normal dağılımların genellikle ince kuyruklara sahip olduğu kabul edilir. Kuyrukları normalden daha ince olan herhangi bir pratik dağılım bilmiyorum.

Ve şimdi - kuyruğun daha da kesin bir tanımı. Ama önce, bir resim ve küçük bir giriş:

Bu ünlü bir çanın resmidir, yani. Gauss dağılımı. Burada çizilen eğri, dağılım yoğunluğunun (burada, normal) bir fonksiyonudur. Altta sigmalar çizilir - standart sapmalar. Sigma, bir dağılımın (herhangi bir şeyin) ne kadar dar veya geniş olduğunun bir ölçüsüdür.

Herhangi bir dağılım yoğunluğu fonksiyonunun altındaki alan (df, İngilizce literatürde - pdf, olasılık dağılım fonksiyonu) her zaman 1'e eşittir.

Herhangi bir f.p.r. negatif değildir. Bu aslında olasılığın her zaman negatif olmadığı gerçeğini yansıtır.

Rastgele bir değişkenin sigma ile iki sigma arasında (ortalamanın sağında) olma olasılığını bulmamız gerekiyorsa, "+ sigma" ve "+ dikey çizgileriyle sınırlanan bu eğrinin altındaki alanı bulmak yeterlidir. 2*sigma". Bunu şöyle ifade edelim: P(sigma <= X < 2*sigma). +1000*sigma'da bile bu fonksiyonun hala sıfıra eşit olmadığı unutulmamalıdır. Evet çok hızlı azalıyor (mathExp(-x^2) gibi), ama sıfıra dönmüyor.

Şimdi kuyruklara dönelim. Sağ kuyruk, sağ_kuyruk( X; X0 ) = P( X0 <= X < sonsuz ) işlevidir . Kuyruğun tam olarak X0'ın bir fonksiyonu olduğuna lütfen bir kez daha dikkat edin. X0 (sağda) ne kadar büyükse, fonksiyon genellikle o kadar küçüktür. Onlar. genellikle (her zaman değil ama asimptotik olarak her zaman) bu fonksiyon X0'dan azalıyor ve sıfıra doğru gidiyor.

Normal bir dağılım için, right_tail_normal( X; X0 ) ~ mathExp(-X0^2) veya benzer bir şey (hatırlamıyorum, bu temel olmayan bir işlev).

Ancak Laplace dağıtımı için (önceki mesajımdaki resimdeki fonksiyona bakın):


right_tail_laplace( X; X0) ~ matematikExp(-a*X0). Bunun, normal dağılımın kuyruğundan çok daha hızlı sıfırlanma eğiliminde olan başka bir fonksiyon olduğuna dikkat edin!

Ve işte bir tane daha - Cauchy dağılımı:


Onun için, right_tail_cauchy( X; X0 ) ~ 1 / X0. Bu fonksiyon, x arttıkça daha da yavaş bir şekilde sıfırlanma eğilimindedir.

Üç farklı işlev gördük right_tail( X; X0 ). Farklı pdf'lerin kuyrukları arasındaki gerçek fark, bu işlevin farklı pdf'ler için farklı bozulma oranlarıdır. Normal bir dağılım için, işlev çok hızlı bir şekilde azalır (ince kuyruklu), Laplacian için - oldukça hızlı, ancak birinciden sonsuz derecede daha hızlı (zaten şişman bir kuyruk), Cauchy için - her ikisinden de sonsuz derecede hızlı (çok şişman) kuyruk).

 
Mathemat :

Normal bir dağılımı göstermek için pek iyi bir fikir değil. Diyelim ki 10000'de süreci durdurmanın kesitte tam olarak normal dağılımı vereceğinden emin değilim. Ayrıca bu dağılım parametreleri sürekli değişmektedir.

Bu yerden, mümkünse, daha ayrıntılı olarak. Dürüst olmak gerekirse, yükselen zilin neden normal olmadığını anlamıyorum? Bunun anlamı, her çizginin bir parçacığın gezinmesinin bir yörüngesi olması, tüm parçacıkların aynı binom artış sürecine ve sonlu ve eşit sayıda adıma sahip olmasıdır, bu nedenle herhangi bir toplama işlemi, toplama ile aynı özelliklere sahiptir. Ayarlar nasıl değişebilir?
 
C-4 :
Bu yerden, mümkünse, daha ayrıntılı olarak. Dürüst olmak gerekirse, yükselen zilin neden normal olmadığını anlamıyorum? Mesele şu ki, her çizgi bir parçacığın gezinmesinin bir yörüngesidir, tüm parçacıklar aynı binom artış sürecine ve sonlu ve eşit sayıda adıma sahiptir, . Ayarlar nasıl değişebilir?

Tabii burada sizden de detayları istiyorum.

1. "tüm parçacıklar aynı binom artış sürecine sahiptir" - bunun ne anlama geldiğini açıklayın. Böyle bir işlemi ilk defa duyuyorum. Artış dağıtım işlevi nedir?

2. "bu nedenle, agreganın herhangi bir işlemi, agrega ile aynı özelliklere sahiptir" - bu da tamamen anlaşılmaz ve hiç matematiksel değil.

Tüm bu yörüngeler kümesinin bir "bölümünü" apsis üzerine çizersek, diyelim ki 10000, o zaman her yörünge orada bir noktayı işaretleyecektir. Tüm bu noktaların tam olarak normal yasaya göre dağıtıldığından nasıl emin olabilirsiniz?

 
Mathemat :

Tüm bu yörüngeler kümesinin bir "bölümünü" apsis üzerine çizersek, diyelim ki 10000, o zaman her yörünge orada bir noktayı işaretleyecektir. Tüm bu noktaların tam olarak normal yasaya göre dağıtıldığından nasıl emin olabilirsiniz?


Merkezi Limit Teoremi. Dikkate alınan rastgele değişken, çok sayıda (10000) bağımsız rastgele değişkenin toplamıdır; bu, dağılımının normale yakın olduğu anlamına gelir.
 

1. "все частицы обладают одним и тем же биноминальным процесоом приращения" - поясните, что это означает. Я впервые слышу о таком процессе. Какова функция распределения приращений?

Belki de kendimi net ifade edemedim. Bu, sırasıyla ayrık rastgele değişkenlerin birikiminden elde edilen anlamına geliyordu : -1 ve +1.

Tüm bu yörüngeler kümesinin bir "bölümünü" apsis üzerine çizersek, diyelim ki 10000, o zaman her yörünge orada bir noktayı işaretleyecektir. Tüm bu noktaların tam olarak normal yasaya göre dağıtıldığından nasıl emin olabilirsiniz?

Şimdi, her biri aynı RMS'ye ve aynı sayıda 10.000 adıma sahipse, bu noktaların neden anormal şekilde dağıtılabileceğini anlamıyorum? Bir deney kurmamız ve bir olasılık isabet grafiği oluşturmamız gerekiyor, bahse girerim, zilin tepesi sıfırdayken normal olacaktır.

 

İkna, Avals .

Sende hata buldum, C-4 . Doğru, " binom artış süreci" hakkında bir şey anlamadım. Sonlu m ile bir yasaya göre dağıtılan artışları kastettiğinizi varsayacağız. ve dispersiyon.

 
Araştırmamın bir parçası olarak rastgele bir OHLC hisse grafiği oluşturmam gerekiyordu. Döndürme söz konusu olduğunda, her şey basit görünüyor: verilen MO ve varyans sınırları dahilinde rasgele sayılar üretiyoruz (Excel böyle bir şey yapmanıza izin veriyor), ancak işte aynı getirilerden OHLC tipi grafikler nasıl oluşturulacağı, işte bu soru. Zorluk, Açık ve Kapalı'ya göre normal Yüksek ve Düşük aralığını tam olarak belirlemektir. Bu nedenle, uzmanlardan iadelerden OHLC'nin nasıl düzgün bir şekilde yapılacağını önermelerini istiyorum. Elbette, her bir işareti rastgele oluşturabilir ve kene geçmişinden OHLC mumlarını "toplayabilirsiniz", ancak bu çok yavaş ve anlamsız bir yöntemdir.
 
C-4 : Elbette her tiki rastgele üretebilir ve tik geçmişinden OHLC mumlarını "toplayabilirsiniz", ancak bu çok yavaş ve anlamsız bir yöntemdir.
Ama çok doğru çünkü. birkaç keyfi parametrenin girilmesini gerektirmez. Ama kene sürecinin istatistiksel özelliklerini bilme ihtiyacını ortadan kaldırmıyor :) Ve bir anlamda Wiener'inkine de benzemiyor. Örneğin, standart Wiener'den önemli ölçüde daha reaktiftir.
 

Evet gerçekten çok doğru. Ama sorun hız. Sadece C# + WealthLab'da yazıyorum - ve bu çok yavaş bir grup. Her biri 3000 tik içeren 100 çubuk oluşturmaya çalıştım, sonunda 8-10 saniye sürdü. Ve en az 500.000 bar ve tercihen 3-4 milyon (yaklaşık 10 yıllık bir dakikalık geçmiş) üretmem gerekiyor.

Formülün girişine dispersiyon, MO, kene sayısının beslenmesi ve çıkışın bir OHLC çubuğuna sahip olması gerektiği görülebilir. Bunun gibi bir şey.

İlk yaklaşım olarak, görevi basitleştirelim: tamamen "normal" OHLC'ler üreteceğiz. Klasik bir norm olsun. dağıtım. Başka bir şey de, bu formüle dayalı olarak gerçek piyasa dağılımına yakın bir dağılım oluşturmak istiyorum, örneğin, araçların gerçek oynaklığını alıp buna dayalı rastgele bir OHLC oluşturun.

 
İstediğin gibi yap. tavsiye veremem çünkü Kene işleminin özelliklerini bilmiyorum.