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 8
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
İstediğin gibi yap. tavsiye veremem çünkü Kene işleminin özelliklerini bilmiyorum.
Gerçek bir kene sürecini taklit etmekle ilgili değil. Aksine, şimdilik ihtiyacım olan tek şey OHLC formundaki klasik normal dağılımlar. Kabaca söylemek gerekirse, görev, Açık = Kapat-1 ve Kapat = sqrt(N) ise Yüksek ve Düşük'ü belirlemektir, burada N, onay işareti sayısıdır.
Gerçek bir kene sürecini taklit etmekle ilgili değil. Aksine, şimdilik ihtiyacım olan tek şey OHLC formundaki klasik normal dağılımlar. Kabaca söylemek gerekirse, görev, Açık = Kapat-1 ve Kapat = sqrt(N) ise Yüksek ve Düşük'ü belirlemektir, burada N, onay işareti sayısıdır.
Hatırladığım kadarıyla rastgele seriler için mum gövdesinin uzunluğu |Close-Open| ortalama olarak, üst ve alt gölgelerin uzunluklarının toplamına eşittir. Bu nedenle Close'u sqrt(N) olarak modelledikten sonra üst gölgenin uzunluğunu |sqrt(N/4)| olarak modelliyoruz. ve benzer şekilde alt gölge. Tabii ki, bu simetrik sat (mo=0) değişkeninin bir çeşididir. Asimetrik için biraz farklı
Hatırladığım kadarıyla, rastgele seriler için mum gövdesinin uzunluğu |Close-Open| ortalama olarak, üst ve alt gölgelerin uzunluklarının toplamına eşittir. Bu nedenle Close'u sqrt(N) olarak modelledikten sonra üst gölgenin uzunluğunu |sqrt(N/4)| olarak modelliyoruz. ve benzer şekilde alt gölge. Tabii ki, bu simetrik sat (mo=0) değişkeninin bir çeşididir. Asimetrik için biraz farklı
hayır, bu yanlış olurdu. Çünkü mumun gövdesinin uzunluğu ve gölgelerin uzunluğu birbirine bağlıdır. Bu nedenle, analitik bir gölge dağılımı aramak yerine, kenelerden oldukça fazla mum üretmek ve daha sonra bu setten rastgele bir mum alarak yeni satırlar almak daha iyidir.
Neden daha kolay hale getirmeyeyim diye düşündüm: Üretilen dört değer alıyoruz: ilki Açık ve Düşük arasındaki fark olacak, ikinci ve üçüncülerin toplamı Düşük ve Yüksek arasındaki fark olacak, dördüncüsü ise Yüksek ve Yakın arasındaki fark:
Büyük miktarda veriyle Kapat, Açık ile yakınsar ve Yüksek-Düşük Aralık, segmentlerin boyutunun iki katı varyansa sahip olur (belirli bir varyansa sahip dört sayı).
Gerçek bir kene sürecini taklit etmekle ilgili değil. Aksine, şimdilik ihtiyacım olan tek şey OHLC formundaki klasik normal dağılımlar. Kabaca söylemek gerekirse, görev, Açık = Kapat-1 ve Kapat = sqrt(N) ise Yüksek ve Düşük'ü belirlemektir, burada N, onay işareti sayısıdır.
Bir zamanlar, uzun zaman önce, rastgele yapay alıntıların oluşturulmasıyla uğraştım. Aşağıdaki gibi yaptım - her dakika için 3 bağımsız rastgele değişken H, L ve dlt buldum - çubuk başına kayma. Onları Gauss'a göre (puan olarak) sıfır beklenti ve belirli bir varyansla buldum. Bu durumda elde edilen değer modulo olarak alınmıştır. Ayrıca, tesadüfen, 50/50 yer değiştirme yönü seçildi - sgn. Böylece, Kapat = Açık+sgn*dlt, Hg'yi bulmak için, (Aç, Kapat)'dan büyük olanı alın ve buna H ekleyin, Lw'yi bulmak için sırasıyla küçük olanı (Aç, Kapat)'dan ve L'yi ondan çıkarın. .
Tabii ki, alınan alıntıları gerçek olanlarla karşılaştırdım (sübjektif algı düzeyinde olsa da). Yapay alıntıların gerçek alıntılara "benzerliğini" belirleyen tek değerin önyargı dağılımı - dlt olmasına çok şaşırdım. Doğal alıntılara benzer olması için önyargı varyansının çok küçük olması gerekir, yani. dakika kaymalarının çoğu sıfıra eşittir. Aksi takdirde, sonuç süper değişken bir pazardı. Hg ve Lw dağılımları "tüylü" teklifin derecesini etkiledi Trendi taklit etmek için yön seçme olasılığını biraz değiştirdi - 49/51 - günlük olarak bakarsanız güçlü bir trend elde edildi.
Genel olarak, sonuç olarak, farklı modlar oluşturmak için çok basit bir model elde edildi - oldukça değişken bir eğilim gerekliydi - önyargı varyansını arttırdı ve yön olasılığını değiştirdi. Düşük volatiliteli bir daireye sahip olmak gerekiyordu - yer değiştirme dağılımı oldukça perişan hale getirildi ve yön 50/50 idi.
Neden daha kolay hale getirmeyeyim diye düşündüm: Üretilen dört değer alıyoruz: ilki Açık ve Düşük arasındaki fark olacak, ikinci ve üçüncülerin toplamı Düşük ve Yüksek arasındaki fark olacak, dördüncüsü ise Yüksek ve Yakın arasındaki fark:
Büyük miktarda veriyle Kapat, Açık ile yakınsar ve Yüksek-Düşük Aralık, segmentlerin boyutunun iki katı varyansa sahip olur (belirli bir varyansa sahip dört sayı).
...ama bu çok yavaş ve anlamsız bir yöntemdir.
O kadar yavaş değil, onu yakmak için zamanın olmayacak.
Bootsrap fikirleri uymuyor mu?
Bootsrap nedir?
O kadar yavaş değil, onu yakmak için zamanın olmayacak.
Ben ilgili bir sorum var
Aşağıdaki dağıtımların kapsamını anlamaya çalışmak:
Genelleştirilmiş Pareto Dağılımı ( GPD ) ve Aşırı Değer Dağılımı ( GEV )
Bu dağılımların birbirleriyle, normal dağılımla ve buna göre düzgün dağılımla ilişkisi nedir? Başka bir deyişle, anlattıkları olaylar gerçek hayatta nasıl gerçekleşebilir?
Bootsrap nedir?
Wiki'de var.
Buradaki fikir, örnekte bulunan parametrelerin olasılığına frekansların yakınsamasını elde edecek şekilde rastgele olarak mevcut örneği değiştirmektir.