随机谐振 - 页 18 1...111213141516171819202122232425...38 新评论 Candid 2007.10.24 08:55 #171 Avals: 看起来这个CB的期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M)。 对于增量,我同意。 Avals 2007.10.24 08:56 #172 Mathemat: 阿瓦尔斯,如果我们具体讨论的是回报率(收盘价增量),那么,唉,这里也没有独立性:回报率不是按照正常规律分布的。这在彼得斯的书中有很好的描述,我在同一主题的第一页的某个地方给了一个链接。 我同意这一点,但这里原来的问题是,X是高斯分布。 "假设有一个正态分布的数量序列X..." Avals 2007.10.24 09:02 #173 lna01:阿瓦尔斯: 看起来这个SV的期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M)。 对于增量,我同意。 所以增量的总和也是正常的。而我所理解的问题是,考虑在一定的范围内找到这个总和,有一定的概率(置信区间)。 Candid 2007.10.24 09:41 #174 Avals: lna01: 阿瓦尔斯。 看起来这个SV的期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M)。 对于增量,我同意 所以增量的总和也是正常的。而在这个问题上,据我所知,有必要考虑在一定的范围内找到这个和,并有一定的概率(置信区间)。 因此,我们有结果的RMS S*sqrt(2) ?嗯... Avals 2007.10.24 09:52 #175 lna01: 阿瓦尔斯。 lna01: 阿瓦尔斯。 看起来这个SV的成熟度期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M) 对于增量,我同意 所以增量的总和也是正常的。而按照我的理解,这个问题是考虑在一定的范围内以一定的概率(置信区间)找到这个和。 因此,我们有结果的RMS S*sqrt(2) ?嗯... 这只是针对该平均数的增量。为了使价值本身保持在一定范围内,你必须看这些增量的总和。它的方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1是原始序列的方差 N是原始序列的长度,M是滑动窗口的长度。它是更容易和更可靠的montecarry :) Candid 2007.10.24 09:59 #176 Avals: lna01: 我们的最终有效值为S*sqrt(2) ?嗯... 这只是针对该平均数的增量。为了使数值本身保持在一定范围内,你必须看这些增量的总和。其方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1为原始序列的方差 N为原始序列长度,M为滑动窗口长度。它是更容易和更可靠的montecarry :) 对于N>M来说,它是差不多的。那么,由于它实际上是关于有效值期望的,N应该被视为等于无穷大 :) P.S. 对不起,我不注意,有一个错误,RMS不能趋于无穷大。你应该只取M增量的总和 P.P.S. S意味着sqrt(D1) Avals 2007.10.24 10:15 #177 lna01: 阿瓦尔斯。 lna01: 我们的最终有效值为S*sqrt(2) ?嗯... 这只是针对这个平均值的增量。为了使价值本身保持在一定的限度内,你必须看一下这些增量的总和。其方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1为原始序列的方差 N为原始序列长度,M为滑动窗口长度。它是更容易和更可靠的montecarry :) 对于N>M来说,它是差不多的。 同意。但在一些实际问题中,它可能是必不可少的。 Candid 2007.10.24 10:17 #178 我有时间完成了前文中的后记,有更正的地方 Yurixx 2007.10.24 10:20 #179 伙计们,感谢每个人的回应。你们的讨论也让我头脑清醒了。稍微有点。:-) 起始点是价格。当然,他就在那里。它的分布可能不正常。我写的是正态,因为很多东西都可以对它进行分析计算,而且真实的分布可以用正态分布来近似,有一定的准确性。 这项任务与预测或试图确定尾部事件的概率毫无关系。我一定让你失望了,唉。问题的发生是因为移动平均线有一个范围(没错,Sergey,这就是问题所在),这个范围很大程度上取决于M窗口的大小。 而我,根据我根深蒂固的习惯,想比较不同M的移动平均线,但我不能,因为它们的数值范围不同。为了将这些移动平均线归一到一个区间,你需要计算归一化系数,或者说,它对M的依赖性。 进一步拥有来自历史的统计数据,并构建了数字的分布函数,我们可以直接计算这个系数,或者用高斯近似分布函数,并通过分析来计算它。自然,绝对的精确性在这里并不重要。 重要的是,关系的性质是真实的,而不是基于模型的。 我能想到许多基于模型的 ... 2数学 我希望你现在明白,我们谈论的不是明确的界限,而是对因样本量不同而产生的价值差异的补偿。你说的一切我都同意,完全同意。:-) Avals 2007.10.24 10:29 #180 lna01: 阿瓦尔斯。 lna01: 我们的最终有效值为S*sqrt(2) ?嗯... 这只是针对这个平均值的增量。为了使价值本身保持在一定的限度内,你必须看一下这些增量的总和。其方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1为原始序列的方差 N为原始序列长度,M为滑动窗口长度。它是更容易和更可靠的montecarry :) P.S. 我的错,我不注意,有一个错误,RMS不能追求无限大。只取M增量的总和 随着N比M更快地趋向于无穷大,我们得到RMS趋向于无穷大,也就是说,实现可以随心所欲地偏离数学期望值*N的线路,这一点被arcinus法则所证实。 也就是说,一个无限大的增量系列的总和,作为一个SV,将有一个无限的有效值。 1...111213141516171819202122232425...38 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
看起来这个CB的期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M)。
阿瓦尔斯,如果我们具体讨论的是回报率(收盘价增量),那么,唉,这里也没有独立性:回报率不是按照正常规律分布的。这在彼得斯的书中有很好的描述,我在同一主题的第一页的某个地方给了一个链接。
我同意这一点,但这里原来的问题是,X是高斯分布。
"假设有一个正态分布的数量序列X..."
看起来这个SV的期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M)。
所以增量的总和也是正常的。而我所理解的问题是,考虑在一定的范围内找到这个总和,有一定的概率(置信区间)。
看起来这个SV的期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M)。
所以增量的总和也是正常的。而在这个问题上,据我所知,有必要考虑在一定的范围内找到这个和,并有一定的概率(置信区间)。
看起来这个SV的成熟度期望值=0,D=2*D1/M,RMS=sqrt(2*D1/M)
所以增量的总和也是正常的。而按照我的理解,这个问题是考虑在一定的范围内以一定的概率(置信区间)找到这个和。
这只是针对该平均数的增量。为了使价值本身保持在一定范围内,你必须看这些增量的总和。它的方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1是原始序列的方差 N是原始序列的长度,M是滑动窗口的长度。它是更容易和更可靠的montecarry :)
我们的最终有效值为S*sqrt(2) ?嗯...
这只是针对该平均数的增量。为了使数值本身保持在一定范围内,你必须看这些增量的总和。其方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1为原始序列的方差 N为原始序列长度,M为滑动窗口长度。它是更容易和更可靠的montecarry :)
P.S. 对不起,我不注意,有一个错误,RMS不能趋于无穷大。你应该只取M增量的总和
P.P.S. S意味着sqrt(D1)
我们的最终有效值为S*sqrt(2) ?嗯...
这只是针对这个平均值的增量。为了使价值本身保持在一定的限度内,你必须看一下这些增量的总和。其方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1为原始序列的方差 N为原始序列长度,M为滑动窗口长度。它是更容易和更可靠的montecarry :)
伙计们,感谢每个人的回应。你们的讨论也让我头脑清醒了。稍微有点。:-)
起始点是价格。当然,他就在那里。它的分布可能不正常。我写的是正态,因为很多东西都可以对它进行分析计算,而且真实的分布可以用正态分布来近似,有一定的准确性。
这项任务与预测或试图确定尾部事件的概率毫无关系。我一定让你失望了,唉。问题的发生是因为移动平均线有一个范围(没错,Sergey,这就是问题所在),这个范围很大程度上取决于M窗口的大小。 而我,根据我根深蒂固的习惯,想比较不同M的移动平均线,但我不能,因为它们的数值范围不同。为了将这些移动平均线归一到一个区间,你需要计算归一化系数,或者说,它对M的依赖性。
进一步拥有来自历史的统计数据,并构建了数字的分布函数,我们可以直接计算这个系数,或者用高斯近似分布函数,并通过分析来计算它。自然,绝对的精确性在这里并不重要。 重要的是,关系的性质是真实的,而不是基于模型的。 我能想到许多基于模型的 ...
2数学
我希望你现在明白,我们谈论的不是明确的界限,而是对因样本量不同而产生的价值差异的补偿。你说的一切我都同意,完全同意。:-)
我们的最终有效值为S*sqrt(2) ?嗯...
这只是针对这个平均值的增量。为了使价值本身保持在一定的限度内,你必须看一下这些增量的总和。其方差等于方差之和:Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M),其中D1为原始序列的方差 N为原始序列长度,M为滑动窗口长度。它是更容易和更可靠的montecarry :)
P.S. 我的错,我不注意,有一个错误,RMS不能追求无限大。只取M增量的总和
也就是说,一个无限大的增量系列的总和,作为一个SV,将有一个无限的有效值。