为偶遇的流浪者说句好话......。 - 页 24

[Avals]

也许改变市场的任务会更好--增加也有1000个公主，她们在同一时间选择下一个新郎的时候。如果有两位新娘喜欢新郎，他就只做其中的一半））。一旦新娘总共有了1个新郎，她就不再参加表演了。新娘的最佳策略是什么？:)

如果新娘们对对方的策略不感兴趣，问题显然是无法解决的。))

[GaryKa]

Mathemat:

王子是指从公主殿下摆出姿势（打开）时积累的纸面利润。

+一百五十

而如果我们想象一下，王子们就像在流水线上盖章一样（只要有人死掉，就会有新的人加入队列），那么公主不断拥有（或至少争取）最好的新郎的 "愿望 "就类似于风险分析部门所解决的任务。

[Yury Reshetov]

MetaDriver:

你完全搞错了。

外汇是一个公主。 当她认为自己已经 "他在那里！"时，她做出了选择并转身回去。:)

事情就是这样，因为市场总是拥有最后的决定权。

整个丑陋的事情是，如果交易是以新郎的身份出现的，那么市场上也可以连续出现几个新郎作为公主。问题的条件是相当不同的。

[Alexey Subbotin]

不过，我还是不太明白，为什么我们不希望应用的条件尽可能地接近原始问题？

我们有1000个价格读数，这些读数一个接一个，我们需要在其中选择一个，比如说，m=10个最大的读数，而且概率最大。这个问题从根本上说是可以解决的，它的必要和充分条件是知道每个时刻的下一个报价的概率分布，尽管是任意的（如果我们假设报价是依赖的）。而这个问题很容易解决，当条件分布的形式已知时，估计条件分布的参数是一个相当标准的任务。

该方法在文章中作了进一步描述，只是计算将更加复杂...但谁能阻止他们用数字来做，不堆砌公式？

这里的问题不在于此，而在于在 "利润 "层面解决问题的根本可能性，因为为了在实践中使用这个结果，我们需要在区间的最大和最小处都得到超过50%的概率，即。即Pmax*Pmin>=0.5，其中Pmax和Pmin>=0.7071，即有必要以这样的方式选择m，以提供不差于71%的最大-最小值的猜测，这实际上可能是不可实现的。

但总的来说，在我看来，这一表述中的问题值得密切关注。我可能还是会这么做。

[Avals]

alsu:

不过，我还是不太明白，为什么我们不希望应用的条件尽可能地接近原始问题？

我们有1000个价格读数，这些读数一个接一个，有必要以最大的概率选择其中的一个，例如，m=10个最大值。这个问题从根本上说是可以解决的，它的必要和充分条件是知道每个时刻的以下报价的概率分布，尽管是任意的（如果我们假设报价是依赖的）。这个问题很容易解决，对已知形式的条件分布的参数进行估计是一项相当标准的任务。

该方法在文章中做了详细描述，只是计算方法会更复杂...但谁能阻止我们用数字来做这些事情，而不用一堆公式呢？

这里的问题不在于此，而在于在 "有利可图 "层面解决问题的根本可能性，因为为了在实践中使用这个结果，我们必须在区间的最大和最小处获得超过50%的概率，即。即必须是Pmax*Pmin>=0.5，其中Pmax和Pmin>=0.7071，也就是说，有必要以这样的方式选择m，以提供不差于71%的最大-最小值的猜测，这可能变成实际上无法实现的。

但总的来说，在我看来，这一表述中的问题值得密切关注。也许，我终究会这样做。

如果我们知道未来条件分布的类型和参数，是不是已经足够赚钱了？我们如何知道这一点，或者说我们如何得到它？

[Alexey Subbotin]

Avals:
如果我们知道未来条件分布的类型和参数，不是已经足够赚钱了吗？我们如何知道这一点，或者说我们如何获得它？

不够。依赖性的存在并不意味着条件分布的期望值会与零不同。此外，我要告诉你，就我深入研究而言，条件分布的MO正好是0或非常接近它的依赖深度，至少是3条。因此，统计依赖性的主要内容是以前的报价对后来的报价的方差的影响。

我们可以很简单地得到条件参数。差分序列的当前值x0取决于之前的x1的条件密度被寻求为W(x0/x1)=(a0+a1*x1)/2 * exp{-(a0+a1*x1)*|x0|}-它是一个 指数分布，变量线性地取决于之前的报价。我一直在调查这种功能的形式，我可以说，这种写作形式非常符合市场。然后我们通过任何已知的方法将参数a0和a1调整为当前的系列，并使用它们。

[Avals]

alsu:

不够。依赖性的存在并不意味着条件分布的期望值会与零不同。此外，我要告诉你，就我深入研究而言，条件分布的MO正好是0或非常接近它的依赖深度，至少是3条。因此，统计依赖性的主要内容是以前的报价对后来的报价的方差的影响。

我们可以很简单地得到条件参数。差分序列的当前值x0取决于之前的x1的条件密度被寻求为W(x0/x1)=(a0+a1*x1)/2 * exp{-(a0+a1*x1)*|x0|}-它是一个指数分布，变量线性地取决于之前的报价。我一直在调查这种功能的形式，我可以说，这种写作形式非常符合市场。然后我们通过任何已知的方法将参数a0和a1调整为当前的系列，并使用它们。

但分布情况取决于输入数据和过程的知识。也就是说，你已经调查了已知的依赖关系，发现了波动率记忆中的各种影响，在此基础上你可以建立条件方差分布。基于这个模型mo=0的大型数据集合。但这并不意味着在增量的方向上真的没有记忆，只是在增量的大小上没有记忆。所以王子们很可能不会随机去找新娘，但那些更差的人和更好的人可能会先去））。或者以其他非随机的顺序。而这一事实会让所有的牌都感到困惑。如果王子们随意进去，不管他们的善意和在他们之前进去的人的善意，这个计划是可行的。当然，如果只有依赖关系，如非常好的王子后面会有非常好或非常坏的王子（价值依赖关系），那么是的，考虑到这些依赖关系的类型，问题就可以解决了

[Alexey Subbotin]

Avals:

但毕竟，分布取决于输入数据和过程的知识。也就是说，你已经调查了已知的依赖关系，并在波动性记忆中发现了不同的影响，由此你可以构建条件方差分布。基于这个模型mo=0的大型数据集合。但这并不意味着在增量的方向上真的没有记忆，只是在增量的大小上没有记忆。所以王子们很可能不会随机去找新娘，但那些更差的人和更好的人可能会先去））。或者以其他非随机的顺序。而这一事实会让所有的牌都感到困惑。如果王子们随意进去，不管他们的善意和在他们之前进去的人的善意，这个计划是可行的。当然，如果只有依赖关系，如非常好的王子后面会有非常好或非常坏的王子（价值依赖关系），那么是的，考虑到这些依赖关系的类型，问题就可以解决了

我不是说我知道_所有_的依赖关系，但我确实知道一些，并能用它们来估计概率。据我所知，参数a0和a1的浮动非常缓慢，在分钟图上有几个小时的周期，并且在相当窄的范围内波动，所以你可以计算和使用它们。

相关性的存在并不意味着王子们不是偶然进来的。例如，可能是 "稍好 "的王子在 "坏 "的王子之后到来的概率略高于 "好得多 "的王子到来的概率，即在这种情况下，存在一些正的自相关（与经典方案不同，在经典方案中，得到 "好得多 "和 "稍好 "的概率是一样的）。这种依赖性并不影响计划的性能。

[Alexey Burnakov]

alsu:

......一个 "稍好 "的王子在一个 "坏 "的王子之后进来的概率略高于一个 "好得多 "的王子进来的概率，即在这种情况下有一些正的自相关（与经典方案不同，在经典方案中得到 "好得多 "和 "稍好 "的概率相同）。这种依赖性并不影响计划的性能。

他们确实如此。这里的相关性不是 "一些正 "的相关性，而是接近于统一，而且是在一个非常大的滞后空间上。

[Alexey Subbotin]

alexeymosc:
而且有影响。这里的相关性不是 "一些正 "的相关性，而是接近于1，并且在一个非常大的滞后空间内。

我是指从原则-方法论角度的影响，而不是从结果的实际可实现性的角度。如果能够估计出概率，该算法就能发挥作用，而如何发挥作用--让它在交易中获利与否--是一个研究课题，我无法提前回答这个问题。