引文中的依赖性统计（信息论、相关和其他特征选择方法）。
好样的，阿列克谢，我没想到你会是那个让你的名字感到惊讶的人（看在上帝的份上原谅我，但我还是对我们论坛的平均成熟度有一个概念）。
很高兴你和我的方法差不多，降到相互信息I（）和以百分之一为单位的粗略估计。的确，我没有使用Kolmogorov-Smirnov检验。而且我花的时间不是几天，而是几个小时（有更多的数据，结论也更可靠）。И...我以一种稍微不同的方式将增量离散化。
我想，这对枢纽来说真的有点太陡了。他们只是IT人员，虽然非常聪明 :)(看看雪儿的 评论，她得到了评级+3，即最高评级）。
我有几个问题要问你--我稍后会亲自写信。在这里，我将暂时观察：突然会有其他有知识的人出现......。
阿列克谢，谢谢你...很高兴你欣赏它，事实上，在看了你的研究成果总结后，我终于燃起了这个想法。
当然，研究的一些具体内容可以改变。我自己长期以来一直在思考如何更好地将数值离散化，并止步于四舍五入这样一个简单的方法。
而且我也已经为欧元兑美元的H1做了分析。从Alpari那里得到了10年（64500条）的报价。在这里，它是。
我还用箭头标记了每周的滞后情况：在我看来，它们在某种程度上很突出。
这就是这个系列的自相关函数的样子。
总而言之，你可以看到一个严格的24小时周期性。这也可以讨论。
顺便说一下，我把这里的增量也四舍五入到了10点（因为这样，数据的熵变成了大约2.5比特）。另外，我无法耕耘更多的变量，比如说在潜心研究一年的历史的情况下。Excel把电脑挂得很紧，吞噬了4GB的内存。身体上做不到，尽管这个想法肯定存在。
顺便说一下，卡方给出了大致相同的情况：随着滞后期的增加，每隔24个柱子就有一个体面的标准值峰值。
P.S. 我想强调的是，这里的ACF并不是由回报的数量来计算的，而是由过去的报价传递到零条的平均信息流。如果我们取一个特定的零条进行计算，流向它的信息将被不同地计算。
可以得出结论，在自然金融数据中（至少对于道琼斯指数而言），报价的增量之间存在着统计学上显著的任意关系。也就是说，这样的一系列数据不能被认为是随机的。从理论上讲，存在着预测这种系列的未来值的空间，例如，使用神经网络。
发现这种关系的事实可以用众所周知的事实来解释，即波动性取决于以前的数值。你甚至可以通过你的增量图用肉眼看到它。有一些理论模型可以描述波动率的依赖性--比如ARCH/GARCH。
这就是为什么24小时的周期会在一天内形成--外汇市场上的牛有固定的周期行为。
这只是与不同金融中心的开放和关闭时间有关。交易活动的变化。如果你用一枚硬币作为数据源））），那么它就会开始频繁地被抛出，然后同时减少。
此外，还有一个每周的波动周期，但它没有股票市场那么明显。只是每天都有5个的滞后性；)
因此，这不是一个预测报价变化方向的论据（这正是我们感兴趣的）。比较的对象应该是由真实的波动率产生的随机序列（例如，tick volume）。即在生成过程中对分布的依赖性。否则，很多统计学测试 恰恰确定了波动率的依赖性，而不是增量的方差
否则，很多统计测试都是准确地确定波动率的依赖性，而不是对增量的修正。
而这是正确的。我自己也是这样过来的，只是没有把我的想法都贴在这里。
顺便说一下，卡方给出了大致相同的情况：随着滞后期的增加，每隔24个柱子就有一个体面的标准值峰值。
P.S. 我想强调的是，这里的ACF并不是由回报的数量来计算的，而是由过去的报价传递到零条的平均信息流。如果我们取一个特定的零条进行计算，流向它的信息将被不同地计算。
是的，直方图是由相互信息的数值计算出来的，我只是把它拿出来确认周期性的想法。
有什么好讨论的呢？长期以来，盘面周期性是一个众所周知的事实。甚至有完全不懂数学，但懂市场的人也指出了这一点。此外，即使在特定交易大厅的交易时段内，也存在周期性。它本身并不接近于对应该做什么的理解。不过，可以从中提取一点优势。
我理解。我们应该采取一天或更长时间的时间框架。
下午好!
我决定稍微发展一下Alexey（Mathemat）在论坛的一个主题中触及的话题。
我试图用统计学方法搜索一种金融工具的报价中的依赖关系。首先，我采取了道琼斯工业指数，每日数据，并将一系列的系列转换为百分比增量的系列。
这篇文章实际上在这里： http://habrahabr.ru/blogs/data_mining/127394/
我想继续进行外汇报价，我将在这里公布结果。