引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 16

新评论
 
而且我已经构思了进一步的研究（为有兴趣的人写，不是用公式化的语言骂人）。如果我们对波动率有依赖性（对H1的最近滞后期和周期性-24小时都有依赖性），那么为什么不对取模的收益率计算相同的相互信息（那将是纯波动率），然后从类似的（收益率为+-符号）中减去所得到的信息量。如果一切计算正确，那么我们就会在积压中出现标志依赖。这种情况已经可以与噪声时间序列 进行比较。
 
alexeymosc:
而且我已经构思了一个进一步的研究课程（为有兴趣的人写，而不是那些用公式语言骂人的人）。如果我们有波动性的依赖性（对最近的滞后期和周期性的依赖性--对H1来说是24小时），那么为什么不计算取模的回报的相同的相互信息（那将是纯粹的波动性），然后从类似的（回报是有+-符号的）中减去得到的信息量。如果一切计算正确，那么我们就会在积压中出现标志依赖。这种情况可以与噪声时间序列进行比较。

即使发现了一些非微不足道的东西，也会有一个正确应用公式的问题，最重要的是如何在实践中应用它。即兴趣是纯学术性的））））。
 
avatara:

但是，阿列克谢，你能不能更清楚地提出（使用你的表格）关于回报分布的什么假设与卡方估计相对应？

表面上看是 "棕色 "的，还是更酷的东西？

没有。在估计卡方关系时，没有发明关于分布的假设。事实证明，这是一个非参数化的标准。

 
Mathemat:

没有。用chi-squared估计依赖性时，没有对分布作出假设。所以它是一个非参数标准。

你说没有是什么意思？

你能写下要估计的依赖性吗？

也许在公式之后我就会明白了。或者你希望有一个均匀的 分布...

;)

 
Avals:

即使发现了一些非微不足道的东西，也始终存在着公式的正确应用问题，最重要的是如何在实践中应用它。即兴趣是纯学术性的））））。
我认为预测实验的结果是主要的标准。如果很明显，TI的统计数据有帮助，那么一切都很好。当然，为了正确应用公式，我现在正在阅读有关文章。
 
avatara: 你是什么意思，没有？

你能写下估计的依赖性吗？

也许在配方之后，我就会有感觉了。或者你希望有一个均匀的分布...

不，一点也不，我告诉你真相。Hypotheses non fingo.

你有没有试过应用价值独立的卡方标准？几个月前我自己也不知道怎么做，但我就是做了。试试吧，那里没有什么困难。找到某个州外机构的matstat手册并阅读它。方法描述得越简单、越清楚，你就会越快地理解它。

实际上，有几个卡方标准。但我说的是评估值的独立性的那个。这个标准并不是根据先验的给定分布来评估的。它只在给定的显著性水平（通常是0.95或0.99）下测试两个变量的独立性假设。显著性水平越接近于1，结论就越可靠。

该标准的思想基础是两个数量的联合概率的通常公式。关于手指：如果对于任何可接受的X1,Y1，P(X=x1 &&Y=y1)=P(X=x1)*P(Y=y1)，那么X和Y是独立的。反之亦然。而卡方计算，大致上是所有可能情况下偏离这一平等的加权和，并将其与某个边界值进行比较。如果得到的总和大于这个边界值，那么就不接受变量独立的假设（Null）。如果少于此数，则不拒绝 "空头假设"。

 
Mathemat:

完全没有，我跟你说的是实话。Hypotheses non fingo.

你有没有试过应用价值独立的卡方标准？几个月前我自己也不知道怎么做，但我就是做了。试试吧，那里没有什么困难。找到某个州外机构的matstat手册并阅读它。方法描述得越简单、越清楚，你就会越快地理解它。

事实上，有几个卡方的标准。但我说的是评估值的独立性的那个。它并不根据先验分布来评估独立性。它只测试在给定的显著性水平（通常是0.95或0.99）下两个值是独立的假设。显著性水平越接近于1，结论就越可靠。

该标准的思想基础是两个数量的联合概率的通常公式。关于手指：如果对于任何可接受的X1,Y1，P(X=x1 &&Y=y1)=P(X=x1)*P(Y=y1)，那么X和Y是独立的。反之亦然。而卡方计算，大致上是所有可能情况下偏离这一平等的加权和，并将其与某个边界值进行比较。如果得到的总和大于这个边界值，那么就可以接受数值的依赖性假设。如果较少，则不拒绝独立的假说。

别傻了...

有人问你关于分布的假设，你昨天刚学过这种方法。

我坚持不懈地想知道--什么是无效假设？他们是独立的吗？

 

零--"回报是独立的"。这一点都不好笑，真的!

没有关于我测试的分布的假设!这是另一个卡方。而且我只测试了依赖性!

如果你想检查分配情况，请便。它是拉普拉斯的，具有相当的准确性。

 
Mathemat:

零--"回报是独立的"。没有什么好笑的，真的!

没有关于我测试的分布的假设!这是另一个卡方。而且我只测试了依赖性!

如果你想测试分布，请便。它是拉普拉斯的，具有相当的准确性。

好的。

让我们来看看。

---

独立性的假设与均匀分布 或正态分布的假设相同吗？

这就是我想了解的情况。

然后再加上 "拉普拉斯式"，一切都说得通了。

 
alexeymosc:
而且我已经构思了进一步的研究课程（为有兴趣的人写，不是用公式化的语言骂人）。如果我们对波动率有依赖性（对最近的滞后期的依赖性以及对H1的周期性-24小时），那么为什么不对取模的收益率计算相同的相互信息（那将是纯波动率），然后从类似的（收益率为+-符号）中减去获得的信息量。如果一切计算正确，那么我们就会在积压中出现标志依赖。这种情况已经可以与噪声时间序列进行比较。

我可以用我自己的方式来表达吗？

因此，所选择的方法表明存在着依赖性。最明显的、合理的、肉眼可见的是每天的周期性波动。

因此，我研究的下一个逻辑步骤是尝试从数据中排除这种明显的、非常强烈的依赖关系，看看我们（你）的方法是否显示出其他依赖关系的存在。

作为一种排除法，我建议简单地将增量与日波动率曲线联系起来。

1...91011121314151617181920212223...74
新评论