我想分享一下这个链接 - 页 2 12345678 新评论 Vasiliy Sokolov 2012.02.27 13:15 #11 我的观点是不同的。只是不值得花很多时间来证明EMH的不一致性--反正那里没有鱼。是的，有尾巴，是的，原因是对一捆信息的反应，而不是单个新闻故事。是的，现在已经科学地证明了这一点。但市场和以前一样不稳定，而且从中赚钱也没有变得更容易。 p.s. 嘿嘿，多看几篇这样的文章，你就会了解到分形统计学的思想，因果关系是其中的一个基石。 СанСаныч Фоменко 2012.02.27 14:04 #12 C-4:....你进入分形统计学的想法，因果关系是其中的一个基石。我对它很熟悉。我只是觉得与其他方法相比，它还不够发达。 只是不值得花很多时间来证明EMH的无效性--反正那里没有鱼。 我对证明什么都不感兴趣。这个想法是完全不同的。市场是不稳定的。这是一个既定事实。它不能被改变。但这并不意味着你应该闭上眼睛，希望有这样的机会。通常的科学方法是在我们理解的和可以咬掉的东西上咬一口。 Леонид 2012.02.27 16:55 #13 faa1947: толстые хвосты являются результатом памяти в котире. 这是一个众所周知的事实。 而且，如果我们对过去的数据有无限的访问（记忆），为什么我们还需要一个模糊的尾巴形式的记忆？ 如果只有尾巴能显示商数的未来行为，那么这将是非常宝贵的信息，因为我们不是在过去交易，而是在未来交易。 СанСаныч Фоменко 2012.02.28 06:22 #14 LeoV:这是一个众所周知的事实。而且，如果我们对过去的数据有无限的访问（记忆），为什么我们还需要一个模糊的尾巴形式的记忆？如果只有尾巴显示科蒂尔的未来行为，那么这将是非常宝贵的信息，因为我们不是在过去，而是在未来进行交易。 是的，你的地狱。只是抓着一切。 前几天看到一篇文章，利用分布规律 的变化来进行预测。这是一些不寻常的想法。 Alexey Subbotin 2012.02.28 07:11 #15 我来分享一下。 关于尾巴--有一个令人高兴的结果。让我解释一下计算的方法。 我们都知道，货币序列的第一差值是如何粗略分布的（大致上像exp(-a|x|)，或者这样）。我着手确定这种分布的哪些部分是 "外部信息的真正载体"，可以说是。我们所做的是这样的。让我们计算一些大的时间间隔内的RMS回报，对于每个商数，让我们计算它属于拉普拉斯分布与具有相同方差的正常分布的概率比。我就不赘述如何计算了，有维基百科。 当我们绘制似然比本身（或者说，它的对数）的分布时，出现了有趣的情况。 在图中，它被向右剪去了2，但理论上尾巴会到无穷大。因此，整个事情只是在1/2*ln(pi)的值上出现了一个急剧的悬崖。事实证明，一小部分的报价给了拉普拉斯一个截然不同的发生方式--一个比高斯分布更厚的尾巴。而这些报价是可以计算的。 似乎有可能根据这一事实有效地建立一个趋势平坦的分析器，并确定在当前栏上已经符合标准。好吧，或者至少有效地识别灾难并迅速做出反应。 СанСаныч Фоменко 2012.02.28 07:32 #16 alsu:我来分享一下。关于尾巴--有一个迷人的结果。让我解释一下计算的方法。我们都知道，货币序列的第一差值是如何粗略分布的（大致上像exp(-a|x|)，或者这样）。我着手确定这种分布的哪些部分是 "外部信息的真正载体"，可以说是。我们所做的是这样的。让我们计算一些大的时间间隔内的RMS回报，对于每个商数，让我们计算它属于拉普拉斯分布与具有相同方差的正常分布的概率比。我就不赘述如何计算了，有维基百科。当我们绘制似然比本身的分布（或者说，它的对数）时，有趣的事情发生了。在图中，它在2处被剪掉了，但理论上尾巴是到无限大的。因此，整个事情只是在1/2*ln(pi)的值上出现了一个急剧的悬崖。事实证明，一小部分的报价给了拉普拉斯一个截然不同的发生方式--一个比高斯分布更厚的尾巴。而这些报价是可以计算的。似乎有可能根据这一事实有效地建立一个趋势平坦的分析器，并确定在当前栏上已经符合标准。好吧，或者至少有效地识别灾难并迅速做出反应。非常有趣。 当我们谈论分布时，我们基于相当多的观察。在图表上，我看到一个数字是20,000。我同意，有那么多的观察结果，我们可以得出关于分布规律的 结论。但我们感兴趣的是，在当前的酒吧之后的酒吧。而在这里，观察的数量越多，可以得出的关于最后一根柱子的 "平均 "结论就越多。 有一个奇怪的数字是30。30岁之前，我们被认为是有t统计，30岁之后，如果我们对正常人群进行抽样，我们有z统计。 因此，问题是。假设这个小样本属于大样本，是否有可能在大样本上使用已确定的模式，在小样本上使用？ СанСаныч Фоменко 2012.02.28 07:40 #17 顺便说一下，从上面的链接中选择了一个尾巴 附加的文件： tail.zip 19 kb Alexey Subbotin 2012.02.28 10:09 #18 faa1947: 非常有趣。 当我们谈论一个分布时，我们把它建立在足够多的观察结果的基础上。在图表中，我看到一个数字是20,000。我同意，有那么多的观察结果，我们可以得出关于分布规律的结论。但我们感兴趣的是，在当前的酒吧之后的酒吧。在这里，观察的数量越多，就可以得出关于最后一根柱子的 "平均 "结论。 有一个奇怪的数字是30。在30岁之前，我们被称为有一个t统计量，而在30岁之后，如果样本和人口都是正常的，我们有一个z统计量。 因此，问题是。假设这个小样本属于大样本，是否有可能在大样本上使用已确定的模式，在小样本上使用？ 分布的性质并没有改变。顺便说一下，这项研究本身的出发点是，可能比的奇怪行为可以说是肉眼可见的。 Alexey Subbotin 2012.02.28 10:12 #19 顺便说一句，我顺便发现了这个案子的一个相当有趣的应用。如果一些任务是分析一个系列的一些 "滑动 "特征，那么如果我们把具有异常LR的条形图从考虑中删除，分析结果就会更加平滑。这使得它有可能更准确地估计模型参数，较少关注外部的影响。 Леонид 2012.02.28 10:19 #20 alsu: 事实证明，一小部分的报价给出了属于拉普拉斯分布的截然不同的概率，这种分布的尾部比高斯分布更厚。 这表明存在某种模式。并非总是如此，也并非处处如此--这也是可以理解的。这可以在交易中得到相应的使用。 12345678 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
我的观点是不同的。只是不值得花很多时间来证明EMH的不一致性--反正那里没有鱼。是的，有尾巴，是的，原因是对一捆信息的反应，而不是单个新闻故事。是的，现在已经科学地证明了这一点。但市场和以前一样不稳定，而且从中赚钱也没有变得更容易。
p.s. 嘿嘿，多看几篇这样的文章，你就会了解到分形统计学的思想，因果关系是其中的一个基石。
我对它很熟悉。我只是觉得与其他方法相比，它还不够发达。
只是不值得花很多时间来证明EMH的无效性--反正那里没有鱼。
我对证明什么都不感兴趣。这个想法是完全不同的。市场是不稳定的。这是一个既定事实。它不能被改变。但这并不意味着你应该闭上眼睛，希望有这样的机会。通常的科学方法是在我们理解的和可以咬掉的东西上咬一口。
faa1947: толстые хвосты являются результатом памяти в котире.
这是一个众所周知的事实。
而且，如果我们对过去的数据有无限的访问（记忆），为什么我们还需要一个模糊的尾巴形式的记忆？
如果只有尾巴能显示商数的未来行为，那么这将是非常宝贵的信息，因为我们不是在过去交易，而是在未来交易。
这是一个众所周知的事实。
而且，如果我们对过去的数据有无限的访问（记忆），为什么我们还需要一个模糊的尾巴形式的记忆？
如果只有尾巴显示科蒂尔的未来行为，那么这将是非常宝贵的信息，因为我们不是在过去，而是在未来进行交易。
是的，你的地狱。只是抓着一切。
前几天看到一篇文章，利用分布规律 的变化来进行预测。这是一些不寻常的想法。
我来分享一下。
关于尾巴--有一个令人高兴的结果。让我解释一下计算的方法。
我们都知道，货币序列的第一差值是如何粗略分布的（大致上像exp(-a|x|)，或者这样）。我着手确定这种分布的哪些部分是 "外部信息的真正载体"，可以说是。我们所做的是这样的。让我们计算一些大的时间间隔内的RMS回报，对于每个商数，让我们计算它属于拉普拉斯分布与具有相同方差的正常分布的概率比。我就不赘述如何计算了，有维基百科。
当我们绘制似然比本身（或者说，它的对数）的分布时，出现了有趣的情况。
在图中，它被向右剪去了2，但理论上尾巴会到无穷大。因此，整个事情只是在1/2*ln(pi)的值上出现了一个急剧的悬崖。事实证明，一小部分的报价给了拉普拉斯一个截然不同的发生方式--一个比高斯分布更厚的尾巴。而这些报价是可以计算的。
似乎有可能根据这一事实有效地建立一个趋势平坦的分析器，并确定在当前栏上已经符合标准。好吧，或者至少有效地识别灾难并迅速做出反应。
我来分享一下。
关于尾巴--有一个迷人的结果。让我解释一下计算的方法。
我们都知道，货币序列的第一差值是如何粗略分布的（大致上像exp(-a|x|)，或者这样）。我着手确定这种分布的哪些部分是 "外部信息的真正载体"，可以说是。我们所做的是这样的。让我们计算一些大的时间间隔内的RMS回报，对于每个商数，让我们计算它属于拉普拉斯分布与具有相同方差的正常分布的概率比。我就不赘述如何计算了，有维基百科。
当我们绘制似然比本身的分布（或者说，它的对数）时，有趣的事情发生了。
在图中，它在2处被剪掉了，但理论上尾巴是到无限大的。因此，整个事情只是在1/2*ln(pi)的值上出现了一个急剧的悬崖。事实证明，一小部分的报价给了拉普拉斯一个截然不同的发生方式--一个比高斯分布更厚的尾巴。而这些报价是可以计算的。
似乎有可能根据这一事实有效地建立一个趋势平坦的分析器，并确定在当前栏上已经符合标准。好吧，或者至少有效地识别灾难并迅速做出反应。
非常有趣。
当我们谈论分布时，我们基于相当多的观察。在图表上，我看到一个数字是20,000。我同意，有那么多的观察结果，我们可以得出关于分布规律的 结论。但我们感兴趣的是，在当前的酒吧之后的酒吧。而在这里，观察的数量越多，可以得出的关于最后一根柱子的 "平均 "结论就越多。
有一个奇怪的数字是30。30岁之前，我们被认为是有t统计，30岁之后，如果我们对正常人群进行抽样，我们有z统计。
因此，问题是。假设这个小样本属于大样本，是否有可能在大样本上使用已确定的模式，在小样本上使用？
非常有趣。
当我们谈论一个分布时，我们把它建立在足够多的观察结果的基础上。在图表中，我看到一个数字是20,000。我同意，有那么多的观察结果，我们可以得出关于分布规律的结论。但我们感兴趣的是，在当前的酒吧之后的酒吧。在这里，观察的数量越多，就可以得出关于最后一根柱子的 "平均 "结论。
有一个奇怪的数字是30。在30岁之前，我们被称为有一个t统计量，而在30岁之后，如果样本和人口都是正常的，我们有一个z统计量。
因此，问题是。假设这个小样本属于大样本，是否有可能在大样本上使用已确定的模式，在小样本上使用？
分布的性质并没有改变。顺便说一下，这项研究本身的出发点是，可能比的奇怪行为可以说是肉眼可见的。