计算反转的概率 - 页 7 12345678910111213 新评论 Aleksey Nikolayev 2020.02.25 06:39 #61 顺便说一下,粗尾巴可以用高斯混合物来很好地模拟--混合物应该包含权重小但分散度大的成分。例如,默顿的跳跃-扩散模型,其中厚重的增量尾巴被稀疏但大的跳跃所解释。 secret 2020.02.25 08:42 #62 Vladimir: 这根本不是估计正态分布参数的方法(拟合、近似)所能显示的。正是正态分布本身没有厚尾。问问Alexander_K2,他正在寻找这些尾巴。只要看看有单位参数的表格就知道了。我想,每本电视教科书和每本数学参考书中都有表格。无论你如何调整,你都必须改变变体分布以捕捉肥大的尾巴。而你究竟为什么需要一个类型的分布?确切地说,是概率分布?为什么要为 "一些数据 "盖这些章?或者说,这毕竟不是一些数据,而是采样的相对频率,正如我所猜测的那样? 也许问题在于,概率表示法根本没有描述你的数据?请记住,尤里-阿索连科的图片上的预期报酬率是如何跳舞的https://www.mql5.com/ru/forum/221552/page162#comment_6399653,对外汇汇率。难道你不想用概率表示法来表示它们吗?那么,就可以清楚地知道这些沉重的尾巴来自哪里了。 当然,对价格增量的相对频率进行采样。我认为这已经很清楚了,没有多少人对其他选项感兴趣) 我不使用分布式进行交易,只是想弥补知识上的不足。由于某些原因,matstat的许多实际细微差别在教科书中没有描述。 在这种情况下,我对分布参数,甚至它的类型都不感兴趣,而只是对曲线的形状感兴趣。它有多接近高斯,在哪里偏离它,偏离多少。教科书中关于参数估计的内容有数百页之多,而关于形状估计的内容则没有。 Maxim Romanov 2020.02.25 08:45 #63 Vladimir: 你打算怎么做,以减少误差? 在公式中,你设定的问题在一般的公式中被一行解决了,甚至与你自己的k=0.65的实验结果进行了比较。或者你不明白p10^(1/10)是解决方案? 起初没有仔细阅读。我脑子里首先想到的是边缘估计,我最初就是这样估计的。但后来出现了一个问题,如果我们取直方图的中心点而不是边缘呢? 然后我意识到,这不是那么简单,一个度是不够的。 无论如何,感谢你的参与,最有可能的是我将正面解决这个问题,像往常一样,通过迭代,为每个感兴趣的点做出一个完整的公式。 secret 2020.02.25 08:46 #64 Aleksey Nikolayev: "用眼睛看 "是指绘制样本和正态分布的量子-量子(或概率- 概率)图,并确保它很好地接近直线。 那么,那里也会有同样的问题。尾部的误差绝对值比中部的小很多倍。而贡献应该是一样的,我想。 Maxim Romanov 2020.02.25 08:52 #65 Alexander_K2: 我怀疑这个主题不是偶然产生的:))) 我记得你以某种方式设法将市场上增量的双伽马样分布减少到纯正态......而现在你正在寻找一个问题的答案--下一步是什么! 我支持巴斯的建议--你需要转入期权。布莱克-斯科尔斯模型显然应该对你的数据起作用。 并非如此)接下来的事情我很早就决定了,甚至在我开始做之前。但我通常以自己的方式设计算法,由于我的数学知识有限,它们往往消耗大量的资源,并以特定的方式解决问题。 有时我会做一些事情,然后一段时间后我会找到解决方案,结果是更容易和更经济。 也就是说,我仍然希望每次都能有所发展,采取更明智的方法。 至于布莱克-斯科尔斯模型,当我第一次听说时,我非常惊讶,他们竟然为这样一个原始的模型颁发了诺贝尔奖,我想:"我看到了市场科学的底蕴所在。"我在以前的发展中使用了类似的技术,但我不知道他们为此颁发了诺贝尔奖))。现在我知道错误在哪里,如果我去交易期权,就不是用这个公式。 Aleksey Nikolayev 2020.02.25 09:40 #66 secret:那么,那里也会有同样的问题。尾部的误差绝对值要比中部的小很多倍。而贡献应该是一样的,我想也是如此。 我们应该看看这些误差在初始样本中是如何随时间分布的,以及它们之间是否存在依赖性。如果没有依赖性,而且它们的位置或多或少都是均匀的,我们必须选择另一个参数化的分布系列。否则,就违反了Glivenko-Kantelli定理的条件,人们不应该希望直方图能接近某种分布的密度。 secret 2020.02.25 09:49 #67 Aleksey Nikolayev: 有必要看看这些误差在原始样本中是如何随时间分布的,以及它们之间是否存在依赖关系。如果不存在依赖性,而且它们或多或少都是均匀分布的,我们必须选择另一个参数化的分布系列。否则,Glivenko-Kantelli定理的条件将被违反,我们不应该希望直方图近似于某个分布的密度。 问题是我的做法是否正确--我给尾部的误差和中部的误差以同样的权重(使用上述两种方法,由于教科书中没有这些方法,我不得不自己发明)。 我对某一种分配方式不感兴趣。只有与高斯的差异是值得关注的。 Aleksey Nikolayev 2020.02.25 11:02 #68 secret:问题是,我给尾部的误差和中部的误差以同样的权重,这样做是否正确(使用上述两种方法,由于教科书中没有这些方法,我不得不自己发明)。我对某一种分配方式不感兴趣。只对与高斯氏的差异感兴趣。 让我们考虑一个从零到一的区间上的均匀分布 密度图。有哪些参数的高斯会正确地近似它? secret 2020.02.25 11:14 #69 Aleksey Nikolayev: 一个反问--让我们有一个从零到一的段上的均匀分布的密度图。高斯的哪些参数可以正确地近似它? 好吧,我们正在谈论的是看起来像高斯的分布。 Aleksey Nikolayev 2020.02.25 13:37 #70 secret: 好吧,我们谈论的是类似高斯的分布。 好吧,那我们就采取考奇或拉普拉斯分布密度。 12345678910111213 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
这根本不是估计正态分布参数的方法(拟合、近似)所能显示的。正是正态分布本身没有厚尾。问问Alexander_K2,他正在寻找这些尾巴。只要看看有单位参数的表格就知道了。我想,每本电视教科书和每本数学参考书中都有表格。无论你如何调整,你都必须改变变体分布以捕捉肥大的尾巴。而你究竟为什么需要一个类型的分布?确切地说,是概率分布?为什么要为 "一些数据 "盖这些章?或者说,这毕竟不是一些数据,而是采样的相对频率,正如我所猜测的那样?
也许问题在于,概率表示法根本没有描述你的数据?请记住,尤里-阿索连科的图片上的预期报酬率是如何跳舞的https://www.mql5.com/ru/forum/221552/page162#comment_6399653,对外汇汇率。难道你不想用概率表示法来表示它们吗?那么,就可以清楚地知道这些沉重的尾巴来自哪里了。
当然,对价格增量的相对频率进行采样。我认为这已经很清楚了,没有多少人对其他选项感兴趣)
我不使用分布式进行交易,只是想弥补知识上的不足。由于某些原因,matstat的许多实际细微差别在教科书中没有描述。
在这种情况下,我对分布参数,甚至它的类型都不感兴趣,而只是对曲线的形状感兴趣。它有多接近高斯,在哪里偏离它,偏离多少。教科书中关于参数估计的内容有数百页之多,而关于形状估计的内容则没有。
你打算怎么做,以减少误差? 在公式中,你设定的问题在一般的公式中被一行解决了,甚至与你自己的k=0.65的实验结果进行了比较。或者你不明白p10^(1/10)是解决方案?
起初没有仔细阅读。我脑子里首先想到的是边缘估计,我最初就是这样估计的。但后来出现了一个问题,如果我们取直方图的中心点而不是边缘呢? 然后我意识到,这不是那么简单,一个度是不够的。 无论如何,感谢你的参与,最有可能的是我将正面解决这个问题,像往常一样,通过迭代,为每个感兴趣的点做出一个完整的公式。
"用眼睛看 "是指绘制样本和正态分布的量子-量子(或概率- 概率)图,并确保它很好地接近直线。
那么,那里也会有同样的问题。尾部的误差绝对值比中部的小很多倍。而贡献应该是一样的,我想。
我怀疑这个主题不是偶然产生的:)))
我记得你以某种方式设法将市场上增量的双伽马样分布减少到纯正态......而现在你正在寻找一个问题的答案--下一步是什么!
我支持巴斯的建议--你需要转入期权。布莱克-斯科尔斯模型显然应该对你的数据起作用。
并非如此)接下来的事情我很早就决定了,甚至在我开始做之前。但我通常以自己的方式设计算法,由于我的数学知识有限,它们往往消耗大量的资源,并以特定的方式解决问题。
有时我会做一些事情,然后一段时间后我会找到解决方案,结果是更容易和更经济。
也就是说,我仍然希望每次都能有所发展,采取更明智的方法。
至于布莱克-斯科尔斯模型,当我第一次听说时,我非常惊讶,他们竟然为这样一个原始的模型颁发了诺贝尔奖,我想:"我看到了市场科学的底蕴所在。"我在以前的发展中使用了类似的技术,但我不知道他们为此颁发了诺贝尔奖))。现在我知道错误在哪里,如果我去交易期权,就不是用这个公式。那么,那里也会有同样的问题。尾部的误差绝对值要比中部的小很多倍。而贡献应该是一样的,我想也是如此。
我们应该看看这些误差在初始样本中是如何随时间分布的,以及它们之间是否存在依赖性。如果没有依赖性,而且它们的位置或多或少都是均匀的,我们必须选择另一个参数化的分布系列。否则,就违反了Glivenko-Kantelli定理的条件,人们不应该希望直方图能接近某种分布的密度。
有必要看看这些误差在原始样本中是如何随时间分布的,以及它们之间是否存在依赖关系。如果不存在依赖性,而且它们或多或少都是均匀分布的,我们必须选择另一个参数化的分布系列。否则,Glivenko-Kantelli定理的条件将被违反,我们不应该希望直方图近似于某个分布的密度。
问题是我的做法是否正确--我给尾部的误差和中部的误差以同样的权重(使用上述两种方法,由于教科书中没有这些方法,我不得不自己发明)。
我对某一种分配方式不感兴趣。只有与高斯的差异是值得关注的。
问题是,我给尾部的误差和中部的误差以同样的权重,这样做是否正确(使用上述两种方法,由于教科书中没有这些方法,我不得不自己发明)。
我对某一种分配方式不感兴趣。只对与高斯氏的差异感兴趣。
让我们考虑一个从零到一的区间上的均匀分布 密度图。有哪些参数的高斯会正确地近似它?
一个反问--让我们有一个从零到一的段上的均匀分布的密度图。高斯的哪些参数可以正确地近似它?
好吧,我们正在谈论的是看起来像高斯的分布。
好吧,我们谈论的是类似高斯的分布。
好吧,那我们就采取考奇或拉普拉斯分布密度。