相关性,在投资组合中的分配。计算方法 - 页 5 123456789101112 新评论 CHINGIZ MUSTAFAEV 2021.08.17 15:09 #41 Aleksey Nikolayev: 琐碎的相关计算有一个问题。由于 价格增量中固有的非平稳性 ,它给出了错误的(往往是膨胀的)结果。这就是为什么计量经济学 通常采取困难的路线,为该系列构建一个自回归模型。 能否请你在PM中更详细地解释这个问题? Aleksey Nikolayev 2021.08.17 16:41 #42 CHINGIZ MUSTAFAEV: 能否请您在私信中详细说明一下这个问题? 下面是这个效果的一个简单例子。我不准备笼统地描述如何处理它,因为它基本上是一门计量经济学 课程) 让我们产生四个相同长度的独立样本,其预期报酬率不同--前两个为零,其余为一。所有成对的相关关系预计都接近于零。现在我们来做两个样本,一个是第一和第三,一个是第二和第四。当然,它们是独立的,因此不相关,但样本的相关性明显大于零。R上的代码和它的结果。 n <- 1000 v1 <- rnorm(n, mean = 0, sd = 1) v2 <- rnorm(n, mean = 0, sd = 1) v3 <- rnorm(n, mean = 1, sd = 1) v4 <- rnorm(n, mean = 1, sd = 1) v5 <- c(v1, v3) v6 <- c(v2, v4) print(cor(v1, v2)) print(cor(v3, v4)) print(cor(v5, v6)) 0.01907343 0.01391064 0.2173542 CHINGIZ MUSTAFAEV 2021.08.17 16:51 #43 Aleksey Nikolayev:下面是这个效果的一个简单例子。我不准备笼统地描述如何处理它,因为它基本上是一门计量经济学 课程)让我们产生四个相同长度的独立样本,其预期报酬率不同--前两个为零,其余为一。所有成对的相关关系预计都接近于零。现在我们来做两个样本,一个是第一和第三,一个是第二和第四。当然,它们是独立的,因此不相关,但样本的相关性明显大于零。R上的代码和它的结果。 这不是在RNG中完成的吗? Aleksey Nikolayev 2021.08.17 16:59 #44 CHINGIZ MUSTAFAEV: 这不是在RNG中完成的吗? 更像是PRNG,但如果你愿意,你可以连接到量子RNG)。 是的,R中的rnorm()函数可以生成一个具有指定参数的正态分布独立样本。 Renat Akhtyamov 2021.08.17 17:51 #45 CHINGIZ MUSTAFAEV: 回答问题,或者去看其他的主题。 我不知道你在算什么,但这似乎不对。这就是该帖子的内容。 而你的回答有玫瑰色眼镜的味道。毕竟,你所拥有的100%的相关对是不存在的。 我希望,这些对子是预先同步化的? Maxim Kuznetsov 2021.08.17 18:03 #46 Aleksey Nikolayev:更像是PRNG,但如果你愿意,你可以连接到量子RNG)。是的,R中的rnorm()函数可以生成具有给定参数的正态分布独立样本。 一个非常挑剔的问题:他们是否减去/使用熵? 技术过程(功能)需要令人不快 的长时间。它(熵)慢慢积累,如果没有它,任何东西都是不耐密码的 在我看来,即使在理论上,部分相关也是必须的。 Aleksey Nikolayev 2021.08.17 18:35 #47 Maxim Kuznetsov:非常-非常挑剔:他们是否读取/使用熵? 这个过程(功能)需要一个令人不快 的漫长时间。它(熵)积累得很慢,没有它,东西就不具备加密能力。在我看来,即使在理论上,部分相关也是必须的。 R中的一些包可以让你连接到量子计算机并采取真正的SF。在论坛的某个地方,我已经为你的名字发布了它们)对于R中的PRNG,你可以从一堆算法中选择(你可以阅读帮助),但我并没有真正进入这个问题。 相关性和选择性相关是非常不同的事情。例如,相关性很可能是不存在的,而样本相关性几乎可以为任何样本计算。问题是完全误解了一个简单的事实,即样本相关性不是相关性的定义(而只是对它的估计,不一定准确)。 Renat Akhtyamov 2021.08.17 18:37 #48 Aleksey Nikolayev:R中的一些包可以让你连接到量子计算机并采取真正的SF。在论坛的某个地方,我已经为你的名字发布了它们)对于R中的PRNG,你可以从一堆算法中选择(你可以阅读帮助),但我并没有真正进入这个问题。相关性和选择性相关是非常不同的事情。例如,相关性很可能是不存在的,而样本相关性几乎可以为任何样本计算。问题是完全误解了一个简单的事实,即样本相关性不是相关性的定义(而只是对它的估计,不一定准确)。 Gsc曾经通过绘制相同生成计数的分布图来估计它。 线条越平,逻辑上越好。花了几百万代。而且你可以清楚地看到一切。通常情况下,同样的算法会一直给出一个分布的副本,不管它的所谓随机性如何。 Aleksey Nikolayev 2021.08.17 18:51 #49 Renat Akhtyamov: Gsc通常是通过绘制相同生成的ss数量的分布图来估计的,线越平,逻辑上越好。花了几百万代。而且你可以清楚地看到一切。通常情况下,同样的算法会一直给出一个分布的副本,不管它的所谓随机性如何。 一个典型的例子是,人类的直觉在理论问题上不能很好地发挥作用。存在巧合的概率非常高(生日的悖论)。 Maxim Kuznetsov 2021.08.17 18:51 #50 Aleksey Nikolayev:R中的一些包可以让你连接到量子计算机并采取真正的SF。在论坛的某个地方,我已经为你的名字发布了它们)对于R中的PRNG,你可以从一堆算法中选择(你可以阅读帮助),但我并没有真正进入这个问题。相关性和选择性相关是非常不同的事情。例如,相关性很可能是不存在的,而样本相关性几乎可以为任何样本计算。问题是完全误解了一个简单的事实,即样本相关性不是相关性的定义(而只是对它的估计,不一定准确)。 那么,科学有多少敢说呢? 究竟是什么结果不尽人意。 123456789101112 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
琐碎的相关计算有一个问题。由于 价格增量中固有的非平稳性 ,它给出了错误的(往往是膨胀的)结果。这就是为什么计量经济学 通常采取困难的路线,为该系列构建一个自回归模型。
能否请您在私信中详细说明一下这个问题?
下面是这个效果的一个简单例子。我不准备笼统地描述如何处理它,因为它基本上是一门计量经济学 课程)
让我们产生四个相同长度的独立样本,其预期报酬率不同--前两个为零,其余为一。所有成对的相关关系预计都接近于零。现在我们来做两个样本,一个是第一和第三,一个是第二和第四。当然,它们是独立的,因此不相关,但样本的相关性明显大于零。R上的代码和它的结果。
下面是这个效果的一个简单例子。我不准备笼统地描述如何处理它,因为它基本上是一门计量经济学 课程)
让我们产生四个相同长度的独立样本,其预期报酬率不同--前两个为零,其余为一。所有成对的相关关系预计都接近于零。现在我们来做两个样本,一个是第一和第三,一个是第二和第四。当然,它们是独立的,因此不相关,但样本的相关性明显大于零。R上的代码和它的结果。
这不是在RNG中完成的吗?
更像是PRNG,但如果你愿意,你可以连接到量子RNG)。
是的,R中的rnorm()函数可以生成一个具有指定参数的正态分布独立样本。
回答问题,或者去看其他的主题。
更像是PRNG,但如果你愿意,你可以连接到量子RNG)。
是的,R中的rnorm()函数可以生成具有给定参数的正态分布独立样本。
一个非常挑剔的问题:他们是否减去/使用熵? 技术过程(功能)需要令人不快 的长时间。它(熵)慢慢积累,如果没有它,任何东西都是不耐密码的
在我看来,即使在理论上,部分相关也是必须的。
非常-非常挑剔:他们是否读取/使用熵? 这个过程(功能)需要一个令人不快 的漫长时间。它(熵)积累得很慢,没有它,东西就不具备加密能力。
在我看来,即使在理论上,部分相关也是必须的。
R中的一些包可以让你连接到量子计算机并采取真正的SF。在论坛的某个地方,我已经为你的名字发布了它们)对于R中的PRNG,你可以从一堆算法中选择(你可以阅读帮助),但我并没有真正进入这个问题。
相关性和选择性相关是非常不同的事情。例如,相关性很可能是不存在的,而样本相关性几乎可以为任何样本计算。问题是完全误解了一个简单的事实,即样本相关性不是相关性的定义(而只是对它的估计,不一定准确)。
R中的一些包可以让你连接到量子计算机并采取真正的SF。在论坛的某个地方,我已经为你的名字发布了它们)对于R中的PRNG,你可以从一堆算法中选择(你可以阅读帮助),但我并没有真正进入这个问题。
相关性和选择性相关是非常不同的事情。例如,相关性很可能是不存在的,而样本相关性几乎可以为任何样本计算。问题是完全误解了一个简单的事实,即样本相关性不是相关性的定义(而只是对它的估计,不一定准确)。
Gsc通常是通过绘制相同生成的ss数量的分布图来估计的,线越平,逻辑上越好。花了几百万代。而且你可以清楚地看到一切。通常情况下,同样的算法会一直给出一个分布的副本,不管它的所谓随机性如何。
一个典型的例子是,人类的直觉在理论问题上不能很好地发挥作用。存在巧合的概率非常高(生日的悖论)。
R中的一些包可以让你连接到量子计算机并采取真正的SF。在论坛的某个地方,我已经为你的名字发布了它们)对于R中的PRNG,你可以从一堆算法中选择(你可以阅读帮助),但我并没有真正进入这个问题。
相关性和选择性相关是非常不同的事情。例如,相关性很可能是不存在的,而样本相关性几乎可以为任何样本计算。问题是完全误解了一个简单的事实,即样本相关性不是相关性的定义(而只是对它的估计,不一定准确)。
那么,科学有多少敢说呢? 究竟是什么结果不尽人意。