Profitieren Sie von einer zufälligen Preisspanne - Seite 3

 
Mathemat:

müssen Sie die realen Daten in normalverteilte Daten umwandeln.

Das hätte ich von Ihnen nicht erwartet! Wie ist es möglich, empirische Daten, die nicht der Gauß-Verteilung entsprechen, in eine Normalverteilung umzuwandeln?

Haben Sie Ihre Diplomarbeit nicht zusammen mit der Eiche geschrieben?
 
Rosh:
Das heißt, eine solche Transformation der Rohdaten (Anführungszeichen) zu finden, um normale Steigerungen zu sehen? Und wie funktioniert das?
Ich weiß es nicht, Rosh. Er hat diese Idee nur aus dem von mir angegebenen Link übernommen. Offenbar hat er versucht, etwas zu tun...
 
usdjpy писал (а): Das hätte ich von Ihnen nicht erwartet! Wie ist es möglich, empirische Daten, die nicht der Gaußschen Verteilung entsprechen, in Normaldaten umzuwandeln?

Haben Sie Ihre Dissertation nicht über eine Eiche geschrieben?
Lernen Sie den Terver, Newton... Es gibt eine fraktale Verteilung, der die Rückgabe genügt, und sie ist stationär. Es gibt Tabellen davon. Es gibt den Gauß, für den es eine klare Formel gibt. Es gibt ein Therver-Theorem für die integrale Verteilungsfunktion einer Zufallsvariablen, die eine gegebene deterministische Funktion einer anderen Zufallsvariablen ist. Was brauchen Sie noch?
 
usdjpy:
Mathemat:

müssen Sie reale Daten in normalverteilte Daten umwandeln.

Das hätte ich von Ihnen nicht erwartet! Wie ist es möglich, empirische Daten, die nicht der Gaußschen Verteilung entsprechen, in Normaldaten umzuwandeln?

Haben Sie Ihre Dissertation nicht über eine Eiche geschrieben?


Zuerst müssen Sie lernen, das Geschriebene zu lesen und zu verstehen, dann müssen Sie lernen, es zu schreiben.

Sie müssen reale Daten in normalverteilte Daten umwandeln, was auch die Idee von Northwind ist...
 
Der obige Beitrag ist ein wenig weitschweifig:
  • Es gibt so etwas wie eine parabolische fraktale Verteilung (eine ziemlich neue Sache, sie betrifft die Modellierung der Verteilung von realen Objekten, wie die Größe der Stadt Paris im Verhältnis zu den genügsamen Städten Frankreichs https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). Wenn Sie nicht gerade an der Universität studiert haben, wurde Ihnen das wahrscheinlich nicht beigebracht. Ich weiß nicht, wie das hier reinpasst.
  • Stationäre Verteilung: wenn el. Vektoren im Zustandsraum einer Markov-Kette el. sind, nichtnegative Zahlen sind, eine Summe von 1 ergeben und el. i die Summe von el. Vektor j multipliziert mit der Wahrscheinlichkeit des Übergangs von Zustand j nach i ist. Wie es hierher kommt, verstehe ich auch nicht.
  • Ich kenne auch das Mois-Laplace-Integral-Theorem, das besagt, dass für große n die Binomialverteilung gegen die Normalverteilung konvergiert. Ein anderes kenne ich nicht, und dieses passt hier auch nicht.
Was die Normalverteilung betrifft, so sind die Zitate, so wie sie sind, wie S.W. geschrieben hat und was in seiner Hand liegt, normal um den gleitenden Durchschnitt verteilt, also sind wir hier im Reinen.
 
Mathemat:
Rosh:
Das heißt, eine solche Transformation der Rohdaten (Anführungszeichen) zu finden, um normale Steigerungen zu sehen? Und wie funktioniert das?
Ich weiß es nicht, Rosh. Er hat diese Idee nur aus dem von mir angegebenen Link übernommen. Offenbar hat er versucht, etwas zu tun...
Lesen Sie einfach die erste Seite dieses Threads durch. Interessant ist, dass ich in etwa das Gleiche modelliert habe, d.h. die Einstiege sind zufällig, die Stoppgröße ist größer als die Gewinngröße. Darüber hinaus sind sowohl das Ziel als auch der Stopp weit von Pips, Hunderten von Pips, entfernt. Die Rentabilität ist stabil. Die Streuung wurde berücksichtigt (2 Punkte). Wenn es nur auf dem realen Markt so einfach wäre :)
 
olexij:
Der obige Beitrag ist ein wenig weitschweifig:
  • Es gibt so etwas wie eine parabolische fraktale Verteilung (eine ziemlich neue Sache, sie betrifft die Modellierung der Verteilung von realen Objekten, wie die Größe der Stadt Paris im Verhältnis zu den genügsamen Städten Frankreichs https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). Wenn Sie nicht gerade an der Universität studiert haben, wurde Ihnen das wahrscheinlich nicht beigebracht. Ich weiß nicht, wie das hier reinpasst.
  • Stationäre Verteilung: wenn el. Vektoren im Zustandsraum einer Markov-Kette el. sind, nichtnegative Zahlen sind, eine Summe von 1 ergeben und el. i die Summe von el. Vektor j multipliziert mit der Wahrscheinlichkeit des Übergangs von Zustand j nach i ist. Wie es hierher kommt, verstehe ich auch nicht.
  • Ich kenne auch das Mois-Laplace-Integral-Theorem, das besagt, dass für große n die Binomialverteilung gegen die Normalverteilung konvergiert. Ein anderes kenne ich nicht, und dieses passt hier auch nicht.
Was die Normalverteilung betrifft, so sind die Zitate, so wie sie sind, wie S.W. schrieb und was in seiner Hand liegt, normal um den gleitenden Durchschnitt herum verteilt, also sind wir hier im Reinen.

olexij, die Präzision der Formulierung ist erstaunlich. Sie sollten auf lib.mexmat.ru sein, nicht hier (wenn Ihnen das "Sie" nichts ausmacht). Ich werde versuchen, Punkt für Punkt zu antworten - mit so viel Strenge wie möglich und gleichzeitig so, dass zumindest jemand hier es versteht. Ich komme nicht direkt von der Universitätsbank, aber ich habe eine allgemeine Vorstellung von mathematischer Strenge.

1. Fraktale Verteilung: die in Peters' Buch besprochene Verteilung, die am Ende des Buches in einer Tabelle aufgeführt ist. Link zum Buch: http://www.ozon.ru/context/detail/id/1691158/. Es ist übrigens auch kostenlos bei Spider erhältlich. Eine genauere Darstellung findet sich in Shiryaevs Fundamentals of Stochastic Financial Mathematics. Fraktalität bezieht sich hier eher auf die Stabilität der Wahrscheinlichkeitsverteilung.

2. Stationarität: Ja, ich war ungenau (Pech gehabt, nachdem ich es geschrieben hatte, dachte ich, ich sei ungenau - sicher würde jemand auf mir herumhacken). Ich bezog mich nicht auf die Stationarität der Verteilung, sondern auf die Stationarität des Zufallsprozesses der Rückgabe.

3. Ich kenne das Theorem der binomischen Konvergenz zur Normalverteilung. Ich meinte das Theorem, nach dem man, wenn man eine gleichmäßig verteilte Menge hat und die Umkehrfunktion der Normalverteilungsfunktion kennt, auf dem Computer eine recht gute Imitation einer Normalverteilung erhalten kann. Ich weiß nicht mehr genau, wie sie heißt, aber sie ist eine der wichtigsten in terver.

Eine letzte Sache: Wir sprechen nicht über die Verteilung der Kurse um einen gleitenden Durchschnitt; ihre Normalität... Nun ja, intuitiv scheint es so und ist es auch gar nicht auf der Oberfläche. Gemeint sind die Renditen, d.h. die Schlusskursdifferenzen benachbarter Bars - unabhängig von den Muwings.
 
olexij:
Der obige Beitrag ist ein wenig weitschweifig:
  • Es gibt so etwas wie eine parabolische fraktale Verteilung (eine ziemlich neue Sache, sie betrifft die Modellierung der Verteilung von realen Objekten, wie die Größe der Stadt Paris im Verhältnis zu den genügsamen Städten Frankreichs https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). Wenn Sie nicht gerade an der Universität studiert haben, wurde Ihnen das wahrscheinlich nicht beigebracht. Ich weiß nicht, wie das hier reinpasst.
  • Stationäre Verteilung: wenn el. Vektoren im Zustandsraum einer Markov-Kette el. sind, nichtnegative Zahlen sind, eine Summe von 1 ergeben und el. i die Summe von el. Vektor j multipliziert mit der Wahrscheinlichkeit des Übergangs von Zustand j nach i ist. Wie es hierher kommt, verstehe ich auch nicht.
  • Ich kenne auch das Mois-Laplace-Integral-Theorem, das besagt, dass für große n die Binomialverteilung gegen die Normalverteilung konvergiert. Ein anderes kenne ich nicht, und dieses passt hier auch nicht.
Was die Normalverteilung betrifft, so sind die Zitate, so wie sie sind, wie S.W. schrieb und was in seiner Hand liegt, normal um den gleitenden Durchschnitt herum verteilt, also sind wir hier im Reinen.

Lesen. Ich habe viel nachgedacht. Geweint.
Der Autor ist Feuer und Flamme! Machen Sie weiter so!
 
Mathemat:
olexij:
Der obige Beitrag ist ein wenig weitschweifig:
  • Es gibt so etwas wie eine parabolische fraktale Verteilung (eine ziemlich neue Sache, sie betrifft die Modellierung der Verteilung realer Objekte, wie die Größe der Stadt Paris im Verhältnis zu den genügsamen Städten Frankreichs https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). Wenn Sie nicht gerade an der Universität studiert haben, wurde Ihnen das wahrscheinlich nicht beigebracht. Ich weiß nicht, wie das hier reinpasst.
  • Stationäre Verteilung: wenn el. Vektoren el. im Zustandsraum einer Markov-Kette darstellen, nichtnegative Zahlen sind, eine Summe von 1 ergeben und el. i die Summe von el. Vektor j multipliziert mit der Wahrscheinlichkeit des Übergangs von Zustand j nach i ist. Wie es hierher kommt, verstehe ich auch nicht.
  • Ich kenne auch das Mois-Laplace-Integral-Theorem, das besagt, dass für große n die Binomialverteilung gegen die Normalverteilung konvergiert. Ein anderes kenne ich nicht, und dieses passt hier auch nicht.
Nun, was die Normalverteilung angeht - die Zitate sind sozusagen, wie S.W. geschrieben hat und was in seiner Hand liegt, normalverteilt um den gleitenden Durchschnitt herum, also ist hier alles klar.

olexij, die Präzision der Formulierung ist erstaunlich. Sie sollten auf lib.mexmat.ru sein, nicht hier (wenn Ihnen das "Sie" nichts ausmacht). Ich werde versuchen, Punkt für Punkt zu antworten - mit so viel Strenge wie möglich und gleichzeitig so, dass zumindest jemand hier es versteht. Ich komme nicht direkt von der Universitätsbank, aber ich habe eine allgemeine Vorstellung von mathematischer Strenge.

1. Fraktale Verteilung: die in Peters' Buch behandelte Verteilung, die am Ende des Buches in einer Tabelle dargestellt ist. Link zum Buch: http://www.ozon.ru/context/detail/id/1691158/. Es ist übrigens auch kostenlos bei Spider erhältlich. Eine genauere Darstellung findet sich in Shiryaevs Fundamentals of Stochastic Financial Mathematics. Fraktalität bezieht sich hier eher auf die Stabilität der Wahrscheinlichkeitsverteilung.

2. Stationarität: Ja, ich war ungenau (Pech gehabt, nachdem ich es geschrieben hatte, dachte ich, ich sei ungenau - sicher würde jemand auf mir herumhacken). Ich bezog mich nicht auf die Stationarität der Verteilung, sondern auf die Stationarität des Zufallsprozesses der Rückgabe.

3. Ich kenne das Theorem der Konvergenz von Binomialwerten mit Normalwerten. Ich meinte das Theorem, nach dem man, wenn man eine gleichmäßig verteilte Menge hat und die Umkehrfunktion der Normalverteilungsfunktion kennt, auf dem Computer eine recht gute Imitation einer Normalverteilung erhalten kann. Ich weiß nicht mehr genau, wie sie heißt, aber sie ist eine der wichtigsten im Terver.

Eine letzte Sache: Wir sprechen nicht über die Verteilung der Kurse um einen gleitenden Durchschnitt; ihre Normalität... Nun ja, intuitiv scheint es so und ist es auch gar nicht auf der Oberfläche. Wir sprechen von Renditen, d. h. von Schlusskursdifferenzen benachbarter Bars - ohne Berücksichtigung von Muwings.
Matemat, da Sie sich ja schon mit dem Vornamen anreden. :) Präzise Formulierungen sind immer besser, wenn es um Mathematik und Statistik geht, vor allem, wenn Sie Google zur Hand haben und Ihre Hand nicht trocken ist. Punkt für Punkt:
3. Schreiben Sie über die Box-Muller-Transformation? Über die Erzeugung pseudozufälliger normalverteilter Zahlen aus pseudozufälligen gleichverteilten Zahlen hier: http://www.taygeta.com/random/gaussian.html. Aber wo haben wir hier pseudozufällige, gleichmäßig verteilte Werte?
2. Stationarität des Prozesses: wahrscheinlich ja. Ich glaube auch nicht, dass sich die Verteilungsfunktion im Laufe der Zeit ändert.
1. Angesichts der letzten Bemerkung bin ich zu faul, jetzt zu lesen:
Es gibt zum Beispiel einen Kolmogorov-Smirnov-Test, mit dem man bei einer Stichprobe prüfen kann, ob die Verteilung einer Zufallsvariablen normal ist oder nicht: https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test. Wenn Ihnen das nicht ausreicht, fassen Sie bitte alle oben genannten Punkte in einer Beschreibung Ihres Vorschlags zusammen.
 
alexjou:
olexij:
Der obige Beitrag ist ein wenig weitschweifig:
  • Es gibt so etwas wie eine parabolische fraktale Verteilung (eine ziemlich neue Sache, sie betrifft die Modellierung der Verteilung von realen Objekten, wie die Größe der Stadt Paris im Verhältnis zu den genügsamen Städten Frankreichs https://en.wikipedia.org/wiki/Parabolic_fractal_distribution). Wenn Sie nicht gerade an der Universität studiert haben, wurde Ihnen das wahrscheinlich nicht beigebracht. Ich weiß nicht, wie das hier reinpasst.
  • Stationäre Verteilung: wenn el. Vektoren im Zustandsraum einer Markov-Kette el. sind, nichtnegative Zahlen sind, eine Summe von 1 ergeben und el. i die Summe von el. Vektor j multipliziert mit der Wahrscheinlichkeit des Übergangs von Zustand j nach i ist. Wie es hierher kommt, verstehe ich auch nicht.
  • Ich kenne auch das Mois-Laplace-Integral-Theorem, das besagt, dass für große n die Binomialverteilung gegen die Normalverteilung konvergiert. Ein anderes kenne ich nicht, und dieses passt hier auch nicht.
Nun, was die Normalverteilung anbelangt - die Zitate sind sozusagen, wie S.W. schrieb und was in seiner Hand liegt, normal um den gleitenden Durchschnitt verteilt, also sind wir hier im Reinen.

Lesen. Ich habe viel nachgedacht. Geweint.
Der Autor ist Feuer und Flamme! Machen Sie weiter so!
Nicht weinen, Opa gibt dir ein Bonbon :)