Bernoulli, teorema de Moab-Laplace; criterio de Kolmogorov; esquema de Bernoulli; fórmula de Bayes; desigualdades de Chebyshev; ley de distribución de Poisson; teoremas de Fisher, Pearson, Student, Smirnov, etc., modelos, lenguaje sencillo, sin fórmulas. - página 8
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Haz lo que quieras. No puedo aconsejarte ya que desconozco las características del proceso de ticking.
No se trata de simular un proceso de garrapatas real. Por el contrario, todo lo que necesito hasta ahora son las distribuciones normales clásicas en forma de OHLC. A grandes rasgos, el problema se reduce a determinar el Máximo y el Mínimo, si Open = Close-1, y Close = sqrt(N), donde N es el número de ticks.
No se trata de simular un proceso de garrapatas real. Por el contrario, todo lo que necesito hasta ahora es una distribución normal clásica en forma de OHLC. A grandes rasgos, el problema consiste en determinar el Máximo y el Mínimo, si Open = Close-1, y Close = sqrt(N), donde N es el número de ticks.
Por lo que recuerdo, para una serie aleatoria la longitud del cuerpo de la vela |Cierre-Apertura| es igual a la suma media de las longitudes de la sombra superior e inferior. Por lo tanto, habiendo modelado Close como sqrt(N), entonces modelamos la longitud de la sombra superior como |sqrt(N/4)| y de manera similar la sombra inferior. Por supuesto, se trata de una variante del sb simétrico (mo=0). Para la asimétrica es ligeramente diferente
Por lo que recuerdo, para una serie aleatoria la longitud del cuerpo de la vela |Cerrar-Abrir| es igual a la suma media de las longitudes de la sombra superior e inferior. Por lo tanto, habiendo modelado Close como sqrt(N), entonces modelamos la longitud de la sombra superior como |sqrt(N/4)| y de manera similar la sombra inferior. Por supuesto, se trata de una variante del sb simétrico (mo=0). Para una asimétrica es ligeramente diferente
aunque no, estará mal. Porque la longitud del cuerpo de la vela y la longitud de la sombra son dependientes. Por eso es mejor generar muchos candeleros, y luego obtener nuevas series como un candelero arbitrario de este conjunto, que buscar la distribución analítica de las sombras
Pensé, por qué no hacerlo más sencillo: tomamos cuatro valores generados: el primero será la diferencia entre Apertura y Mínimo, la suma del segundo y el tercero será la diferencia entre Mínimo y Máximo, y el cuarto será la diferencia entre Máximo y Cierre:
Con grandes cantidades de datos Close convergerá a Open, y la dispersión High-Low tendrá el doble de la varianza del valor de los segmentos (cuatro números con una varianza determinada).
No se trata de imitar el proceso de la garrapata real. Por el contrario, todo lo que necesito es la distribución normal clásica en forma de OHLC. A grandes rasgos, la tarea consiste en determinar el máximo y el mínimo, si Open = Close-1, y Close = sqrt(N), donde N es el número de ticks.
Hace tiempo, hace mucho tiempo, estaba generando citas artificiales al azar. Hice lo siguiente - para cada minuto encontré 3 variables aleatorias independientes H, L y dlt - desplazamiento por barra. Los encuentro siguiendo el método gaussiano (en puntos) con un pago esperado cero y una varianza especificada. Al mismo tiempo, tomé el valor obtenido en forma de módulo. También elegí la dirección de cambio - sgn - por casualidad, 50/50. Así que Close = Open+sgn*dlt, para encontrar Hg tomé el mayor de (Open, Close) y le sumé H; para encontrar Lw tomé el menor de (Open, Close) y le resté L.
Por supuesto, las cotizaciones obtenidas se comparan con las reales (aunque a nivel de percepción subjetiva). Me sorprendió entonces que la única cantidad que define la "similitud" de las cotizaciones artificiales con las reales es la varianza de desplazamiento - dlt. Para que sea similar a los cotizadores naturales, la varianza del desplazamiento debe ser muy pequeña, es decir, la mayoría de los desplazamientos de los minutos deben ser cero. De lo contrario, se produciría un mercado muy volátil. La varianza de Hg y Lw influyó en el grado de "desgreño" de la cotización. Con el fin de imitar una tendencia, cambié ligeramente la probabilidad de selección de la dirección - 49/51 - tenemos una poderosa tendencia si la vemos en un día.
Así que, en definitiva, terminamos con un modelo muy simple para la generación de diferentes modos - necesitaba una tendencia muy volátil - aumenté la varianza de desplazamiento y cambié la probabilidad de dirección. Necesitaba un piso de baja volatilidad - hice que la varianza del cambio fuera muy pequeña y la dirección 50/50.
Pensé, por qué no hacerlo más sencillo: tomamos cuatro valores generados: el primero será la diferencia entre Apertura y Mínimo, la suma del segundo y el tercero será la diferencia entre Mínimo y Máximo, y el cuarto será la diferencia entre Máximo y Cierre:
Con grandes cantidades de datos Close convergerá a Open, y la dispersión High-Low tendrá el doble de la varianza del valor de los segmentos (cuatro números con una varianza determinada).
...Pero es un método muy lento y sin sentido.
No es tan lento, no tendrás tiempo de encender un cigarrillo.
¿Son inapropiadas las ideas de las botas?
¿Qué es el "bootsrap"?
No tan lento, no tendrás tiempo de encender un cigarrillo.
Tengo una pregunta sobre el tema
Estoy tratando de entender el alcance de las siguientes distribuciones:
Distribución de Pareto generalizada(GPD) y distribución del valor extremo(GEV)
¿Cuál es la relación de estas distribuciones entre sí, con una distribución normal y respectivamente con una distribución uniforme? En otras palabras, ¿cómo pueden ocurrir en la vida real los hechos que describen?
¿Qué es el "bootsrap"?
Hay en VIKI.
La idea es intercambiar una muestra disponible al azar para obtener una convergencia de las frecuencias a la probabilidad de los parámetros disponibles en la muestra.