¿Cómo puedo diferenciar un gráfico FOREX de un PRNG? - página 28

 
Mathemat:

Es extraño oírte decir eso. ¿De verdad crees que la clasificación no tiene en cuenta los valores absolutos de ninguna manera?

El principal requisito de los métodos no paramétricos es la solidez ante el "ruido" y las distribuciones (especialmente las colas gruesas). Esto puede lograrse sacrificando mínimamente la precisión, que a menudo es esquiva y engañosa.

Esta contabilidad depende de la medida estadística de rango elegida (algún tipo de funcional), por lo que en muestras pequeñas los coeficientes de Spearman, Kendall y Hefding mostrarán valores diferentes. Entonces, ¿qué usar? Para los diferentes medios del sistema generador de valores, como el tipo y el orden de la función portadora de la tendencia, será mejor una u otra medida. Sí, un método no paramétrico puede estimar el CC de forma aproximada, pero ¿es necesario si se desconoce el tipo de esta correlación? El control de calidad no paramétrico es no paramétrico en el sentido de que las medidas elegidas para medirlo sólo son insensibles a las transformaciones monotónicas de las observaciones, lo que tampoco es siempre el caso en el mercado. La SB con demolición proporciona a menudo conversiones de rango no monótonas.

En cambio, el control de calidad lineal da un valor que es comprensiblemente aplicable.

Alexey, vamos a definir y distinguir entre colas largas y colas gordas, porque son mutuamente inversas. Según mis investigaciones, no hay distribuciones con colas largas en el mercado.

 
-Aleksey-: Alexey, vamos a definir y distinguir entre colas largas y colas gordas, porque son mutuamente inversas. Según mis investigaciones, no hay distribuciones con colas largas en el mercado.
Buscado en Google:

Una distribución de frecuencias con una cola larga ha sido estudiada por los estadísticos al menos desde 1946[8]. El término también se ha utilizado en el negocio de las finanzas[9] y los seguros[4] durante muchos años (también se denomina cola gorda, cola pesada o cola derecha[ 10]).

No puedo notar la diferencia. Mete la nariz para ver en qué me equivoco.

Sí, un método no paramétrico puede aproximar el control de calidad, pero ¿es necesario si se desconoce el tipo de esta correlación?

Nadie dice que los métodos no paramétricos resuelvan todos los problemas. Pero a menudo sus estimaciones son más adecuadas que las paramétricas, justo cuando el tipo de correlación es desconocido.

Según mis investigaciones, no hay distribuciones con colas largas en el mercado.
Observe la distribución de los rendimientos. Se aproxima con bastante precisión por una ley exponencial, es decir, una ley con colas gordas.
 

Si la cola es larga, es delgada. La excepción es la distribución triangular y similares (trapezoides). Y viceversa. Y si llamas gruesas a las colas largas y delgadas, es confuso, ya que las gruesas son más bien cortas. Esto es imho, no de googling.

La cuestión aquí es cuál es la distribución. La teoría clásica no permite definir este concepto de forma inequívoca (es más, ni siquiera permite construirlo), así que no lo uso. Mi enfoque es la evolución de una distribución cuasi-estacionaria en algún espacio que define la medida del error.

 
-Aleksey-: La cuestión aquí es cuál es la distribución. La teoría clásica no permite definir esta noción de forma inequívoca (es más, ni siquiera permite construirla), por lo que no la utilizo. Mi enfoque es la evolución de una distribución cuasi-estacionaria en algún espacio que define la medida del error.
No soy tan bueno con las sutilezas. La charla versó sobre otra cosa: sobre los métodos no paramétricos y el hecho de que a menudo resultan más adecuados que los paramétricos, especialmente si la distribución es desconocida. No es más preciso, pero sí más adecuado.
 
Mathemat:
No soy tan bueno en los puntos más finos. No es de eso de lo que estábamos hablando: de los métodos no paramétricos.
Y qué decir de ellos, todos estos coeficientes tienen diferente sensibilidad a la transposición no monótona de rangos, en consecuencia muestran cosas diferentes. Es posible que nos encontremos con muchos de ellos. Pero no se sabe cuál elegir cuando se desconoce el tipo de correlación.
 
faa1947:
¿No tiene razónAlexEro sobre el matlab? Es una cosa sagrada, que brilla en el aire, pagada, loca de remate.....

No es culpa de Matcad, ya he escrito más arriba por qué se produce la disminución.

Una vez más, AlexEro, el decaimiento viene del hecho de que en realidad cuentas lcorr no a partir de cos(w*i) (una función infinitamente continuada a ambos lados del eje numérico), sino de cos(w*i)*[h(i) - h(100-i)] , donde h(t) es la función de Heaviside (paso unitario). Una forma sencilla de comprobarlo: cuantas más muestras de la sinusoide pongas, menor será el decremento. La forma complicada de comprobarlo: sustituir la expresión especificada en la fórmula de lcorr explícitamente y obtener un triángulo.

 
-Aleksey-:

Si la cola es larga, es delgada.


En la televisión es justo lo contrario, no como en la zoología: si la cola es larga, entonces es gruesa). Se trata de normalizar el área bajo el gráfico en 1, es decir, la "cola" extrae parte de la probabilidad del área central. En general, "grueso" (o "largo", si se quiere) significa diferentes cosas según el contexto - puede tratarse de distribuciones que disminuyen más lentamente que la gaussiana, o de distribuciones con varianza infinita, etc.

 
alsu:

No es culpa de Matcad, ya he descrito más arriba por qué se produce el decrecimiento.

Una vez más, AlexEro, el decaimiento viene del hecho de que en realidad cuentas lcorr no a partir de cos(w*i) (una función infinitamente continua a ambos lados del eje numérico), sino de cos(w*i)*[h(i) - h(100-i)] , donde h(t) es la función de Heaviside (paso unitario). Una forma sencilla de comprobarlo: cuantas más muestras de la sinusoide pongas, menor será el decremento. La forma difícil de comprobarlo: sustituir la expresión especificada en la fórmula de lcorr explícitamente y obtener un triángulo.

(con la voz cansada del profesor Preobrazhensky)

"Disculpe, ¿quién estaba parado sobre quién?"


Disculpe, ¿dónde he "contado la ventana de funciones de Havyside"? Muéstrame, por favor, pínchame con tu nariz.

Joder, me estoy convirtiendo en Allochka. Esto es una especie de conspiración, una distracción.

No me importa cómo cuenta Matlab,

No me importa cómo los físicos programan en Fortran,

No me importa lo que haya en la cabeza de un programador externo de Matlab,

No me importa lo que haya en la mente de un hindú apedreado en Matlab, y que piense que es "correcto" programar la autocorrelación, y que por su apedreada "corrección" piense que la falta de muestras al final de un intervalo de muestreo debe ser "compensada" con una ventana de Heaviside en todo el intervalo, que agota toda la autocorrelación.

Eso no me importa. No uso matlab, nunca lo he usado y no tengo intención de hacerlo. Los dibujos de matlab que cité son de Privalova, también di un enlace a ellos allí.

No entiendo cómo puedes tergiversar la discusión de esa manera. No es una discusión, es una demagogia soviética. Hablo de la definición de autocorrelación, del significado de este concepto, muestro los fundamentos teóricos y las reglas sencillas para comprobar la corrección de cualquier algoritmo de autocorrelación, muestro que en Matlab y en Privalov damping la autocorrelación empieza desde el primer recuento, y me muestran una explicación de que me estoy culpando, porque"cuento la ventana de Heaviside" . ¡Me estoy demandando a mí mismo en !


Joder, ¿hay alguna persona aquí que sepa de qué estoy hablando? ¡Ay!

 
AlexEro:

Joder, ¿hay alguna persona aquí que sepa de qué estoy hablando? ¡Ay!

Lo hay. Ahí lo tienes, lo prometiste.

P.D. ¿Por qué no vas al hilo de "Qué es un INDICADOR"? Quizá dentro de un año escribas algo sensato...

 

Mientras Alex piensa en lo que es un INDICADOR, una pregunta para todos: hay dos muestras de PLATA y ORO. Datos diarios, 420 observaciones.

El AC de Spearman es de 0,52, el coeficiente de correlación de rangos es estadísticamente - significativo y la relación de correlación de rangos entre las puntuaciones de las dos pruebas es significativa.

El KC de Pearson es de 0,64.

¿Y qué? Correlación directa. ¿Conclusión práctica?