Calcular la probabilidad de inversión - 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
Bien, tomemos entonces una densidad de distribución de Cauchy o Laplace.
No me interesa la distribución de Cauchy o de Laplace, y no pienso fijarla)
Y no necesito parámetros gaussianos. La cuestión es diferente.
... Cuánto se acerca a la gaussiana, dónde se desvía de ella y por cuánto ...
Sólo quería entender cómo responderías a esta pregunta en el caso hipotético de que se sepa que los datos se distribuyen exactamente según la distribución estándar de Cauchy. Entonces sería más fácil responder también en el caso de los datos reales. Por ejemplo, algo así como que tomamos aquella gaussiana para la que la suma de los módulos de las desviaciones de los deciles es mínima, etc.
O no entiendo la pregunta en absoluto.
Sólo quería ver cómo responderías a esta pregunta en el caso hipotético de que sepas con seguridad que los datos se distribuyen exactamente según la distribución estándar de Cauchy. Entonces sería más fácil responder también en el caso de los datos reales. Por ejemplo, algo así como que tomamos aquella gaussiana para la que la suma de los módulos de las desviaciones de los deciles es mínima, etc.
O no entiendo la pregunta en absoluto.
Alexey, ¿cómo se puede aplicar en la práctica la analogía de la distribución de Cauchy?
Interesante posdata, no llegó a serlo
Sólo quería ver cómo responderías a esta pregunta en el caso hipotético de que sepas con seguridad que los datos se distribuyen exactamente según la distribución estándar de Cauchy. Entonces sería más fácil responder también en el caso de los datos reales. Por ejemplo, algo así como que tomamos aquella gaussiana para la que la suma de los módulos de las desviaciones de los deciles es mínima, etc.
O no entiendo la pregunta en absoluto.
Pues bien, la aproximación lineal habitual de MNC. Tomamos la gaussiana para la que la suma de cuadrados de las desviaciones es mínima.
La cuestión es que en el centro de la distribución el valor de las desviaciones será, digamos, del orden de 0,1. Y en las colas, digamos, del orden de 0,01.
Es decir, el ajuste se producirá principalmente en los puntos del centro de la distribución.
Y me parece que todos los puntos deberían participar por igual.
Para ello se puede tomar una escala logarítmica en el eje vertical, o en lugar de desviación-diferencias tomar desviación-parcial, es decir, dividir una distribución por otra, y entonces ya se aproxima.
Bueno, la aproximación lineal habitual por parte de ANC. Tomamos la gaussiana para la que la suma de los cuadrados de las desviaciones es mínima.
La cuestión es que en el centro de la distribución el valor de las desviaciones será, digamos, del orden de 0,1. Y en las colas, digamos, del orden de 0,01.
Es decir, el ajuste se producirá principalmente en los puntos del centro de la distribución.
Y me parece que todos los puntos deberían participar por igual.
Para ello se puede tomar una escala logarítmica en el eje vertical, o tomar desviación-parcial en lugar de desviación-diferencias, es decir, dividir una distribución por otra, y entonces ya se aproxima...
¿Existe alguna razón por la que la "participación" de los puntos que se producen raramente sea, sin embargo, la misma que la de los puntos cercanos a la mediana (centro) que se producen con mucha más frecuencia? ¿Por qué esa amplificación del papel en la aproximación? ¿No resultaría que "la cola mueve al perro"?
En realidad, hay MNC con pesos para controlar el papel de los diferentes puntos. Por ejemplo, asignarlos como valores inversos a la función de densidad de probabilidad de la distribución normal y ya está. Lo principal es mantener la suma de los pesos a 1. Por cierto, ¿qué es la "aproximación lineal por MNC" sino una aproximación en línea recta?
¿Hay alguna razón por la que la "participación" de los puntos que ocurren raramente deba ser, sin embargo, la misma que la de los puntos cercanos a la mediana (centro) que ocurren con mucha más frecuencia? ¿Por qué ese refuerzo del papel en la aproximación? ¿No resultaría que "la cola mueve al perro"?
En realidad, hay MNCs con pesos para controlar el papel de los diferentes puntos. Por ejemplo, establecerlos como valores inversos a la función de densidad de probabilidad de la distribución normal y ya está. Lo principal es mantener la suma de los pesos a 1. Por cierto, ¿qué es una multinacional "lineal"?
1. Por supuesto que sí. Las colas son de gran magnitud, después de todo. Aplicado al mercado: pérdidas raras pero grandes. No es un refuerzo del rol, es una compensación por la falta de rol, lo que resulta en dar roles iguales a todos los puntos.
2. Sobre MNC con pesos que conozco. La cuestión no es la técnica de aproximación, sino su ideología.
3. Cuando se asume una relación lineal entre las cantidades.
1. Por supuesto que sí. Después de todo, hay grandes colas. Aplicado al mercado, pérdidas raras pero grandes.
2. Conozco el MNC con pesas. La cuestión no está en la técnica de aproximación, sino en su ideología.
3. Cuando se asume una relación lineal entre los valores.
1. Esto ya no es un enfoque probabilístico. Las colas de la distribución de probabilidad significan casos pequeños y raros, mientras que los principales y significativos tienen su propia distribución, que disminuye rápidamente hacia los bordes.
2. La pregunta era: "Por cierto, Alexey, y Vladimir, dime. Supongamos que queremos aproximar unos datos mediante una distribución normal.Las colas y el centro de la distribución deben tener el mismo peso en la aproximación, supongo".
La respuesta es no. Si modelamos el problema con métodos probabilísticos, entonces, por supuesto, aquellos sucesos que ocurren con más frecuencia que otros son más importantes, es decir, más probables. Esto es ideológico.
3. ¿Causalidad lineal, quiere decir? ¿Le importa al ISC el tipo de relación que existe?
Bueno, la aproximación lineal habitual por parte de ANC. Tomamos la gaussiana para la que la suma de los cuadrados de las desviaciones es mínima.
La cuestión es que en el centro de la distribución el valor de las desviaciones será, digamos, del orden de 0,1. Y en las colas, digamos, del orden de 0,01.
Es decir, el ajuste se producirá principalmente en los puntos del centro de la distribución.
Y me parece que todos los puntos deberían participar por igual.
Para ello, se puede tomar una escala logarítmica en el eje vertical, o en lugar de desviación-diferencias tomar desviación-parcial, es decir, dividir una distribución por otra, y luego ya aproximarla.
Recuerda en cierto modo a la prueba de bondad de ajuste de Pearson (chi-cuadrado). Echa un vistazo a Kobzar en el capítulo 3. Sólo es necesario comprender claramente la diferencia entre la hipótesis nula simple y la hipótesis compleja, cuando los parámetros de la distribución son desconocidos y se estiman a partir de la muestra (por ejemplo, minimizando el estadístico chi-cuadrado).
1. Esto ya no es un enfoque probabilístico. Las colas de la distribución de probabilidad se refieren a los casos pequeños y raros, y los mayores y significativos tienen su propia distribución, que disminuye rápidamente hacia los bordes.
2. La pregunta era: "Por cierto, Alexey, y Vladimir, dime. Supongamos que queremos aproximar unos datos mediante una distribución normal.Las colas y el centro de la distribución deben tener el mismo peso en la aproximación, supongo ".
La respuesta es no. Si modelamos el problema con métodos probabilísticos, entonces, por supuesto, aquellos sucesos que ocurren con más frecuencia que otros son más importantes, es decir, más probables. Esto es ideológico.
3. ¿Causalidad lineal, quiere decir? ¿Le importa al CDI el tipo de relación que existe?
1. no son insignificantes. Un caso "menor" podría suponer la pérdida de todo lo ganado por los "mayores".
3. una relación de correlación lineal. MNC igualmente, lineal llamaba a la aproximación, no MNC.
Recuerda a la prueba de bondad de ajuste de Pearson (chi-cuadrado). Véase Kobzar en el capítulo 3. Sólo es necesario entender claramente la diferencia entre el caso de la hipótesis nula simple y el complejo, cuando los parámetros de la distribución son desconocidos y se estiman a partir de la muestra (por ejemplo, minimizando el estadístico chi-cuadrado).
Bueno, no hay ninguna tarea para estimar los parámetros de la distribución)