Tirer profit d'une fourchette de prix aléatoire - page 4

Nouveau commentaire
 
olexij: 3. Etes-vous en train d'écrire sur la transformation de Box-Muller ? Pour générer des nombres pseudo-aléatoires normalement distribués à partir de nombres pseudo-aléatoires uniformément distribués, cliquez ici : http://www.taygeta.com/random/gaussian.html. Mais où avons-nous des quantités pseudo-aléatoires uniformément distribuées ici ?
2. Stationnarité du processus : probablement oui. Je ne pense pas non plus que la fonction de distribution change avec le temps.
1. Trop paresseux pour creuser et lire maintenant, au vu de la dernière remarque :
Il existe par exemple un test de Kolmogorov-Smirnov, pour lequel, avec un échantillon aléatoire, on peut tester si la distribution d'une variable aléatoire est normale ou non : https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test. Si cela ne vous suffit pas, veuillez intégrer tout ce qui précède dans la description de ce que vous proposez.

3. oui, même s'il s'agit de Box-Muller, il existe de nombreuses méthodes différentes. Même ici il y a une bibliothèque statistique (de klot, je crois), il y a une fonction, l'inverse de normal, juste pour générer une valeur normale à partir d'une valeur uniformément distribuée. De toute façon, la loi fondamentale de transformation des probabilités est la base ici. C'est la loi à laquelle je fais référence.

Quant à ce que je rate : je ne le fais pas, mais je signale seulement que c'est probablement ce que S.V. voulait faire. Il voulait apparemment collecter des statistiques sur les retours, puis, sur la base de la distribution empirique des retours, transformer ces données en données normalement distribuées, sur lesquelles, selon ses indications et les affirmations deRosh, on peut simplement couper des choux. Ce faisant, chaque dimension des retours réels correspondra mutuellement et sans ambiguïté à la dimension "normalisée". Sur les données "normalisées", les transactions sont ouvertes/fermées et transformées en transactions sur les données réelles.

1. Et tu lis Peters, il y a beaucoup de choses intéressantes là-dedans. Je n'ai pas besoin d'effectuer le test de Kolmogorov-Smirnov pour vérifier la normalité des retours, car je sais qu'ils ne sont pas normaux, et cela est vraiment évident - par exemple du fait de l'existence de queues lourdes. Les événements de type Six Sigma sur le marché réel sont assez rares, mais tout de même des centaines de milliers de fois plus fréquents que la loi normale.

 
Mathemat писал (а):

1. Vous devriez lire Peters, il y a beaucoup de choses intéressantes là-dedans.


Et Peters ?


Э. Peters "Le chaos et l'ordre sur les marchés de capitaux".

Э. E. Peters "Fractal Analysis of Financial Markets. Applications de la théorie du chaos aux investissements et à l'économie".
 
Mathemat:
olexij: 3. Etes-vous en train d'écrire sur la transformation de Box-Muller ? Pour la génération de nombres pseudo-aléatoires normalement distribués à partir de nombres pseudo-aléatoires uniformément distribués, cliquez ici : http://www.taygeta.com/random/gaussian.html. Mais où avons-nous des valeurs pseudo-aléatoires uniformément distribuées ici ?
2. Stationnarité du processus : probablement oui. Je ne pense pas non plus que la fonction de distribution change avec le temps.
1. Trop paresseux pour creuser et lire maintenant, au vu de la dernière remarque :
Il existe par exemple un test de Kolmogorov-Smirnov, pour lequel, avec un échantillon aléatoire, on peut tester si la distribution d'une variable aléatoire est normale ou non : https://en.wikipedia.org/wiki/Kolmogorov-Smirnov_test. Si cela ne vous suffit pas, veuillez fusionner tous les éléments ci-dessus dans une description de ce que vous proposez.

3. oui, même s'il s'agit de Box-Muller, il existe de nombreuses méthodes différentes. Même ici il y a une bibliothèque statistique (de klot, je crois), il y a une fonction, l'inverse de normal, juste pour générer une valeur normale à partir d'une valeur uniformément distribuée. De toute façon, la loi fondamentale de transformation des probabilités est la base ici. C'est la loi à laquelle je fais référence.

Quant à ce que je rate : je ne le fais pas, mais je signale seulement que c'est probablement ce que S.V. voulait faire. Il voulait apparemment collecter des statistiques sur les retours, puis, sur la base de la distribution empirique des retours, transformer ces données en données normalement distribuées, sur lesquelles, selon ses indications et les affirmations deRosh, on peut simplement couper des choux. Ce faisant, chaque dimension des retours réels correspondra mutuellement et sans ambiguïté à la dimension "normalisée". Sur les données "normalisées", les transactions sont ouvertes/fermées et transformées en transactions sur les données réelles.

1. Et vous devriez lire Peters, il y a beaucoup de choses intéressantes là-dedans. Je n'ai pas besoin d'effectuer le test de Kolmogorov-Smirnov pour vérifier la normalité des retours, car je sais qu'ils ne sont pas normaux, et cela est vraiment évident - par exemple du fait de l'existence de queues lourdes. Les événements de type Six Sigma sont assez rares sur le marché réel, mais tout de même des centaines de milliers de fois plus fréquents que la loi normale.

Merci pour vos explications !
3. Savons-nous que les quantités sont uniformément réparties ? Ou en général, quelle est notre fonction de distribution ? Si c'est le cas, nous avons une fonction de distribution que nous pouvons transformer. Kolmogorov peut aider ici aussi.
1. En lisant la description précédente du point 1 sur la stabilité, on constate qu'elle fait en fait double emploi avec le point 2 sur la stationnarité, d'après ce que je comprends. A propos de Peters - je vais le prendre et le lire, merci.
En ce qui concerne l'entreprise elle-même, nous verrons ce qu'elle fera. S'ils disparaissent soudainement ici, cela vaut la peine d'y regarder de plus près.
 
usdjpy:
Et Peters ?
Je préfère Peters. C'est comme si le traducteur anglais ne savait pas que Peters en anglais se lit comme Peters...
 
usdjpy:
Mathématiques écrites (a) :

1. Vous devriez lire Peters, il y a beaucoup de choses intéressantes là-dedans.


Peters, peut-être ?


Э. Peters "Le chaos et l'ordre sur les marchés de capitaux".

Э. E. Peters "Fractal Analysis of Financial Markets. Applications de la théorie du chaos aux investissements et à l'économie".

Merci, les liens ne fonctionnent pas seulement en Russie. Je suis intéressé par des livres sur la gestion de l'argent, pouvez-vous me suggérer quelque chose ? Matemat, la question s'adresse aussi à vous :)
 
olexij:

Merci, les liens ne fonctionnent pas seulement en Russie. Je suis intéressé par des livres sur la gestion de l'argent, pouvez-vous me suggérer quelque chose ? Matemat, une question pour vous aussi :)

Classiques du genre.

Р. Vince, Les mathématiques de la gestion de l'argent.

Pour l'autotrading

Yuri Reshetnikov "MTS et les méthodes de gestion de l'argent".
 
olexij:
1. En lisant la description précédente du point 1 sur la stabilité, on constate qu'elle fait en fait double emploi avec le point 2 sur la stationnarité, d'après ce que je comprends.

Non, ce n'est pas le cas. Une distribution de probabilité stable est la suivante (d'après Shiryaev, vol. 1, p. 232) :

Quelque chose de similaire est les distributions infiniment divisibles.

 
Mathemat:
olexij:
1. En lisant la description précédente du point 1 sur la stabilité, on constate qu'elle fait en fait double emploi avec le point 2 sur la stationnarité, d'après ce que je comprends.

Non, ce n'est pas le cas. Une distribution de probabilité stable est la suivante (d'après Shiryaev, vol. 1, p. 232) :

Les distributions infiniment divisibles sont quelque chose de similaire.

Merci pour la clarification, je l'ai même copié, wow ! Je ne vois pas où nous en avons besoin pour le moment. La question 3 reste posée, si nous sommes toujours sur ce sujet - comment transformer la distribution 1 en distribution 2, si la distribution 1 est inconnue ? Devons-nous d'abord accepter l'hypothèse de la distribution 1, la tester, puis la transformer ?
 
Yury Chebotaryov a une certaine réputation - une réputation négative.
En son temps, il était bien exposé sur certains forums sérieux.
Il est donc inutile de lire ses articles, sauf pour le plaisir.

"Dub a prouvé l'impossibilité d'un gain systématique sur une série de données aléatoires"
- C'est généralement incorrect, sauf si la série aléatoire en question est spécifiée.

Par exemple, sur une telle série aléatoire X = a + b*t + e, il est très facile de gagner de l'argent (e est une variable aléatoire).
Il existe de nombreuses autres séries aléatoires sur lesquelles vous pouvez construire un système.

L'essentiel est qu'il existe des séries aléatoires avec mémoire et d'autres sans mémoire.
Il existe une série aléatoire avec mémoire ; elle a une fonction de distribution des incréments d'une variable aléatoire (e) qui NE dépend PAS de ses valeurs précédentes.
Une série aléatoire sans mémoire - sa fonction de distribution des incréments d'une variable aléatoire ne dépend PAS des valeurs précédentes de la série.

Il est impossible de construire un système rentable sur une série aléatoire sans mémoire.
 
olexij:
Quant à la distribution normale - les cotations sont distribuées normalement autour de la moyenne mobile, tout comme S.W. l'a écrit et ce qui se trouve dans la paume de sa main, donc nous sommes dans le clair ici.
Correction.
1. Le type de fonction de distribution des différences de prix et de la moyenne dépend de la variance de cette distribution et de la valeur de la moyenne.
2. La fonction de distribution de cette différence est asymétrique, elle ne peut donc pas être gaussienne.
3. Dans certaines conditions, la distribution de la différence tend vers une distribution gaussienne, mais ne le devient jamais.
123456789
Nouveau commentaire