Mettez un mot sur les vagabonds occasionnels... - page 3
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
как это не связаны? Нормальное распределение стационарно и приращения СБ распределенные по НР - стационарны, а я изначально говорил именно о приращениях.
...
Вы считаете что НР нестационарно? Или нельзя для каждого непрерывного распределения сказать - является оно стационарным или нет? :)
C'est la définition de la stationnarité, où est-il fait mention de la distribution ? La stationnarité est une propriété d'un processus, pas d'une distribution. Le processus a une sorte de distribution. Un processus avec une distribution normale peut être stationnaire ou non. Il ne dépend pas de la distribution. Bien sûr, vous ne pouvez rien dire sur la stationnarité d'un processus en connaissant simplement sa distribution.
Concernant SB lui-même (en tant que somme cumulée d'incréments) : Il n'y aura pas de "queues lourdes" décrites par vous dans le post précédent
.Parce que SB lui-même est aussi normalement distribué, mais avec une variance t fois plus grande que pour un seul incrément (au temps t depuis l'origine). Oui, la variance de la distribution SB augmente avec le temps, et cette distribution est en fait la somme de variables aléatoires indépendantes distribuées normalement (incréments), ce qui correspond à la définition de la stabilité dans votre lien. Des queues lourdes sur 3 sigmas par exemple, mais pour SB, si vous calculez la variance à un moment précis dans le temps (et vous pouvez le faire analytiquement) - tout sera comme pour la normale. Il sera normal avec des paramètres spécifiques - variance finie et mo
Avant d'écrire, j'ai simulé la situation dans Matlab, c'est-à-dire que je suis responsable de mes paroles. Et tu ne fais que déblatérer au hasard ici. Si vous doublez "parfois" la valeur des incréments, comme le voulait Avatar, alors la variance des "grands" écarts augmente, et le kurtosis augmente. Les incréments cessent d'être normalement distribués même s'ils l'étaient initialement. Mais SB lui-même n'aura pas de queues, SB a une distribution normale et est non-stationnaire, indépendamment de la nature des incréments.
Voici la définition de la stationnarité, où se trouve un mot sur la distribution ?
Je dis que pour chaque distribution, vous pouvez déterminer si elle est stationnaire ou non, ou si le même processus sera stationnaire ou non. Et j'ai écrit que les incréments de SB sont modélisés par des distributions stationnaires. Si la distribution est, par exemple, normale, alors le processus est stationnaire. Un processus normalement distribué peut-il être non stationnaire ?
La stationnarité est une propriété du processus, pas de la distribution. Le processus a une sorte de distribution. Un processus avec une distribution normale peut être stationnaire ou non. Il ne dépend pas de la distribution. Bien sûr, en ne connaissant que la distribution d'un processus, on ne peut rien dire de sa stationnarité.
Où as-tu trouvé ça ? Donnez-moi un exemple de processus non stationnaire dont la distribution serait normale.
Avant d'écrire, j'ai simulé la situation dans Matlab, ce qui signifie que je suis responsable de mes paroles. Et tu ne fais que déblatérer au hasard ici. Si vous doublez "parfois" la valeur des incréments, comme le voulait Avatar, alors la variance des "grands" écarts augmente, et le kurtosis augmente. Les incréments cessent d'être normalement distribués même s'ils l'étaient initialement. Mais le SB lui-même n'aura pas de queues, le SB a une distribution normale et est non stationnaire, quelle que soit la nature des incréments.
Je ne comprends pas bien ce que vous avez modélisé et comment vous avez obtenu les queues lourdes. Si j'ai bien compris ce que l'avatar demandait - il ne devrait pas y avoir de queue. Probablement mal compris :( S'il vous plaît donnez-moi au moins un histogramme de la distribution résultante et comment vous avez modélisé
SB est non stationnaire, est I(1) - la première différence est stationnaire (incrémentale) comme je l'ai écrit. Elle est également stationnaire et correspond à une distribution normale pour un point fixe dans le temps. A l'instant t0, la distribution est stationnaire et une, à l'instant t1 une autre. Mais SB lui-même, en tant que processus du temps x=F(t), n'est pas stationnaire et n'est pas normalement distribué. C'est parce que sa variance est infinie à t->infini. La première différence (incréments) est normalement distribuée. J'ai donné un lien vers la source dans un message précédent.
Откуда ты это взял? Приведи пример нестационарного процесса, распределение которого будет нормальным.
J'ai déjà donné cet exemple trois fois - la marche aléatoire est un processus non stationnaire avec une distribution normale.
La distribution est la forme de la personne, et la non-stationnarité est la taille : une personne obèse peut être grande ou petite (c'est la distribution), et elle grandit jusqu'à 25 ans puis descend, et sa largeur change, devenant de plus en plus grosse avec l'âge, c'est-à-dire qu'elle est non-stationnaire. Mais la croissance n'est pas liée à la forme.
La stationnarité n'est pas une propriété de la distribution, mais une propriété du processus.
J'ai déjà donné cet exemple trois fois - la marche aléatoire est un processus non stationnaire avec une distribution normale.
La distribution est la forme de la personne, et la non-stationnarité est la taille : une personne obèse peut être grande ou petite (c'est la distribution), et elle grandit jusqu'à 25 ans puis descend, et sa largeur change, devenant de plus en plus grosse avec l'âge, c'est-à-dire qu'elle est non-stationnaire. Mais la croissance n'est pas liée à la forme.
La stationnarité n'est pas une propriété de la distribution, mais une propriété du processus.
Les incréments et la distribution de SB à un certain point fixe dans le temps à partir du point de référence t sont stationnaires et normalement distribués. Pour eux, il est possible de calculer le mo et la variance par rapport au SB en fonction du temps.
Несовсем понял что ты смоделировал и как получил тяжелые хвосты. Как я понял что просил аватара - никаких хвостов быть не должно. Возможно неправильно понял :( Приведи, пожалуйста хотя бы гистограмму полученного распределения и как моделировал
était :
(c'est-à-dire que |y(i)-y(i-1)|>= la force du héros à la i-ième étape, alors sa force générée ( y compris les moins - doutes) à la i+1 étape devrait être doublée.
Le surligné en rouge doit être i-1, sinon il y aura toujours égalité. C'est-à-dire que si l'incrément généré est suffisamment important, il doit également être multiplié par deux. Cela augmente la variance exactement dans la zone des grands incréments, ce qui épaissit les queues.
e(i) = s(i)-b(i) ;
si abs(e(i)) > abs(e(i-1))
e(i) = e(i) * 2
fin
Les mouvements de prix sont totalement imprévisibles. Nous avons affaire à la psychologie, pas aux mathématiques, et aucune formule ne peut nous aider.
vous avez tort - SB en tant que fonction du temps n'est pas HP, non-stationnaire l'est.
Vous vous disputez avec la table de multiplication, pas avec moi. Et c'est malheureux.
Voici une marche aléatoire de 1000 avec une distribution uniforme des incréments. Vous pouvez continuer à vous taper la tête contre le moniteur en disant que ce n'est pas une distribution normale. Et je commence à en avoir assez.
Les mouvements de prix sont totalement imprévisibles. Nous avons affaire à la psychologie, pas aux mathématiques, et aucune formule ne peut nous aider.
Vous vous contredisez. Si elle est "totalement imprévisible", alors non seulement les formules ne seront d'aucune utilité, mais rien ne le sera. Et s'il y a encore de l'espoir, d'une certaine manière, la psychologie que vous proposez pourrait bien être décrite par des formules.
Vous vous disputez avec la table de multiplication, pas avec moi. Et c'est malheureux.
Voici 1 000 marches aléatoires avec une distribution uniforme des incréments. Vous pouvez continuer à vous taper la tête contre le moniteur en disant que ce n'est pas une distribution normale. Et je commence à en avoir assez.
timbo c'est la 3ème fois que j'écris la même chose. Oui SB généré à un certain intervalle de temps par exemple 0-1000 (comme sur votre image) F(t1000)- la distribution est à la fois normale et stationnaire. mo=0, disp=1000*Disp_adjustment. Et à tout autre intervalle de temps fixe, la distribution sera stationnaire et normale, et la variance sera proportionnelle à sa longueur. Mais le processus SB lui-même, en fonction du temps F(t) n'est pas non normal non stationnaire. son mo sera également=0 mais la variance est infinie. Pour le stationnaire et le HP, quel que soit le t pris, la variance sera la même et un nombre fixe - elle ne change pas dans le temps, ce qui est la condition de stationnarité.
timbo уже 3 раз пишу одно и тоже. Да СБ сгененрированное на каком-то отрезке времени например 0-1000 (как на твоей картинке) F(t1000)- распределение и нормально и стационарно. мо=0, дисп=1000*Дисп_приращения. И в любой другой фиксированный промежуток времени распределение будет стационарным и нормальным, а дисперсия будет пропорциональна его длине. Но сам процесс СБ, как функция от времени F(t) не является не нормальным не стационарным. его мо так же будет=0 но дисперсия бесконечна. Для стационарного и НР, какое t не взять - дисперсия будет одинаковой и фиксированным числом- она не меняется во времени, что и есть условие стационарности.
En général, tout segment de longueur variable donnera une distribution normale. Quel type de distribution pensez-vous que le SB a, est-il non-stationnaire ? Éloignez-vous de ces incréments, regardez le processus sous un autre angle. Si vous voyez une cloche limitée bien définie, cela ne signifie pas que le processus qui la forme est stationnaire.