De la théorie à la pratique - page 365
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
Messieurs !!!!!!!!!
C'est bientôt la fin, n'est-ce pas ? Finita la comédie, comme on dit.
Je vous assure que les flux d'Erlang sont la clé.
Ici, littéralement, je viens de vérifier les cotations AUDCAD de cette semaine.
1. Aucun intervalle de temps ne permet de lire les citations de manière uniforme. Cependant, sur M1, M5, etc., il n'y a pas de distribution symétrique, qui ressemble même de loin à une distribution normale ou de Laplace. Impossible à obtenir, faites ce que vous voulez.
2. En passant du flux simple au flux Erlang d'ordre 300 (quelque chose comme M5), la distribution de Laplace pour les incréments est observée avec confiance.
Je n'ai pas encore vérifié.
Regards,
Le chat de Schrödinger.
C'est-à-dire que la lecture exponentielle peut être supprimée, ou est-ce toujours primaire et ensuite Erlang ?
C'est-à-dire que la lecture exponentielle peut-elle être supprimée, ou est-elle toujours primaire et ensuite Erlang ?
Il s'avère qu'il est possible de paramétrer un générateur HF avec une distribution Erlanghttps://en.wikipedia.org/wiki/Erlang_distribution d'ordre 300 et de lire les cotations en tick à ces intervalles de temps. Les commandes plus petites ne peuvent pas être considérées - la transition vers la distribution de Laplace n'est observée qu'à partir de 300.
Malheureusement, je ne connais pas de tel "processus de Laplace" par opposition à un processus de Wiener. Mais, cela devrait quand même rendre le problème beaucoup plus facile à résoudre.
Il s'avère qu'il est possible de régler en une fois un générateur HF avec la distribution Erlanghttps://en.wikipedia.org/wiki/Erlang_distribution d'ordre 300 et de lire à ces intervalles de temps les cotations en tick. Les commandes plus petites ne peuvent pas être considérées - la transition vers la distribution de Laplace n'est observée qu'à partir de 300.
Malheureusement, je ne connais pas de tel "processus de Laplace" par opposition à un processus de Wiener. Mais, cela devrait quand même rendre le problème beaucoup plus facile à résoudre.
Et il y a aussi la distribution q-gaussienne, peut-elle être pertinente ici ? Il y a quelque chose à propos de l'entropie et de tout, c'est juste que les codes sont déjà là :)
Je n'ai encore rien compris à l'article.
Avec Close au procès-verbal, tout le monde travaille. Ici, vous êtes en concurrence avec tout le monde, même avec les Papous. Et dans les flux Erlang, vous êtes seul, et avec la distribution de Laplace avec sa fonction quantile connue.
Avec Close au procès-verbal, tout le monde travaille. Ici, vous êtes en concurrence avec tout le monde, même avec les Papous. Et dans les flux Erlang - vous êtes seul, et avec la distribution de Laplace avec sa fonction quantile connue.
(Mm-hmm. Si vous affinez la distribution de 2-3% - vous ne remarquerez même pas ces erreurs sur le graphique). Ici, vous n'avez aucun avantage, pas même sur les Papous).
Avec Close au procès-verbal, tout le monde travaille. Ici, vous êtes en concurrence avec tout le monde, même avec les Papous. Et dans les flux Erlang, vous êtes seul, et avec une distribution de Laplace avec sa fonction quantile connue.
La distribution de Laplace, l'exponentielle en tant que cas particulier de la distribution d'Erlang à k=1, la distribution de Gamma, l'analogue du flux continu géométrique et simple de Poisson et un cas particulier de la distribution de Weibull ont une caractéristique clé - le manque demémoire. La distribution de Laplace, bien que tendant vers la distribution normale, a des queues plus denses.
Pendant que A_K2 s'amuse avec les flux Erlang, nous l'avons tous ici depuis longtemps). Nous prenons des données minute, disons Close, et nous avons déjà un flux Erlang d'environ 90-100 ordres. Et toutes les distributions sont là où elles devraient être. Qu'est-ce qu'il y a à penser ? Nous devons nous secouer.
Vous n'aurez pas le temps astronomique, il se décalera, c'est le temps de fonctionnement.
La distribution de Laplace, l'exponentielle comme cas particulier de la distribution d'Erlang à k=1, la distribution de Gamma, analogue du flux continu géométrique et simple de Poisson et cas particulier de la distribution de Weibull a la propriété clé d'être sansmémoire. La distribution de Laplace, tout en tendant vers la normale, a des queues plus denses.
Les queues ne sont pas de la mémoire. La mémoire est la dépendance de l'incrément suivant par rapport au précédent.
Les distributions ne fournissent pas la moindre information sur la présence ou l'absence de mémoire. Pour cela, il faut se tourner vers les distributions conditionnelles ou l'autocorrélation, qui sont essentiellement la même chose.
Une illustration simple : je peux mélanger n'importe quelle série de gradients (échanger les gradients de façon aléatoire). La mémoire peut apparaître ou non. Mais la distribution reste inchangée.
Citoyens souffrant de ce problème, allez sur Google et étudiez les bases. Sinon, il est ridicule de vous lire.