Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Sembra che questa CB abbia aspettativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Avals, se stiamo parlando specificamente dei rendimenti (incrementi dei prezzi di chiusura), allora, ahimè, anche qui non c'è indipendenza: i rendimenti non sono distribuiti secondo la legge normale. È ben descritto nei libri di Peters, ho dato un link allo stesso thread da qualche parte nelle prime pagine.
Sono d'accordo con questo, ma qui il problema originale era che X è distribuito in modo gaussiano.
"Supponiamo che ci sia una sequenza normalmente distribuita di quantità X..."
Sembra che questo SV abbia aspettativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Quindi anche la somma degli incrementi è normale. E il problema, come lo capisco, è considerare di trovare questa somma entro certi limiti con una certa probabilità(intervallo di confidenza)
Sembra che questo SV abbia aspettativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Quindi anche la somma degli incrementi è normale. E nel problema, per quanto ho capito, è necessario considerare di trovare questa somma entro certi limiti con qualche probabilità (intervallo di confidenza)
Sembra che questo SV abbia aspettativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Quindi anche la somma degli incrementi è normale. E il problema, come lo capisco, è considerare di trovare questa somma entro certi limiti con una certa probabilità (intervallo di confidenza).
Questo è solo per gli incrementi di questa media. Per mantenere il valore stesso entro certi limiti, bisogna guardare la somma di questi incrementi. La sua varianza è uguale alla somma delle varianze: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), dove D1 è la varianza della serie originale N è la lunghezza della serie originale, M è la lunghezza della finestra mobile. È più facile e più affidabile da montare :)
Abbiamo un RMS finale di S*sqrt(2) ? Hm ...
Questo è solo per gli incrementi di questa media. Per mantenere il valore stesso entro certi limiti, bisogna guardare la somma di questi incrementi. La sua varianza è uguale alla somma delle varianze: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), dove D1 è la varianza della serie originale N è la lunghezza della serie originale, M è la lunghezza della finestra mobile. È più facile e più affidabile da montare :)
P.S. Scusate, sono stato disattento, c'è un errore, RMS non può tendere all'infinito. Si dovrebbe prendere la somma solo per gli incrementi M
P.P.S. S significa sqrt(D1)
Abbiamo un RMS finale di S*sqrt(2) ? Hm ...
Questo è solo per gli incrementi di questa media. Affinché il valore stesso rimanga entro certi limiti, bisogna guardare la somma di questi incrementi. La sua varianza è uguale alla somma delle varianze: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), dove D1 è la varianza della serie originale N è la lunghezza della serie originale, M è la lunghezza della finestra mobile. È più facile e più affidabile da montare :)
Ragazzi, grazie a tutti quelli che hanno risposto. La vostra discussione ha schiarito anche la mia mente. Leggermente. :-)
Il punto di partenza sono i prezzi. Lui è, ovviamente, lì. La sua distribuzione non è probabilmente normale. Ho scritto sulla normale, perché molte cose possono essere calcolate analiticamente per essa e perché la distribuzione reale può essere approssimata con una certa precisione da una distribuzione normale.
Il compito non ha nulla a che fare con la previsione o il tentativo di determinare le probabilità degli eventi nelle code. Devo averti deluso con questo, ahimè. Il problema si è verificato perché la media mobile ha un range (esatto Sergey, questa è la domanda) che dipende significativamente dalla dimensione della finestra M. E io, per mia abitudine radicata, voglio confrontare lemedie mobili per diversi M. Ma non posso perché hanno diversi range di valori. Per normalizzare queste medie mobili in un unico intervallo, è necessario calcolare il fattore di normalizzazione, o meglio, il suo rapporto con M.
Inoltre, avendo la statistica dalla storia e avendo costruito una funzione di distribuzione in numeri, possiamo calcolare questo coefficiente in modo semplice o approssimare la funzione di distribuzione di Gauss e calcolarla analiticamente. Naturalmente, la precisione assoluta non è importante qui. È importante che la natura della relazione sia vera, non basata su un modello. Posso pensare a molti basati su un modello ...
2 Matematica
Spero che tu ora capisca che non stiamo parlando di confini netti, ma della compensazione delle differenze di valori che risultano dalle differenze nelle dimensioni del campione. E con tutto quello che hai detto sono d'accordo, completamente. :-)
Abbiamo un RMS finale di S*sqrt(2) ? Hm ...
Questo è solo per gli incrementi di questa media. Affinché il valore stesso rimanga entro certi limiti, bisogna guardare la somma di questi incrementi. La sua varianza è uguale alla somma delle varianze: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), dove D1 è la varianza della serie originale N è la lunghezza della serie originale, M è la lunghezza della finestra mobile. È più facile e più affidabile da montare :)
P.S. Colpa mia, sono stato disattento, c'è un errore, RMS non può aspirare all'infinito. Prendi la somma solo per gli incrementi M
Cioè, la somma di una serie infinitamente grande di incrementi, come uno SV, avrà un RMS infinito.