Совершенствование языка MQL5 в плане его быстродействия и постоянный рост производительности персональных компьютеров привели к тому, что пользователи платформы MetaTrader 5 все чаще для анализа рынка стали использовать достаточно сложные, развитые математические методы. Эти методы могут принадлежать различным областям экономики, эконометрики...
よし、それならコーシー分布かラプラス分布の密度を取ろう。
コーシー分布やラプラス分布に興味はないし、設定する予定もない)
ガウスパラメータもいらないしね。質問が違う。
...ガウシアンにどれだけ近いか、どこがどうずれているか、どれくらいずれているか ...
ただ、データが標準的なコーシー分布に従って正確に分布していることが分かっている仮想的なケースで、この質問にどのように答えるかを理解したかったのです。それなら、実データの場合も答えやすくなりますね。例えば、十進数の偏差のモジュラスの和が最小になるようなガウシアンをとる、とか。
あるいは、質問の意味が全く理解できない。
ただ、データが標準的なコーシー分布に従って正確に分布していることが確実に分かっている仮想的なケースで、この質問にどう答えるか見てみたかったのです。それなら、実データの場合も答えやすくなりますね。例えば、十進数の偏差のモジュラスの和が最小になるようなガウシアンをとる、とか。
あるいは、質問の意味が全く理解できない。
アレクセイ、コーシー分布のアナロジーは、実際にどのように応用できるのでしょうか？
面白い追記、伝わらなかった。
ただ、データが標準的なコーシー分布に従って正確に分布していることが確実に分かっている仮想的なケースで、この質問にどう答えるか見てみたかったのです。それなら、実データの場合も答えやすくなりますね。例えば、十進数の偏差のモジュラスの和が最小になるようなガウシアンをとる、とか。
あるいは、質問の意味が全く理解できない。
まあ、MNCによるいつもの線形近似です。偏差の二乗和が最小になるようなガウシアンを選びます。
問題は、分布の中心では偏差の値が、例えば0.1程度のオーダーになることだ。そして、テールには、仮に0.01のオーダーで。
つまり、フィッティングは分布の中心からの点で、ほとんど発生することになります。
そして、すべてのポイントが平等に参加すべきと思われます。
このためには、縦軸に対数目盛りをつけるか、偏差値-差の代わりに偏差値-部分、つまり、ある分布を別の分布で割って、すでに近似的に求めることができます。
さて、ANCによるいつもの線形近似。偏差の二乗和が最小になるようなガウシアンを選びます。
問題は、分布の中心では、偏差の値が例えば0.1程度のオーダーになることだ。そして、テールには、仮に0.01のオーダーで。
つまり、フィッティングは分布の中心からの点で、ほとんど発生することになります。
そして、すべてのポイントが平等に参加すべきと思われます。
そのためには、縦軸に対数目盛りを取るか、偏差値差の代わりに偏差値部分差を取るか、つまりある分布を別の分布で割って、もう近似的に...。
それにもかかわらず、めったに起こらない点の「参加」が、中央値（中心）に近い、より頻繁に起こる点の「参加」と同じでなければならない理由はあるのだろうか。なぜ近似値でこのような役割分担の増幅ができるのでしょうか？尻尾が犬を振る」と出てきませんか？
実は、さまざまなポイントの役割をコントロールするために、ウェイトを持ったMNCがあるのです。例えば、正規分布の確率密度 関数に逆らう値として設定すれば、それで完了です。重みの和が1になるようにするのが主なポイントです。ところで、「MNCによる直線近似」でなくて、何でしょうか？
それにもかかわらず、めったに起こらない点の「参加」が、より頻繁に起こる中央値（中心）に近い点と同じでなければならない理由はあるのでしょうか。なぜ、このように近似の役割を強化したのでしょうか。尻尾が犬を振る」と出てきませんか？
実は、さまざまなポイントの役割をコントロールするために、ウェイトを持ったMNCがあるのです。例えば、正規分布の確率密度 関数に逆らう値として設定すれば、それで完了です。重みの和が1になるようにするのが主なポイントです。ところで、「リニア」MNCとは何でしょうか？
1.もちろん、ありますよ。やはりテールの大きさが大きいですね。市場に適用される-まれではあるが大きな損失が発生する。役割の強化ではなく、役割の不足を補うことで、結果的にすべてのポイントに均等に役割を与えることになるのです。
2.私が知っているウェイトのあるMNCについて。問題は、近似技術ではなく、その思想である。
3.量と量の間に直線関係が仮定されている場合。
1.もちろん、ありますよ。やはり大きなテールがありますね。市場に適用され、稀にではあるが大きな損失を被る。
2.ウェイトを使ったMNCは知っています。問題は近似技術にあるのではなく、その思想にある。
3.値間に直線関係が仮定されている場合。
1.もはや確率論的なアプローチではない。確率分布の テール（尾部）は小さな、まれなケースを意味し、主要な、重要なものは独自の分布を持ち、エッジに向かって急速に減少している。
2.質問は「ところで、アレクセイ、ウラジミール、教えてくれ」だった。あるデータを正規分布で近似 する場合、分布の尾部と中央部は同じ重みで近似されるはずだが？"
答えは「ノー」です。確率論的な手法で問題をモデル化すれば、当然、他の事象よりも発生頻度の高い事象がより重要、すなわち可能性が高いということになる。これはイデオロギー的なものです。
3.直線的な因果関係、ということですか？ISCは、どのような関係であっても構わないのですか？
さて、ANCによるいつもの線形近似。偏差の二乗和が最小になるようなガウシアンを選びます。
問題は、分布の中心では、偏差の値が例えば0.1程度のオーダーになることだ。そして、テールには、仮に0.01のオーダーで。
つまり、フィッティングは分布の中心からの点で、ほとんど発生することになります。
そして、すべてのポイントが平等に参加すべきと思われます。
そのためには、縦軸に対数目盛りを取るか、偏差値-差の代わりに偏差値-部分、つまりある分布を別の分布で割って、すでに近似している分布を取る方法があります。
ピアソンの適合度検定（カイ二乗）をやや彷彿とさせる。第3章のコブザーを見てください。単純帰無仮説と複合仮説の違いを明確に理解する必要があるのは、分布パラメータが未知で標本から推定する場合（例えば、カイ二乗統計量の最小化など）だけである。
1.もはや確率論的なアプローチではない。確率分布のテール（尾部）は、小さな、まれなケースを指し、主要な、重要なものは、端に向かって急速に減少する独自の分布を持っています。
2.質問は「ところで、アレクセイ、ウラジミール、教えてくれ」だった。あるデータを正規分布で近似 する場合、分布の尾部と中央部は同じ重みで近似されるはずだが？ "
答えは「ノー」です。確率論的な手法で問題をモデル化すれば、当然、他の事象よりも発生頻度の高い事象がより重要、すなわち可能性が高いということになる。これはイデオロギー的なものです。
3.直線的な因果関係、ということですか？ISCは、どのような関係であっても構わないのですか？
1.取るに足らないことはない。そのような「小さな」案件が一つでもあれば、「大きな」案件で稼いだ分をすべて失うことになりかねない。
3. 直線的な相関関係。MNCは全て同じ、リニアはMNCでなく近似と言った。
ピアソンの適合度テスト（カイ二乗）をやや想起させる。第3章のKobzarを参照。単純な帰無仮説の場合と、分布パラメータが未知で標本から推定する（例えばカイ二乗統計量を最小化する）複雑な場合との違いを明確に理解することが必要なだけである。
まあ、分布パラメータを推定するタスクはないのですが...)