Mathemat : Avals , 우리가 수익률(종가의 증가)에 대해 구체적으로 이야기한다면 아아, 여기에도 독립성이 없습니다. 수익률은 정상적인 법칙에 따라 분배되지 않습니다. 이것은 Peters의 책에 잘 쓰여져 있습니다. 나는 첫 페이지 어딘가에 같은 스레드의 링크를 제공했습니다.
따라서 증분의 합도 정상입니다. 그리고 문제에서 내가 이해하는 한 특정 확률(신뢰 구간)로 특정 한계 내에서 이 금액을 찾는 것을 고려해야 합니다.
그래서 우리는 최종 RMS S*sqrt(2) 를 가지고 있습니까? 흠...
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
N >> M의 경우 이것은 거의 동일합니다. 글쎄, 우리는 실제로 매트에 대해 이야기하고 있기 때문에. RMS를 기대하면 N은 무한대와 같아야합니다 :)
PS 죄송합니다. 부주의합니다. 실수가 있습니다. RMS는 무한대를 만들 수 없습니다. M 증분에 대해서만 금액을 취해야 합니다.
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
여러분, 응답해 주신 모든 분들께 감사드립니다. 당신의 토론 덕분에 머리가 맑아졌습니다. 약간. :-)
원래 시리즈는 가격입니다. 그는 물론입니다. 그의 분포는 아마도 비정상적일 것입니다. 나는 정규분포에 대해 썼습니다. 왜냐하면 분석적 형태로 그것에 대해 많은 것을 계산할 수 있고 실제 분포는 특정 정확도로 정규분포로 근사될 수 있기 때문입니다.
이 작업은 꼬리 부분에 있는 사건의 확률을 예측하거나 결정하려는 시도와 아무 관련이 없습니다. 나는 당신을 실망 시켰을 것입니다. 아아. 작업은 이동 평균의 범위(맞아요, Sergey, 그게 요점)가 M 창의 크기에 크게 의존하기 때문에 발생했습니다. 그리고 나는 지울 수 없는 습관에 따라 다른 M에 대한 이동 평균 을 비교하고 싶습니다. 하지만 범위가 다르기 때문에 할 수 없습니다. 이러한 값 범위를 동일한 간격으로 가져오려면 이러한 이동 평균을 정규화해야 합니다. 그리고 이를 위해서는 정규화 계수, 보다 정확하게는 M에 대한 의존성을 계산해야 합니다.
또한 이력의 통계를 가지고 분포 함수를 숫자로 구성하면 이 계수를 직접 계산하거나 가우스로 분포 함수를 근사하고 분석적으로 계산할 수 있습니다. 당연히 절대 정확도는 여기에서 쓸모가 없습니다. 종속성의 특성이 모델이 아니라 사실이라는 것이 중요합니다. 많은 모델이 생각나네요...
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
PS 죄송합니다, 부주의합니다. 실수가 있습니다. RMS는 무한대 경향이 없습니다. M 증분에 대해서만 금액을 취해야 합니다.
N이 M보다 빠르게 무한대에 가까워지면 RMS가 무한대에 가까워지는 것을 알 수 있습니다. 구현은 아크사인 법칙에 의해 확인된 수학적 기대 *N 라인에서 원하는 만큼 멀리 갈 수 있습니다. 저것들. 하나의 SV - RMS가 무한하기 때문에 무한히 큰 일련의 증분의 합입니다.
이 SV 매트인 것 같습니다. 기대치=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Avals , 우리가 수익률(종가의 증가)에 대해 구체적으로 이야기한다면 아아, 여기에도 독립성이 없습니다. 수익률은 정상적인 법칙에 따라 분배되지 않습니다. 이것은 Peters의 책에 잘 쓰여져 있습니다. 나는 첫 페이지 어딘가에 같은 스레드의 링크를 제공했습니다.
나는 이것에 동의하지만, 여기서 문제는 원래 X가 가우스에 따라 분포된다는 것이었습니다.
"정규 분포된 값 X...가 있다고 가정해 봅시다."
이 SV 매트인 것 같습니다. 기대치=0, D=2*D1/M, RMS=제곱(2*D1/M)
따라서 증분의 합도 정상입니다. 그리고 문제에서 내가 이해하는 한 특정 확률( 신뢰 구간 )로 특정 한계 내에서 이 금액을 찾는 것을 고려해야 합니다.
이 SV 매트인 것 같습니다. 기대치=0, D=2*D1/M, RMS=제곱(2*D1/M)
따라서 증분의 합도 정상입니다. 그리고 문제에서 내가 이해하는 한 특정 확률(신뢰 구간)로 특정 한계 내에서 이 금액을 찾는 것을 고려해야 합니다.
이 SV 매트인 것 같습니다. 기대치=0, D=2*D1/M, RMS=제곱(2*D1/M)
따라서 증분의 합도 정상입니다. 그리고 문제에서 내가 이해하는 한 특정 확률(신뢰 구간)로 특정 한계 내에서 이 금액을 찾는 것을 고려해야 합니다.
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
최종 RMS S*sqrt(2) 가 있습니까? 흠...
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
PS 죄송합니다. 부주의합니다. 실수가 있습니다. RMS는 무한대를 만들 수 없습니다. M 증분에 대해서만 금액을 취해야 합니다.
PPS S는 sqrt(D1)를 의미합니다.
최종 RMS S*sqrt(2) 가 있습니까? 흠...
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
여러분, 응답해 주신 모든 분들께 감사드립니다. 당신의 토론 덕분에 머리가 맑아졌습니다. 약간. :-)
원래 시리즈는 가격입니다. 그는 물론입니다. 그의 분포는 아마도 비정상적일 것입니다. 나는 정규분포에 대해 썼습니다. 왜냐하면 분석적 형태로 그것에 대해 많은 것을 계산할 수 있고 실제 분포는 특정 정확도로 정규분포로 근사될 수 있기 때문입니다.
이 작업은 꼬리 부분에 있는 사건의 확률을 예측하거나 결정하려는 시도와 아무 관련이 없습니다. 나는 당신을 실망 시켰을 것입니다. 아아. 작업은 이동 평균의 범위(맞아요, Sergey, 그게 요점)가 M 창의 크기에 크게 의존하기 때문에 발생했습니다. 그리고 나는 지울 수 없는 습관에 따라 다른 M에 대한 이동 평균 을 비교하고 싶습니다. 하지만 범위가 다르기 때문에 할 수 없습니다. 이러한 값 범위를 동일한 간격으로 가져오려면 이러한 이동 평균을 정규화해야 합니다. 그리고 이를 위해서는 정규화 계수, 보다 정확하게는 M에 대한 의존성을 계산해야 합니다.
또한 이력의 통계를 가지고 분포 함수를 숫자로 구성하면 이 계수를 직접 계산하거나 가우스로 분포 함수를 근사하고 분석적으로 계산할 수 있습니다. 당연히 절대 정확도는 여기에서 쓸모가 없습니다. 종속성의 특성이 모델이 아니라 사실이라는 것이 중요합니다. 많은 모델이 생각나네요...
2 수학
우리가 날카로운 경계에 대해 이야기하는 것이 아니라 표본 크기의 차이로 인한 값의 차이를 보상하는 것에 대해 이야기하고 있다는 것을 이제 이해하시기 바랍니다. 그리고 나는 당신이 말한 모든 것에 동의합니다. 충분히. :-)
최종 RMS S*sqrt(2) 가 있습니까? 흠...
이것은 이 평균의 증분에만 해당됩니다. 값 자체가 특정 한계 내에서 유지되기 위해서는 이러한 증분의 합계를 고려해야 합니다. 분산은 분산의 합과 같습니다: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), 여기서 D1은 원래 계열의 분산입니다. N은 원래 계열의 길이이고, M은 슬라이딩 윈도우의 길이입니다. 몬테칼이 더 쉽고 안정적입니다 :)
PS 죄송합니다, 부주의합니다. 실수가 있습니다. RMS는 무한대 경향이 없습니다. M 증분에 대해서만 금액을 취해야 합니다.
저것들. 하나의 SV - RMS가 무한하기 때문에 무한히 큰 일련의 증분의 합입니다.