표준 TA 지표에 대해 이야기한다면 그다지 많지 않습니다. 그러나 그것은 또한 주의를 기울일 가치가 있습니다. 이미 사진을 올렸습니다. 두 가지 다른 기간에 대한 RSI 차트와 이에 대한 내 의견이 있습니다. RSI의 범위가 평활 주기에 의존하지 않도록 정규화하면 보다 효율적으로 사용할 수 있습니다. 일부 다른 지표에도 동일하게 적용됩니다.
표시기가 "사용"되는 방법이 중요합니다. 아마도 그런 문제는 없을 것입니다.
지표의 적응성에 관한 기사가 있었습니다. 가장 간단한 방법은 Bollinger RSI에 부과하는 것입니다. 이론적인 분포를 구성하지 않고 표준 편차를 기반으로 하는 간단한 통계 방법입니다.
Yurixx는 다음과 같이 썼습니다. 누가 이 적분이 경사 하강법에 의해 취해졌다고 말했습니까?
네, 괜찮아요, Yurixx , 저는 이 말을 당신 탓으로 돌리지 않습니다. 음, 종소리와 휘파람에 대한 회의적인 태도에 관해서는 ... 집에 메이플을 설치했는데 기호 계산을 포함하여 때로는 정말 도움이됩니다. 물론 오랫동안 사용하지 않았습니다.
나는 matcad를 가지고 있었고 matlab을 설치했습니다. 최근 설치한 neuroshell2. 시간을 들여 모든 것을 알아낼 수 있는 또 다른 곳. 그리고 저는 ... 제가 정말로 다루고 싶은 것들이 있습니다.
그러므로 농담이 없다면 내 회의론은 내가 원하는 모든 것을 마스터할 수 있다는 점에서 회의론으로 제한됩니다. 이 모든 것들은 깊이 파고들 필요가 없고 결과가 숫자로 필요한 사람들이 이미 개발하고 세련된 방법을 적용하기 위한 훌륭한 수하물입니다. 우리가 여기에서 우리 모두에 대해 이야기한다면, 우리는 새로운 것을 창조하려고 노력하는 것입니다. 깊은 침투 없이는 거의 불가능합니다. 그러나 ... 그것이 할아버지가 깊이 파고 드는 것입니다.
표준 TA 지표에 대해 이야기한다면 그다지 많지 않습니다. 그러나 그것은 또한 주의를 기울일 가치가 있습니다. 이미 사진을 올렸습니다. 두 가지 다른 기간에 대한 RSI 차트와 이에 대한 내 의견이 있습니다. RSI의 범위가 평활 주기에 의존하지 않도록 정규화하면 보다 효율적으로 사용할 수 있습니다. 일부 다른 지표에도 동일하게 적용됩니다.
표시기가 "사용"되는 방법이 중요합니다. 아마도 그런 문제는 없을 것입니다.
지표의 적응성에 관한 기사가 있었습니다. 가장 간단한 방법은 Bollinger RSI에 부과하는 것입니다. 이론적인 분포를 구성하지 않고 표준 편차를 기반으로 하는 간단한 통계 방법입니다.
의심할 여지 없이 다양한 가능성과 방법이 있습니다. 이것은 특히 "이론적 분포"와 같은 새로운 작업을 중단해야 함을 의미합니까?
내 마음속에 흥미로운 질문이 떠올랐다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
나는 이론이 첫 번째 원칙에서 얻은 분포를 사용한다고 가정할 수 있습니다. 그리고 이 함수는 가능한 근사 함수 중 하나일 뿐입니다. 이것은 이미 현상학의 영역입니다.
사실, 다음과 같은 메모가 있습니다. 우리가 실제로 Ymin 및 Ymax 의 기대치에 대해 이야기하고 있다는 점을 분명히 해야 합니다. 시리즈의 최소값에 대한 최소 평균을 계산하기 위한 "치명적인" 조건은 이 단점을 완화하지만 또 다른 단점을 야기합니다. 사실, 우리는 M개의 최소(최대) 값의 확률에 대해 이야기하고 있습니다. 연속으로 떨어지는 시리즈(이것이 "킬러"라는 단어가 사용되는 이유입니다). N이 무한대가 될 때 그러한 사건의 확률은 0이 되는 경향이 있습니다. 계산을 자세히 분석하지는 않았지만 X1이 0으로, X2도 무한대로 될 것이라고 가정해야 합니다. 그들을 따라 Ymin과 Ymax도 거기로 이동할 것입니다. 첫 번째는 두 번째 사진에서 명확하게 볼 수 있고 두 번째는 물론 어떤 차트에도 맞지 않습니다. 이것은 상당히 느린 열망에도 불구하고 정규화 계수로서의 가치를 논쟁의 여지가 없게 만듭니다. 나는 가격을 포함하여 오랫동안 정상화를 연습해 왔습니다. IMHO, 가장 자연스러운 것은 신뢰 구간을 사용하는 것입니다. 즉, F(Ymax)=1-Delta, 실제로 - Y의 실제 분포는 사용 가능한 최대 N으로 구축되고 Ymax는 정렬을 통해 선택된 Delta에 대해 발견됩니다. 나는 시간을 재지 않았지만 간단한 Y의 경우 많은 시간이 걸리지 않을 것입니다.
... 그 과정에서 내 마음 속에 흥미로운 질문이 떠올랐습니다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
유라, 이 질문에 대한 답을 모르겠습니다.
나는 당신이 제안한 분포 p(X)=A*(X^a)*exp(–B*(X^b)) 가 보다 일반적인 경우의 특별한 경우라고만 가정할 수 있습니다(예: 일반화 지수 분포 p(X)=a /(2Г[1/a]*l*s)exp{-[(xm)/l*sl*s]^a} , Bulashev, p. 41), 또는 에센스를 꿰뚫어볼 수 있어서, 끝없이 펼쳐진 포폴에서 조용히 배추를 썰고 있는 것이 좋다고 생각했습니다. :)
하지만 반론이 있습니다!
얼마 전 나는 임의의 순서의 자기회귀 모델에 참여했습니다(현재 막대의 진폭과 임의의 수의 이전 막대의 동작 합계에 대한 부호의 의존성을 검색할 때입니다). 나는 이 문제를 너무 잘 풀었고, 모델 범위의 출현으로 그것이 실제 시리즈인지 아닌지 구별할 수 없을 정도로 하나의 경우가 아니라면 그러나 모델 범위의 분포 함수(DF)는 다음과 같이 밝혀졌습니다. 현실과는 거리가 멀다. 불일치의 원인을 찾지 못했습니다. 직관적으로, 나는 자기 상관 함수의 일치가 첫 번째 차이의 DF 일치에 충분하다고 느꼈습니다. 그렇지 않은 것으로 밝혀졌습니다. 여러 잔류물의 거동을 모델링할 때 고려하지 않은 것이 있습니다.
질문: 정지된 과정에 대한 어떤 정보가 그것을 정확하게 재현하기에 충분합니까? 답은 이것이었습니다. 공분산 함수와 m.d를 알아야 합니다. 프로세스. 주어진 공분산 함수로 프로세스를 구축하는 방법을 아직 모릅니다. 그러나 이론적으로 결과 프로세스는 원래 모델링된 프로세스의 올바른 구현으로 간주될 수 있습니다. 프로세스가 고정적이지 않았습니까?
추신: 렘넌트(반환)의 과정을 사실적으로 시뮬레이션하고 싶습니다. Peters에 따르면 허용 가능한 정확도의 잔차 분포는 프랙탈이며 프로세스는 정상적입니다. 다른 모델은 제외되지 않지만 ...
내 마음속에 흥미로운 질문이 떠올랐다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
나는 이론이 첫 번째 원칙에서 얻은 분포를 사용한다고 가정할 수 있습니다. 그리고 이 함수는 가능한 근사 함수 중 하나일 뿐입니다. 이것은 이미 현상학의 영역입니다.
사실, 다음과 같은 메모가 있습니다. 우리가 실제로 Ymin 및 Ymax 의 기대치에 대해 이야기하고 있다는 점을 분명히 해야 합니다. 시리즈의 최소값에 대한 최소 평균을 계산하기 위한 "치명적인" 조건은 이 단점을 완화하지만 또 다른 단점을 야기합니다. 사실, 우리는 M개의 최소(최대) 값의 확률에 대해 이야기하고 있습니다. 연속으로 떨어지는 시리즈(이것이 "킬러"라는 단어가 사용되는 이유입니다). N이 무한대가 될 때 그러한 사건의 확률은 0이 되는 경향이 있습니다. 계산을 자세히 분석하지는 않았지만 X1이 0으로, X2도 무한대로 될 것이라고 가정해야 합니다. 그들을 따라 Ymin과 Ymax도 거기로 이동할 것입니다. 첫 번째는 두 번째 사진에서 명확하게 볼 수 있고 두 번째는 물론 어떤 차트에도 맞지 않습니다. 이것은 상당히 느린 열망에도 불구하고 정규화 계수로서의 가치를 논쟁의 여지가 없게 만듭니다. 나는 가격을 포함하여 오랫동안 정상화를 연습해 왔습니다. IMHO, 가장 자연스러운 것은 신뢰 구간을 사용하는 것입니다. 즉, F(Ymax)=1-Delta, 실제로 - Y의 실제 분포는 사용 가능한 최대 N으로 구축되고 Ymax는 정렬을 통해 선택된 Delta에 대해 발견됩니다. 나는 시간을 재지 않았지만 간단한 Y의 경우 많은 시간이 걸리지 않을 것입니다.
모든 의견에 동의합니다. 그리고 행동의 그림은 N ->로 절대적으로 정확합니다. 하지만.
이것은 Ymin 및 Ymax 한계의 계산이 아니라 통계적 평가일 뿐입니다. 목표는 문제의 정확도에 대해 너무 엄격한 요구 사항을 부과하지 않는 범위의 정규화입니다. 이를 감안할 때 나는 그러한 가정(사실 - 부정확)이 상당히 수용 가능하다고 생각합니다. 이제 해외로 나갈 시기를 정해야 한다면 훨씬 더 정확하게 정해야 할 것이다.
나는 명시적으로 언급된 유한 N의 경우에만 나 자신을 제한했습니다. 사용 가능한 최대값을 사용하지만 계산에 유한한 N을 사용하더라도 나는 그렇게 할 권리가 있습니다. :-)) N이 무한대에 도달하면 어떻게 될지 알 수 없습니다. 하나의 위안 - 우리는 더 이상 당신과 함께하지 않습니다. 그리고 외환도요.
작업의 주요 목표에 주의를 기울이고 싶습니다. Ymin 및 Ymax 자체를 계산하는 것이 아닙니다. 그리고 파생 시리즈의 원본 데이터 시리즈의 데이터 측면 에서. 또한 정규화 재계산 방법은 임의적이며 수행한 기록 집합과 관련이 있습니다. t/f를 전환할 때 2000바에서 500000바로 변경할 수 있습니다. 첫 번째 경우 범위의 경계에 도달하는 것은 아무 말도 하지 않고 두 번째 경우에는 많은 것을 말합니다. 내 방법은 모델 분포 함수 를 염두에 둔 자의적이라는 비난을 받을 수 있습니다. 그러나 "최대 가용" 데이터 양으로 실험적으로 구성된 실제 분포가 모델 1에 의해 잘 근사된다면 임의성은 무엇입니까?
표시기가 "사용"되는 방법이 중요합니다. 아마도 그런 문제는 없을 것입니다.
지표의 적응성에 관한 기사가 있었습니다. 가장 간단한 방법은 Bollinger RSI에 부과하는 것입니다. 이론적인 분포를 구성하지 않고 표준 편차를 기반으로 하는 간단한 통계 방법입니다.
네, 괜찮아요, Yurixx , 저는 이 말을 당신 탓으로 돌리지 않습니다. 음, 종소리와 휘파람에 대한 회의적인 태도에 관해서는 ... 집에 메이플을 설치했는데 기호 계산을 포함하여 때로는 정말 도움이됩니다. 물론 오랫동안 사용하지 않았습니다.
나는 matcad를 가지고 있었고 matlab을 설치했습니다. 최근 설치한 neuroshell2. 시간을 들여 모든 것을 알아낼 수 있는 또 다른 곳. 그리고 저는 ... 제가 정말로 다루고 싶은 것들이 있습니다.
그러므로 농담이 없다면 내 회의론은 내가 원하는 모든 것을 마스터할 수 있다는 점에서 회의론으로 제한됩니다. 이 모든 것들은 깊이 파고들 필요가 없고 결과가 숫자로 필요한 사람들이 이미 개발하고 세련된 방법을 적용하기 위한 훌륭한 수하물입니다. 우리가 여기에서 우리 모두에 대해 이야기한다면, 우리는 새로운 것을 창조하려고 노력하는 것입니다. 깊은 침투 없이는 거의 불가능합니다. 그러나 ... 그것이 할아버지가 깊이 파고 드는 것입니다.
표시기가 "사용"되는 방법이 중요합니다. 아마도 그런 문제는 없을 것입니다.
지표의 적응성에 관한 기사가 있었습니다. 가장 간단한 방법은 Bollinger RSI에 부과하는 것입니다. 이론적인 분포를 구성하지 않고 표준 편차를 기반으로 하는 간단한 통계 방법입니다.
의심할 여지 없이 다양한 가능성과 방법이 있습니다. 이것은 특히 "이론적 분포"와 같은 새로운 작업을 중단해야 함을 의미합니까?
유리크스에게
내 마음속에 흥미로운 질문이 떠올랐다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
사실, 다음과 같은 메모가 있습니다. 우리가 실제로 Ymin 및 Ymax 의 기대치에 대해 이야기하고 있다는 점을 분명히 해야 합니다. 시리즈의 최소값에 대한 최소 평균을 계산하기 위한 "치명적인" 조건은 이 단점을 완화하지만 또 다른 단점을 야기합니다. 사실, 우리는 M개의 최소(최대) 값의 확률에 대해 이야기하고 있습니다. 연속으로 떨어지는 시리즈(이것이 "킬러"라는 단어가 사용되는 이유입니다). N이 무한대가 될 때 그러한 사건의 확률은 0이 되는 경향이 있습니다. 계산을 자세히 분석하지는 않았지만 X1이 0으로, X2도 무한대로 될 것이라고 가정해야 합니다. 그들을 따라 Ymin과 Ymax도 거기로 이동할 것입니다. 첫 번째는 두 번째 사진에서 명확하게 볼 수 있고 두 번째는 물론 어떤 차트에도 맞지 않습니다. 이것은 상당히 느린 열망에도 불구하고 정규화 계수로서의 가치를 논쟁의 여지가 없게 만듭니다.
나는 가격을 포함하여 오랫동안 정상화를 연습해 왔습니다. IMHO, 가장 자연스러운 것은 신뢰 구간을 사용하는 것입니다. 즉, F(Ymax)=1-Delta, 실제로 - Y의 실제 분포는 사용 가능한 최대 N으로 구축되고 Ymax는 정렬을 통해 선택된 Delta에 대해 발견됩니다. 나는 시간을 재지 않았지만 간단한 Y의 경우 많은 시간이 걸리지 않을 것입니다.
유리크스에게
간략하지만 간결하게. 내 건강에 해로운 타고난 호기심을 용서하십시오. 그러나 당신은 개인적으로 완전히 불필요한 것조차도 항상 알아내고 싶어합니다. :에 대한)
유리크스에게
간략하지만 간략하게. 내 건강에 해로운 타고난 호기심을 용서하십시오. 그러나 당신은 개인적으로 완전히 불필요한 것이라도 항상 그것을 알아내고 싶어합니다. :에 대한)
그래서 내가 여러분 모두를 사랑합니다, 여러분! :-)
... 그 과정에서 내 마음 속에 흥미로운 질문이 떠올랐습니다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
유라, 이 질문에 대한 답을 모르겠습니다.
나는 당신이 제안한 분포 p(X)=A*(X^a)*exp(–B*(X^b)) 가 보다 일반적인 경우의 특별한 경우라고만 가정할 수 있습니다(예: 일반화 지수 분포 p(X)=a /(2Г[1/a]*l*s)exp{-[(xm)/l*sl*s]^a} , Bulashev, p. 41), 또는 에센스를 꿰뚫어볼 수 있어서, 끝없이 펼쳐진 포폴에서 조용히 배추를 썰고 있는 것이 좋다고 생각했습니다. :)
하지만 반론이 있습니다!
얼마 전 나는 임의의 순서의 자기회귀 모델에 참여했습니다(현재 막대의 진폭과 임의의 수의 이전 막대의 동작 합계에 대한 부호의 의존성을 검색할 때입니다). 나는 이 문제를 너무 잘 풀었고, 모델 범위의 출현으로 그것이 실제 시리즈인지 아닌지 구별할 수 없을 정도로 하나의 경우가 아니라면 그러나 모델 범위의 분포 함수(DF)는 다음과 같이 밝혀졌습니다. 현실과는 거리가 멀다. 불일치의 원인을 찾지 못했습니다. 직관적으로, 나는 자기 상관 함수의 일치가 첫 번째 차이의 DF 일치에 충분하다고 느꼈습니다. 그렇지 않은 것으로 밝혀졌습니다. 여러 잔류물의 거동을 모델링할 때 고려하지 않은 것이 있습니다.
이 문제에 대해 어떻게 생각하세요?
내가 개입할게, 뉴트론 . 저는 통계 전문가가 아니기 때문에 mekhmat( lib.mexmat.ru )에서 질문을 해야 했습니다. 여기에 있습니다: http://lib.mexmat.ru/forum/viewtopic.php?t=9102
질문: 정지된 과정에 대한 어떤 정보가 그것을 정확하게 재현하기에 충분합니까? 답은 이것이었습니다. 공분산 함수와 m.d를 알아야 합니다. 프로세스. 주어진 공분산 함수로 프로세스를 구축하는 방법을 아직 모릅니다. 그러나 이론적으로 결과 프로세스는 원래 모델링된 프로세스의 올바른 구현으로 간주될 수 있습니다. 프로세스가 고정적이지 않았습니까?
추신: 렘넌트(반환)의 과정을 사실적으로 시뮬레이션하고 싶습니다. Peters에 따르면 허용 가능한 정확도의 잔차 분포는 프랙탈이며 프로세스는 정상적입니다. 다른 모델은 제외되지 않지만 ...
내 마음속에 흥미로운 질문이 떠올랐다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
사실, 다음과 같은 메모가 있습니다. 우리가 실제로 Ymin 및 Ymax 의 기대치에 대해 이야기하고 있다는 점을 분명히 해야 합니다. 시리즈의 최소값에 대한 최소 평균을 계산하기 위한 "치명적인" 조건은 이 단점을 완화하지만 또 다른 단점을 야기합니다. 사실, 우리는 M개의 최소(최대) 값의 확률에 대해 이야기하고 있습니다. 연속으로 떨어지는 시리즈(이것이 "킬러"라는 단어가 사용되는 이유입니다). N이 무한대가 될 때 그러한 사건의 확률은 0이 되는 경향이 있습니다. 계산을 자세히 분석하지는 않았지만 X1이 0으로, X2도 무한대로 될 것이라고 가정해야 합니다. 그들을 따라 Ymin과 Ymax도 거기로 이동할 것입니다. 첫 번째는 두 번째 사진에서 명확하게 볼 수 있고 두 번째는 물론 어떤 차트에도 맞지 않습니다. 이것은 상당히 느린 열망에도 불구하고 정규화 계수로서의 가치를 논쟁의 여지가 없게 만듭니다.
나는 가격을 포함하여 오랫동안 정상화를 연습해 왔습니다. IMHO, 가장 자연스러운 것은 신뢰 구간을 사용하는 것입니다. 즉, F(Ymax)=1-Delta, 실제로 - Y의 실제 분포는 사용 가능한 최대 N으로 구축되고 Ymax는 정렬을 통해 선택된 Delta에 대해 발견됩니다. 나는 시간을 재지 않았지만 간단한 Y의 경우 많은 시간이 걸리지 않을 것입니다.
모든 의견에 동의합니다. 그리고 행동의 그림은 N ->로 절대적으로 정확합니다. 하지만.
이것은 Ymin 및 Ymax 한계의 계산이 아니라 통계적 평가일 뿐입니다. 목표는 문제의 정확도에 대해 너무 엄격한 요구 사항을 부과하지 않는 범위의 정규화입니다. 이를 감안할 때 나는 그러한 가정(사실 - 부정확)이 상당히 수용 가능하다고 생각합니다. 이제 해외로 나갈 시기를 정해야 한다면 훨씬 더 정확하게 정해야 할 것이다.
나는 명시적으로 언급된 유한 N의 경우에만 나 자신을 제한했습니다. 사용 가능한 최대값을 사용하지만 계산에 유한한 N을 사용하더라도 나는 그렇게 할 권리가 있습니다. :-)) N이 무한대에 도달하면 어떻게 될지 알 수 없습니다. 하나의 위안 - 우리는 더 이상 당신과 함께하지 않습니다. 그리고 외환도요.
작업의 주요 목표에 주의를 기울이고 싶습니다. Ymin 및 Ymax 자체를 계산하는 것이 아닙니다. 그리고 파생 시리즈의 원본 데이터 시리즈의 데이터 측면 에서. 또한 정규화 재계산 방법은 임의적이며 수행한 기록 집합과 관련이 있습니다. t/f를 전환할 때 2000바에서 500000바로 변경할 수 있습니다. 첫 번째 경우 범위의 경계에 도달하는 것은 아무 말도 하지 않고 두 번째 경우에는 많은 것을 말합니다. 내 방법은 모델 분포 함수 를 염두에 둔 자의적이라는 비난을 받을 수 있습니다. 그러나 "최대 가용" 데이터 양으로 실험적으로 구성된 실제 분포가 모델 1에 의해 잘 근사된다면 임의성은 무엇입니까?