일반적으로 FX에서 가격 책정의 원리를 알면 원칙적으로 분배가 정상일 수 없습니다. 상관 관계의 도움으로 그래픽 패턴을 찾고 모양과 파도를 인식하려고 시도할 수 있습니다. 그러나 확률 이론은 적용될 수 없습니다. 확률 이론에 대한 지식으로 무장한 사람은 무장하지 않은 사람처럼 눈이 멀었습니다.
가우스 분포의 경우 이러한 개념이 동일하기 때문에 상관 관계와 종속성이 종종 혼동됩니다( 수학적 통계 에 대한 모든 교과서의 증명 참조). 반면 많은 사람들은 세상의 모든 것이 정규 분포를 따른다고 믿습니다 :))
또 다른 일반적인 오해는 "상관 계수"(즉, r.v. 간의 확률론적 종속성의 특성)와 "표본 상관 계수"(실제 QC의 추정치 - 가능한 많은 것 중 하나)"의 개념을 혼동하는 것입니다. 사실 이것들은 완전히 다른 것이고, 하나를 다른 것으로 바꾸는 것은 근본적으로 잘못된 것입니다.
따라잡기 위해 종종 혼동되는 두 가지 용어가 더 있습니다. 기능적 종속성과 확률론적 종속성(통계적, 회귀적 등이기도 함)입니다.
분기를 읽으면서 나는 수학적 통계가 단순히 수십 개의 교과서를 읽는 것으로 이해할 수 없다는 것을 백 번을 확신합니다.
또 다른 일반적인 오해는 "상관 계수"(즉, r.v. 간의 확률론적 종속성의 특성)와 " 샘플 상관 계수 "(실제 QC의 추정 - 많은 가능한 것 중 하나)의 개념을 혼동하는 것입니다. 사실 이것들은 완전히 다른 것이고, 하나를 다른 것으로 바꾸는 것은 근본적으로 잘못된 것입니다.
분기 이름에는 "selection"이라는 단어가 포함되어 있습니다. 선형 관계는 확률 변수의 이론적인 특성이 아니라 선택적인 것으로도 논의됩니다.
상관관계와 의존성은 가우스 분포의 경우 이러한 개념이 동일하기 때문에 종종 혼동됩니다(수학적 통계에 대한 모든 교과서의 증명 참조). 반면 많은 사람들은 세상의 모든 것이 정규 분포를 따른다고 믿습니다 :))
또 다른 일반적인 오해는 "상관 계수"(즉, r.v. 간의 확률론적 종속성의 특성)와 "표본 상관 계수"(실제 QC의 추정치 - 가능한 많은 것 중 하나)"의 개념을 혼동하는 것입니다. 사실 이것들은 완전히 다른 것이고, 하나를 다른 것으로 바꾸는 것은 근본적으로 잘못된 것입니다.
따라잡기 위해 종종 혼동되는 두 가지 용어가 더 있습니다. 기능적 종속성과 확률론적 종속성(통계적, 회귀적 등이기도 함)입니다.
분기를 읽으면서 나는 수학적 통계가 단순히 수십 개의 교과서를 읽는 것으로 이해할 수 없다는 것을 백 번을 확신합니다.
시험에 합격해야 합니다.
바람직하게는 "우수" :)))
그리고 "poyuzat"개발에 대한 열망이 있다면?
FFT든 뭐든 상관없어요...
다중 회귀 및 상관 관계.
;)
소리!
핸디캡의 물리적 모델과 어떤 관련이 있습니까?
그들이 이미 펀드에 있었다면 괜찮을 것입니다. 적어도 거기에서 상태 공간의 메트릭은 토러스가 아니라 공입니다.
일반적으로 KK = 0이면 연구 중인 두 양이 관련이 없다는 것을 전혀 의미하지 않는다는 것이 이에 관한 책에 기록되어 있습니다.
책들은 그것들이 선형적으로 관련이 없다고 말합니다.
Rosh가 인용한 링크는 Spearman의 순위 상관 관계입니다. 그것이 그가 계산하는 방식입니다. 자기상관을 보고 싶다면 https://www.mql5.com/en/code/8295 와 같이 조금 다르게 생각하시면 됩니다.
선형 관계가 상관 관계와 관련된 이유가 명확해졌습니다.
두 개의 BP를 벡터로 상상해 봅시다. 사실은 어떤 이유로 벡터가 직교하면 선형 관계가 없다고 결정되었습니다.
벡터의 직교성은 0 스칼라 곱입니다.
유클리드 공간의 경우 벡터의 스칼라 곱은 다음과 같이 고려됩니다.
따라서 벡터가 선형으로 독립적이면(위의 정의에 따라) 상관 관계는 0입니다.
또 다른 점은 벡터 사이의 각도 측정으로 정의되는 선형 관계가 매우 잘못된 정의라는 것입니다.
소규모 교육 프로그램입니다.
가우스 분포의 경우 이러한 개념이 동일하기 때문에 상관 관계와 종속성이 종종 혼동됩니다( 수학적 통계 에 대한 모든 교과서의 증명 참조). 반면 많은 사람들은 세상의 모든 것이 정규 분포를 따른다고 믿습니다 :))
또 다른 일반적인 오해는 "상관 계수"(즉, r.v. 간의 확률론적 종속성의 특성)와 "표본 상관 계수"(실제 QC의 추정치 - 가능한 많은 것 중 하나)"의 개념을 혼동하는 것입니다. 사실 이것들은 완전히 다른 것이고, 하나를 다른 것으로 바꾸는 것은 근본적으로 잘못된 것입니다.
따라잡기 위해 종종 혼동되는 두 가지 용어가 더 있습니다. 기능적 종속성과 확률론적 종속성(통계적, 회귀적 등이기도 함)입니다.
분기를 읽으면서 나는 수학적 통계가 단순히 수십 개의 교과서를 읽는 것으로 이해할 수 없다는 것을 백 번을 확신합니다.
시험에 합격해야 합니다.
바람직하게는 "우수" :)))
또 다른 일반적인 오해는 "상관 계수"(즉, r.v. 간의 확률론적 종속성의 특성)와 " 샘플 상관 계수 "(실제 QC의 추정 - 많은 가능한 것 중 하나)의 개념을 혼동하는 것입니다. 사실 이것들은 완전히 다른 것이고, 하나를 다른 것으로 바꾸는 것은 근본적으로 잘못된 것입니다.
소규모 교육 프로그램입니다.
상관관계와 의존성은 가우스 분포의 경우 이러한 개념이 동일하기 때문에 종종 혼동됩니다(수학적 통계에 대한 모든 교과서의 증명 참조). 반면 많은 사람들은 세상의 모든 것이 정규 분포를 따른다고 믿습니다 :))
또 다른 일반적인 오해는 "상관 계수"(즉, r.v. 간의 확률론적 종속성의 특성)와 "표본 상관 계수"(실제 QC의 추정치 - 가능한 많은 것 중 하나)"의 개념을 혼동하는 것입니다. 사실 이것들은 완전히 다른 것이고, 하나를 다른 것으로 바꾸는 것은 근본적으로 잘못된 것입니다.
따라잡기 위해 종종 혼동되는 두 가지 용어가 더 있습니다. 기능적 종속성과 확률론적 종속성(통계적, 회귀적 등이기도 함)입니다.
분기를 읽으면서 나는 수학적 통계가 단순히 수십 개의 교과서를 읽는 것으로 이해할 수 없다는 것을 백 번을 확신합니다.
시험에 합격해야 합니다.
바람직하게는 "우수" :)))
그리고 "poyuzat"개발에 대한 열망이 있다면?
FFT든 뭐든 상관없어요...
다중 회귀 및 상관 관계.
;)
소리!
핸디캡의 물리적 모델과 어떤 관련이 있습니까?
그들이 이미 펀드에 있었다면 괜찮을 것입니다. 적어도 거기에서 상태 공간의 메트릭은 토러스가 아니라 공입니다.
;) DDD
선형 관계가 상관 관계와 관련된 이유가 명확해졌습니다.
두 개의 BP를 벡터로 상상해 봅시다. 사실은 어떤 이유로 벡터가 직교하면 선형 관계가 없다고 결정되었습니다.
벡터의 직교성은 0 스칼라 곱입니다.
유클리드 공간의 경우 벡터의 스칼라 곱은 다음과 같이 고려됩니다.
- 예, 이것은 거의 기성품 상관 관계입니다.
따라서 벡터가 선형으로 독립적이면(위의 정의에 따라) 상관 관계는 0입니다.
또 다른 점은 벡터 사이의 각도 측정으로 정의되는 선형 관계가 매우 잘못된 정의라는 것입니다.
연구소에서 과제가 거의 없습니까?
....
자기 상관은 일반적으로 올바르지 않습니다.알고 보니 코드를 게시하기 전에 10번은 다시 확인했습니다. 교과서를 보았다. 알려진 매트로 검사한 대조 샘플에서. 패키지. 특히 matkad에는 내장 함수가 있습니다. 모든 일치를 확인했습니다. 그러나 그것은 잘못된 것으로 밝혀졌습니다 ...
나를 깨우쳐 줄 수 있니? 하지만 갑자기 내가 정말 틀렸어.
따라서 https://ru.wikipedia.org/wiki/Autocorrelation_function 의 경우를 대비하여