Ressonância estocástica - página 18
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Parece que este CB tem expectativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Avals, se estamos falando especificamente de retornos (aumentos de preço de fechamento), então, infelizmente, aqui também não há independência: os retornos não são distribuídos de acordo com a lei normal. Está bem descrito nos livros de Peters, eu dei um link para ele no mesmo tópico em algum lugar nas primeiras páginas.
Concordo com isto, mas aqui o problema original era que X é gaussiano distribuído.
"Suponha que haja uma seqüência normalmente distribuída de quantidades X..."
Parece que este SV tem expectativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Portanto, a soma dos incrementos também é normal. E o problema, como eu entendo, é considerar encontrar esta soma dentro de certos limites com uma certa probabilidade(intervalo de confiança)
Parece que este SV tem expectativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Portanto, a soma dos incrementos também é normal. E no problema, tanto quanto sei, é necessário considerar encontrar esta soma dentro de certos limites com alguma probabilidade (intervalo de confiança)
Parece que este SV tem expectativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Portanto, a soma dos incrementos também é normal. E o problema, como eu o entendo, é considerar encontrar esta soma dentro de certos limites com uma certa probabilidade (intervalo de confiança).
Isto é apenas para os incrementos desta média. A fim de manter o valor em si dentro de certos limites, você tem que olhar para a soma desses incrementos. Sua variância é igual à soma das variâncias: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), onde D1 é a variância da série original N é o comprimento da série original, M é o comprimento da janela deslizante. É mais fácil e mais confiável para o montecarry :)
Temos um RMS final de S*sqrt(2) ? Hm ...
Isto é apenas para os incrementos desta média. A fim de manter o próprio valor dentro de certos limites, você tem que olhar para a soma destes incrementos. Sua variância é igual à soma das variâncias: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), onde D1 é a variância da série original N é o comprimento da série original, M é o comprimento da janela deslizante. É mais fácil e mais confiável para o montecarry :)
P.S. Desculpe, eu estava desatento, há um erro aí, RMS não pode tender ao infinito. Você deve levar a soma somente para os incrementos M
P.P.S. S significa sqrt(D1)
Temos um RMS final de S*sqrt(2) ? Hm ...
Isto é apenas para os incrementos desta média. Para que o valor em si fique dentro de certos limites, é preciso olhar para a soma desses incrementos. Sua variância é igual à soma das variâncias: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), onde D1 é a variância da série original N é o comprimento da série original, M é o comprimento da janela deslizante. É mais fácil e mais confiável para o montecarry :)
Rapazes, obrigado a todos que responderam. Sua discussão também me esclareceu. Ligeiramente. :-)
O ponto de partida são os preços. Ele está, é claro, lá. Sua distribuição provavelmente não é normal. Eu escrevi sobre o normal, porque muitas coisas podem ser calculadas analiticamente para ele e porque a distribuição real pode ser aproximada com uma certa precisão por uma distribuição normal.
A tarefa não tem nada a ver com a previsão ou tentativa de determinar as probabilidades dos eventos nas caudas. Devo tê-lo decepcionado com isto, infelizmente. O problema ocorreu porque a média móvel tem uma faixa (isso mesmo Sergey, essa é a questão) que depende significativamente do tamanho da janela M. E eu, pelo meu hábito arraigado, quero compararmédias móveis para diferentes M. Mas não posso, porque elas têm faixas de valores diferentes. A fim de normalizar estas médias móveis para um único intervalo, você precisa calcular o fator de normalização, ou melhor, sua dependência do M.
Além disso, tendo estatísticas da história e tendo construído uma função de distribuição em números, podemos calcular este coeficiente de forma simples ou aproximar a função de distribuição por Gauss e calculá-lo de forma analítica. Naturalmente, a precisão absoluta não tem importância aqui. É importante que a natureza da relação seja verdadeira, não baseada em modelos. Posso pensar em muitos baseados em modelos ...
2 Mathemat
Espero que agora vocês entendam que não estamos falando de limites claros, mas da compensação das diferenças de valores que resultam de diferenças no tamanho da amostra. E com tudo o que você disse eu concordo, completamente. :-)
Temos um RMS final de S*sqrt(2) ? Hm ...
Isto é apenas para os incrementos desta média. Para que o valor em si fique dentro de certos limites, é preciso olhar para a soma desses incrementos. Sua variância é igual à soma das variâncias: Ds=(N-M+1)*D=2*(N-M+1)*D1/M. RMS=SQRT(2*(N-M+1)*D1/M), onde D1 é a variância da série original N é o comprimento da série original, M é o comprimento da janela deslizante. É mais fácil e mais confiável para o montecarry :)
P.S. Meu erro, eu estava desatento, há um erro, RMS não pode aspirar ao infinito. Pegue a soma somente para os incrementos M
Ou seja, a soma de uma série infinitamente grande de incrementos, como uma SV, terá um RMS infinito.