Стохастический резонанс - страница 30
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
...Интересный вопрос возник у меня по ходу дела. Может быть кто-нибудь просветит, почему такой простой и удобный, обладающий хорошими свойствами вид функции распределения не используется в статистике ? А если используется, то почему об этом не пишут ? Ни разу не встречал, чтобы распределение типа приращений кто-нибудь пытался аппроксимировать иначе, чем логнормальным.
Юра, я не знаю ответа на этот вопрос.
Могу только предположить, что предложенное тобой распределение p(X)=A*(X^a)*exp(–B*(X^b)), является частным более общего случая (например, Обобщённого Экспоненциального Распределения p(X)=a/(2Г[1/a]*л*s)exp{-[(x-m)/л*sл*s]^a}, Булашев, стр.41), или те немногие, кто так же смог проникнуть в суть, сочли за благо промолчать и потихоньку стригут капусту на бескрайних Форполях:)
Я тоже так думал и так и было бы, если бы в обобщенном распределении участвовал показательный член. А поскольку такого нет, то обобщенное распределение имеет ненулевое значение в нуле и распространяется на область х<0. Показательный член делает левый склон очень крутым (в обобщенном при а<1 оба склона пологие), а правый склон - еще более пологим, чем в обобщенном. Я не побоюсь этого слова - толстый хвост. :-) И, что самое главное, оно не интегрируется в явном виде.
Зато у меня есть встречный вопрос!
Занимался я не так давно авторегрессивными моделями произвольного порядка (это когда ищется зависимость амплитуды текущего бара и его знака от суммы действий на него произвольного числа предыдущих баров). Задачу я эту решил, да так хорошо, что по виду модельного рядя нельзя было сказать настоящий это ряд или нет, если бы не одно НО - функция распределения (ФР) модельного ряда получалась далёкой от реальности. Я так и не смог найти причину расхождения. Интуитивно я чувствовал, что совпадение функций автокорреляций достаточно для совпадения ФР их первых разностей. Оказалось это не так... Есть что-то, что я не учитываю в моделировании поведения ряда остатков.
Что думаешь по этому вопросу?
Поскольку я не знаю ни методов, которыми ты решал эту задачу, ни метода моделирования остатков, и в мат.статистике хромаю на обе ноги и левую руку, то сказать, увы, ничего не могу. Чтобы хотя бы начать думать по этому поводу, одного этого маленького абзаца мне лично недостаточно, мне как Штирлицу, нужно больше информации для размышлений.
Дело не в расчете Ymin и Ymax как таковом. А в пересчете по данным исходного ряда данных ряда производного. Кроме того, Ваш метод пересчета нормировки произвольный, привязанный к тому историческому набору, на котором Вы это делаете. При переключении т/ф он может измениться с 2000 баров до, скажем 500000 баров. Достижение граници диапазона в первом случае ни о чем не говорит, а во втором говорит о многом. Мой метод можно обвинить в произволе только имея в виду модельную функцию распределения. Однако, если реальное, экспериментально построенное по "максимально доступному" количеству данных распределение хорошо аппроксимируется модельным, то в чем произвол ?
К произволу у меня как раз никаких претензий не было, для феноменологии единственный ограничитель - точность аппроксимации, и произвол я бы предпочёл называть не произволом, а степенью свободы :)
Я тут вмешаюсь, Neutron. Я не профессионал в статистике, и поэтому пришлось задать вопрос на мехмате (lib.mexmat.ru). Это здесь: http://lib.mexmat.ru/forum/viewtopic.php?t=9102
Вопрос: какой информации о стационарном процессе достаточно для того, чтобы правильно его воспроизвести? Ответ был таким: надо знать ковариационную функцию и м.о. процесса. Как строить процесс с заданной ковариационной функцией, пока не знаю. Но по идее полученный процесс можно будет считать правильной реализацией исходного моделируемого. Может, твой процесс не был стационарным?
P.S. Хочу правдоподобно моделировать процесс остатков (returns). Согласно Петерсу, распределение остатков с приемлемой точностью является фрактальным, а процесс - стационарным. Хотя не исключены и другие модели...
Привет, Mathemat!
Я дилетант в статистике (обратное утверждение пусть останется на совести Юры) и на большинство вопросов просто не знаю ответа:(
Ряд называют строго стационарным (или стационарным в узком смысле), если от времени не зависит его ФР, среднее и дисперсия.
Ряд называют слабо стационарным (или стационарным в широком смысле), если от времени не зависит его среднее и дисперсия.
Действительно, наш ряд первых разностей не является стационарным даже в широком смысле этого слова - заметно гуляет амплитуда, ты считаешь, это может, является причиной наблюдаемого эффекта?
P.S. Интересно, что имел ввиду Петерс утверждая стационарность данного процесса?
Не люблю спорить по теоретическим вопросам, очень редко удаётся определиться :). И в данном случае никакой попытки выставить универсальную оценку не было. Я просто "под себя" попытался понять и сравнить фактический объём расчётов. Мне кажется для Вашего подхода сюда нужно включить расчёт характеристик исходного ряда чего в моём подходе не требуется. Второй момент - непонятно во что у Вас выльются расчёты для Y, более сложных чем простое среднее. А разве необходимость обработки исходного ряда не делает Вашу методику столь же чувствительной к таймфрейму, что и моя? Понимаю, дело именно в специфике исходного ряда. Но у меня есть аналогичный козырь - найденный инвариант, единый для всех проверенных символов (мажоры) и для всех таймфреймов.
К произволу у меня как раз никаких претензий не было, для феноменологии единственный ограничитель - точность аппроксимации, и произвол я бы предпочёл называть не произволом, а степенью свободы :)
Дык я и не спорю. Так, оправдываюсь. :-)
Расчеты для нетривиальных методов усреднения - темный лес. Я туда не хожу, боюсь. Я свою задачу решил, и ладно.
P.S. Интересно, что имел ввиду Петерс утверждая стационарность данного процесса?
Может быть то, что ско этого процесса не имеет предела сходимости ? :-)))
Кстати, Neutron , не мог бы ты мне объяснить одну подробность. Чем плохо когда МО<СКО, и чем хорошо, когда наоборот ? Возник тут этот вопрос однажды, а ФР, которуя я использовал, как раз и обладает этим нехорошим свойством.
Mathemat, а может ты тоже это знаешь, так объясни неграмотному.
Вопрос возникал у Vinin'a здесь: 'Бета распределение' . Это специфичная задача, тут все зависит от целей автора ветки. А вообще в МО<СКО ничего плохого нет. В returns та же ситуация: на дневках МО - несколько пунктов, даже на тренде с 2001 по евре, а СКО - минимум десятки пунктов. На том же тренде евры returns часовок дает МО порядка 0.2 пункта, а СКО - минимум несколько пунктов.
Если в returns то плохо. Главная характеристика торговли это доход/риск. Риск определяется волатильностью, систематический доход МО. Даже показатели такие есть - Шарп (доход за период/СКО), Сортино - тоже самое но учитывается "волатильность вниз". Если СКО больше МО, то потери от этой волатильности вероятно превышают потенциальный доход связанный с положительным МО.