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
Поддерживаю Баса с его советом - Вам надо перейти в опционы. Модель Блэка-Шоулза, очевидно, должна работать на ваших данных.
Вы даже не поняли, о чем был вопрос, и о чем был мой совет) зачем так явно демонстрировать свое невежество?)
Всякая ли колоколовидная функция является плотностью нормального распределения? Что мешает, например, увидеть в вашем рисунке плотность бета-распределения?
Кстати, Алексей, и Владимир, подскажите. Допустим, мы хотим некие данные аппроксимировать нормальным распределением.
Хвосты и середина распределения должны иметь одинаковый вес в аппроксимации, как я полагаю?
Тогда аппроксимировать лучше в логарифмических координатах?
Ибо в линейных координатах абсолютная ошибка в хвостах будет на порядки меньше чем в середине, а значит, будет слабо участвовать в аппроксимации.
Ну или второй вариант - в качестве ошибки брать не квадрат разности, а частное? Но таких формул я не смогу вывести.
Вы даже не поняли, о чем был вопрос, и о чем был мой совет) зачем так явно демонстрировать свое невежество?)
Кстати, Алексей, и Владимир, подскажите. Допустим, мы хотим некие данные аппроксимировать нормальным распределением.
Хвосты и середина распределения должны иметь одинаковый вес в аппроксимации, как я полагаю?
Тогда аппроксимировать лучше в логарифмических координатах?
Ибо в линейных координатах абсолютная ошибка в хвостах будет на порядки меньше чем в середине, а значит, будет слабо участвовать в аппроксимации.
Ну или второй вариант - в качестве ошибки брать не квадрат разности, а частное? Но таких формул я не смогу вывести.
Для начала стоило бы убедиться в нормальности выборки, хотя бы "на глазок".
Потом надо найти "прикладную статистику" Кобзаря и посмотреть там вторую главу)
...
Тогда аппроксимировать лучше в логарифмических координатах?
...В целом Ваш вопрос (вопросы?) поставлен слишком общо, абстрактно. Единственное, что могу сказать с уверенностью - если приближение делать с минимизацией отклонений в логарифмических координатах, это будет минимум относительной ошибки. Это относится к приближению чем угодно: полиномами, тригонометрическими функциями, сплайнами, рациональными дробями, всплесками (вейвлетами)... О приближениях типовыми вероятностными распределениями не слышал.
Для начала стоило бы убедиться в нормальности выборки, хотя бы "на глазок".
"на глазок" означает, что надо построить квантиль-квантиль (или вероятность-вероятность) график для выборки и нормального распределения и убедиться, что он хорошо аппроксимируется прямой.
Кстати, Алексей, и Владимир, подскажите. Допустим, мы хотим некие данные аппроксимировать нормальным распределением
..
Вот, например, данные, которые сейчас всех интересуют https://gisanddata.maps.arcgis.com/apps/opsdashboard/index.html#/bda7594740fd40299423467b48e9ecf6. Как раз "некие".
Зачем может понадобиться их аппроксимировать нормальным или другим распределением? Экспонентой вначале еще интересно было, по уравнению кинетики цепной реакции распространения.
Зачем может понадобиться их аппроксимировать нормальным или другим распределением? Экспонентой вначале еще интересно было, по уравнению кинетики цепной реакции распространения.
Имеется в виду не временной ряд, а гистограмма близкая к нормальной.
https://www.mql5.com/ru/articles/396
python - https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.html
https://www.mql5.com/ru/articles/396
Так это сглаживание.