Рассчитать вероятность разворота - страница 7
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
Ее не показывают вовсе не способы оценки параметров нормального распределения (подгонки, приближения). Это у самого нормального распределения не бывает толстых хвостов. Спросите у Александра_K2, он эти хвосты искал-искал. Просто взгляните на таблицу с единичными параметрами. Таблицы есть в каждом учебнике по ТВ, по-моему, и в каждом справочнике по математике. Как ни подгоняй, для ловли толстых хвостов нужно менять вариант распределения. А зачем Вам именно типовое распределение? Вообще именно распределение вероятностей? К чему эти штампы для "неких данных"? Или все-таки это не некие данные, а именно выборочные относительные частоты, как я догадывался?
Может быть, дело в том, что вероятностное представление вообще не описывает Ваши данные? Вспомните, как пляшет матожидание на картинках Yuriy Asaulenko https://www.mql5.com/ru/forum/221552/page162#comment_6399653 по курсам Forex. Уж не для них ли Вы хотите использовать вероятностное представление? Тогда понятно, откуда тяжелые хвосты.
Ну естественно, выборочные относительные частоты приращений цены. Я думал это и так понятно, другие варианты мало кого интересуют)
Я не использую распределения для торговли, просто хотел бы закрыть пробелы в знаниях. Многие практические нюансы матстата в учебниках не описаны почему-то.
В данном случае, меня интересуют не параметры распределения, и даже не его тип, а просто форма кривой. Насколько она близка к гауссиане, в каких местах отклоняется от нее и на сколько. В учебниках же сотни страниц про оценку параметров, и ни одной про оценку формы.
Что Вы попробуете, снижать погрешность? В формульном виде поставленная Вами задача решена в одну строчку в общей постановке, проведено даже сравнение результатов с Вашим же экспериментом с k=0.65. Или Вы не поняли, что p10^(1/10) и есть решение?
Не внимательно прочитал вначале. Оценка по краям, это первое что пришло в голову самому, так первоначально и прикинул. Но потом возник вопрос, а если брать не края, а центральную точку гистограмму? и тут понял, что все не так просто получается, одной степенью уже не обойтись. В любом случае, спасибо за участие, скорее всего я решу задачу в лоб, как всегда, при помощи итераций и составления полной формулы для каждой интересующей точки.
"на глазок" означает, что надо построить квантиль-квантиль (или вероятность-вероятность) график для выборки и нормального распределения и убедиться, что он хорошо аппроксимируется прямой.
Дык, там та же проблема будет. Абсолютное значение ошибки на хвостах в разы меньше чем в центре. А вклад должны вносить одинаковый, как я предполагаю.
Подозреваю, что эта тема создана не случайно :)))
Припоминаю, что вам каким-то образом удается свести double gamma-подобное распределение приращений на рынке к чистому нормальному... И теперь ищите ответ на вопрос - а дальше-то что?!
Поддерживаю Баса с его советом - Вам надо перейти в опционы. Модель Блэка-Шоулза, очевидно, должна работать на ваших данных.
Не совсем так) что дальше я уже давно решил, еще до того, как начал делать. Но алгоритмы я разрабатываю обычно несколько по своему, из-за ограниченных знаний в математике, часто они потребляют много ресурсов, и решают поставленную задачу специфичными способами.
Иногда что-то сделаю, а потом через некоторое время, найду решение, которое оказывается в разы проще и экономичнее.
То есть хочется все-же развиваться и с каждым разом применять все более умный подход.
А по поводу модели Блэка-Шоулза, я когда первый раз о ней узнал, был сильно удивлен, что за такой примитив дали нобелевскую премию и подумал: "ну понятно, на каком дне находится наука о рынках", я подобную технологию в старых своих разработках применял, но тогда не знал, что за это нобелевки раздают)). Сейчас уже знаю, где там ошибки допущены и если пойду опционами торговать, то не с этой формулой точно.Дык, там та же проблема будет. Абсолютное значение ошибки на хвостах в разы меньше чем в центре. А вклад должны вносить одинаковый, как я предполагаю.
Надо смотреть как эти ошибки распределены по времени в исходной выборке и нет ли между ними зависимости. Если зависимости нет и расположены они более-менее равномерно - надо подбирать другое параметрическое семейство распределений. Иначе - нарушаются условия теоремы Гливенко-Кантелли и не стоит надеяться, что гистограмма приближает плотность какого-то распределения.
Надо смотреть как эти ошибки распределены по времени в исходной выборке и нет ли между ними зависимости. Если зависимости нет и расположены они более-менее равномерно - надо подбирать другое параметрическое семейство распределений. Иначе - нарушаются условия теоремы Гливенко-Кантелли и не стоит надеяться, что гистограмма приближает плотность какого-то распределения.
Вопрос в другом) правильно ли я поступаю, придавая ошибкам на хвостах такой же вес как и ошибкам в центре (с помощью вышеозначенных двух методов, которые пришлось изобрести самому из-за их отсутствия в учебниках).
Конкретный вид распределения не интересует. Интересуют лишь отличия от гауссианы.
Вопрос в другом) правильно ли я поступаю, придавая ошибкам на хвостах такой же вес как и ошибкам в центре (с помощью вышеозначенных двух методов, которые пришлось изобрести самому из-за их отсутствия в учебниках).
Конкретный вид распределения не интересует. Интересуют лишь отличия от гауссианы.
Встречный вопрос - пусть имеется график плотности равномерного распределения на отрезке от ноля до единицы. Гауссиана с какими параметрами будет правильно приближать её?
Встречный вопрос - пусть имеется график плотности равномерного распределения на отрезке от ноля до единицы. Гауссиана с какими параметрами будет правильно приближать её?
Дык, речь идет о распределениях, на глазок похожих на гауссиану.
Дык, речь идет о распределениях, на глазок похожих на гауссиану.
Ок, возьмём тогда плотность распределения Коши или Лапласа.