... Насколько она близка к гауссиане, в каких местах отклоняется от нее и на сколько ...
Просто хотелось понять, как бы вы ответили на этот вопрос в гипотетическом случае, когда достоверно известно, что данные распределены точно в соответствии со стандартным распределением Коши. Тогда проще было бы ответить и в случае с реальными данными. Например, что-нибудь в том духе, что берём ту гауссиану, для которой сумма модулей отклонений децилей минимальна и тд.
Просто хотелось понять, как бы вы ответили на этот вопрос в гипотетическом случае, когда достоверно известно, что данные распределены точно в соответствии со стандартным распределением Коши. Тогда проще было бы ответить и в случае с реальными данными. Например, что-нибудь в том духе, что берём ту гауссиану, для которой сумма модулей отклонений децилей минимальна и тд.
Ну или я совсем не понял вопроса.
Алексей, как можно применить аналогию распределения Коши в практике?
Просто хотелось понять, как бы вы ответили на этот вопрос в гипотетическом случае, когда достоверно известно, что данные распределены точно в соответствии со стандартным распределением Коши. Тогда проще было бы ответить и в случае с реальными данными. Например, что-нибудь в том духе, что берём ту гауссиану, для которой сумма модулей отклонений децилей минимальна и тд.
Ну или я совсем не понял вопроса.
Ну, обычная линейная аппроксимация по МНК. Берем ту гауссиану, для которой сумма квадратов отклонений минимальна.
Вопрос в том, что в центре распределения величина отклонений будет допустим порядка 0.1. А на хвостах, допустим, порядка 0.01.
Т.е. фиттинг произойдет в основном по точкам из центра распределения.
А мне кажется, что все точки должны в равной мере участвовать.
Для этого можно либо взять логарифмический масштаб на вертикальной оси, либо вместо отклонений-разностей брать отклонения-частные, т.е. разделить одно распределение на другое, и потом уже аппроксимировать.
Ну, обычная линейная аппроксимация по МНК. Берем ту гауссиану, для которой сумма квадратов отклонений минимальна.
Вопрос в том, что в центре распределения величина отклонений будет допустим порядка 0.1. А на хвостах, допустим, порядка 0.01.
Т.е. фиттинг произойдет в основном по точкам из центра распределения.
А мне кажется, что все точки должны в равной мере участвовать.
Для этого можно либо взять логарифмический масштаб на вертикальной оси, либо вместо отклонений-разностей брать отклонения-частные, т.е. разделить одно распределение на другое, и потом уже аппроксимировать..
Есть причины, чтобы "участие" точек, которые встречаются редко, тем не менее было таким же, как и у близких к медиане (центру), встречающихся гораздо чаще? За что такое усиление роли в аппроксимации? Не выйдет ли, что "хвост виляет собакой"?
Вообще-то для управления ролью разных точек есть МНК с весами. Назначьте их, например, как величины, обратные к плотности вероятности нормального распределения, и все. Главное, чтобы сумма весов осталась 1. Кстати, а что такое "линейная аппроксимация по МНК", если не аппроксимация прямой линией?
Совершенствование языка MQL5 в плане его быстродействия и постоянный рост производительности персональных компьютеров привели к тому, что пользователи платформы MetaTrader 5 все чаще для анализа рынка стали использовать достаточно сложные, развитые математические методы. Эти методы могут принадлежать различным областям экономики, эконометрики...
Есть причины, чтобы "участие" точек, которые встречаются редко, тем не менее было таким же, как и у близких к медиане (центру), встречающихся гораздо чаще? За что такое усиление роли в аппроксимации? Не выйдет ли, что "хвост виляет собакой"?
Вообще-то для управления ролью разных точек еть МНК с весами. Назначьте их, например, как величины, обратные к плотности вероятности нормального распределения, и все. Главное, чтобы сумма весов осталась 1. Кстати, а что такое "линейный" МНК?
1. Конечно есть. Хвосты ведь большой величины. Применительно к рынку - редкие, но большие убытки. Это не усиление роли, это компенсация недостатка роли, в результате - придание равных ролей всем точкам.
2. Про МНК с весами я знаю. Вопрос не в технике аппроксимации, а в её идеологии.
3. Когда между величинами предполагается линейная связь.
1. Конечно есть. Хвосты ведь большой величины. Применительно к рынку - редкие, но большие убытки.
2. Про МНК с весами я знаю. Вопрос не в технике аппроксимации, а в её идеологии.
3. Когда между величинами предполагается линейная связь.
1. Это уже не вероятностный подход. Хвосты распределения вероятности означают малозначительные редкие случаи, а у главных, значительных, есть свое распределение, быстро убывающее к краям.
2. Вопрос был такой: "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?"
Ответ - нет. Если моделировать задачу вероятностными методами, то, конечно же, важнее те события, которые встречаются чаще других, то есть вероятнее. Это - идеологически.
3. Линейная причинно-следственная связь, имеете в виду? А МНК не все равно, какая там связь?
Ну, обычная линейная аппроксимация по МНК. Берем ту гауссиану, для которой сумма квадратов отклонений минимальна.
Вопрос в том, что в центре распределения величина отклонений будет допустим порядка 0.1. А на хвостах, допустим, порядка 0.01.
Т.е. фиттинг произойдет в основном по точкам из центра распределения.
А мне кажется, что все точки должны в равной мере участвовать.
Для этого можно либо взять логарифмический масштаб на вертикальной оси, либо вместо отклонений-разностей брать отклонения-частные, т.е. разделить одно распределение на другое, и потом уже аппроксимировать.
Несколько напоминает критерий согласия Пирсона (хи-квадрат). Посмотрите у Кобзаря в третьей главе. Надо только чётко разобраться в отличии случая простой нулевой гипотезы, от сложной, когда параметры распределения неизвестны и оцениваются по выборке (например посредством минимизации статистики хи-квадрат).
1. Это уже не вероятностный подход. Хвосты распределения вероятности означают малозначительные редкие случаи, а у главных, значительных, есть свое распределение, быстро убывающее к краям.
2. Вопрос был такой: "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?"
Ответ - нет. Если моделировать задачу вероятностными методами, то, конечно же, важнее те события, которые встречаются чаще других, то есть вероятнее. Это - идеологически.
3. Линейная причинно-следственная связь, имеете в виду? А МНК не все равно, какая там связь?
1. Они НЕ малозначительны. Один такой "малозначительный" случай может привести к потере всего, что заработано на "главных".
3. Линейная корреляционная связь. МНК все равно, линейной я называл аппроксимацию, а не МНК.
Несколько напоминает критерий согласия Пирсона (хи-квадрат). Посмотрите у Кобзаря в третьей главе. Надо только чётко разобраться в отличии случая простой нулевой гипотезы, от сложной, когда параметры распределения неизвестны и оцениваются по выборке (например посредством минимизации статистики хи-квадрат).
Дык, нет же задачи оценивать параметры распределения)
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Ок, возьмём тогда плотность распределения Коши или Лапласа.
Дык при чем тут Коши и Лаплас) меня не интересует вид распределения, и я не планирую его устанавливать)
И параметры гауссианы не нужны. Вопрос другой же.
... Насколько она близка к гауссиане, в каких местах отклоняется от нее и на сколько ...
Просто хотелось понять, как бы вы ответили на этот вопрос в гипотетическом случае, когда достоверно известно, что данные распределены точно в соответствии со стандартным распределением Коши. Тогда проще было бы ответить и в случае с реальными данными. Например, что-нибудь в том духе, что берём ту гауссиану, для которой сумма модулей отклонений децилей минимальна и тд.
Ну или я совсем не понял вопроса.
Просто хотелось понять, как бы вы ответили на этот вопрос в гипотетическом случае, когда достоверно известно, что данные распределены точно в соответствии со стандартным распределением Коши. Тогда проще было бы ответить и в случае с реальными данными. Например, что-нибудь в том духе, что берём ту гауссиану, для которой сумма модулей отклонений децилей минимальна и тд.
Ну или я совсем не понял вопроса.
Алексей, как можно применить аналогию распределения Коши в практике?
Интересен поскриптум, он не прозвучал
Просто хотелось понять, как бы вы ответили на этот вопрос в гипотетическом случае, когда достоверно известно, что данные распределены точно в соответствии со стандартным распределением Коши. Тогда проще было бы ответить и в случае с реальными данными. Например, что-нибудь в том духе, что берём ту гауссиану, для которой сумма модулей отклонений децилей минимальна и тд.
Ну или я совсем не понял вопроса.
Ну, обычная линейная аппроксимация по МНК. Берем ту гауссиану, для которой сумма квадратов отклонений минимальна.
Вопрос в том, что в центре распределения величина отклонений будет допустим порядка 0.1. А на хвостах, допустим, порядка 0.01.
Т.е. фиттинг произойдет в основном по точкам из центра распределения.
А мне кажется, что все точки должны в равной мере участвовать.
Для этого можно либо взять логарифмический масштаб на вертикальной оси, либо вместо отклонений-разностей брать отклонения-частные, т.е. разделить одно распределение на другое, и потом уже аппроксимировать.
Ну, обычная линейная аппроксимация по МНК. Берем ту гауссиану, для которой сумма квадратов отклонений минимальна.
Вопрос в том, что в центре распределения величина отклонений будет допустим порядка 0.1. А на хвостах, допустим, порядка 0.01.
Т.е. фиттинг произойдет в основном по точкам из центра распределения.
А мне кажется, что все точки должны в равной мере участвовать.
Для этого можно либо взять логарифмический масштаб на вертикальной оси, либо вместо отклонений-разностей брать отклонения-частные, т.е. разделить одно распределение на другое, и потом уже аппроксимировать..
Есть причины, чтобы "участие" точек, которые встречаются редко, тем не менее было таким же, как и у близких к медиане (центру), встречающихся гораздо чаще? За что такое усиление роли в аппроксимации? Не выйдет ли, что "хвост виляет собакой"?
Вообще-то для управления ролью разных точек есть МНК с весами. Назначьте их, например, как величины, обратные к плотности вероятности нормального распределения, и все. Главное, чтобы сумма весов осталась 1. Кстати, а что такое "линейная аппроксимация по МНК", если не аппроксимация прямой линией?
Есть причины, чтобы "участие" точек, которые встречаются редко, тем не менее было таким же, как и у близких к медиане (центру), встречающихся гораздо чаще? За что такое усиление роли в аппроксимации? Не выйдет ли, что "хвост виляет собакой"?
Вообще-то для управления ролью разных точек еть МНК с весами. Назначьте их, например, как величины, обратные к плотности вероятности нормального распределения, и все. Главное, чтобы сумма весов осталась 1. Кстати, а что такое "линейный" МНК?
1. Конечно есть. Хвосты ведь большой величины. Применительно к рынку - редкие, но большие убытки. Это не усиление роли, это компенсация недостатка роли, в результате - придание равных ролей всем точкам.
2. Про МНК с весами я знаю. Вопрос не в технике аппроксимации, а в её идеологии.
3. Когда между величинами предполагается линейная связь.
1. Конечно есть. Хвосты ведь большой величины. Применительно к рынку - редкие, но большие убытки.
2. Про МНК с весами я знаю. Вопрос не в технике аппроксимации, а в её идеологии.
3. Когда между величинами предполагается линейная связь.
1. Это уже не вероятностный подход. Хвосты распределения вероятности означают малозначительные редкие случаи, а у главных, значительных, есть свое распределение, быстро убывающее к краям.
2. Вопрос был такой: "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?"
Ответ - нет. Если моделировать задачу вероятностными методами, то, конечно же, важнее те события, которые встречаются чаще других, то есть вероятнее. Это - идеологически.
3. Линейная причинно-следственная связь, имеете в виду? А МНК не все равно, какая там связь?
Ну, обычная линейная аппроксимация по МНК. Берем ту гауссиану, для которой сумма квадратов отклонений минимальна.
Вопрос в том, что в центре распределения величина отклонений будет допустим порядка 0.1. А на хвостах, допустим, порядка 0.01.
Т.е. фиттинг произойдет в основном по точкам из центра распределения.
А мне кажется, что все точки должны в равной мере участвовать.
Для этого можно либо взять логарифмический масштаб на вертикальной оси, либо вместо отклонений-разностей брать отклонения-частные, т.е. разделить одно распределение на другое, и потом уже аппроксимировать.
Несколько напоминает критерий согласия Пирсона (хи-квадрат). Посмотрите у Кобзаря в третьей главе. Надо только чётко разобраться в отличии случая простой нулевой гипотезы, от сложной, когда параметры распределения неизвестны и оцениваются по выборке (например посредством минимизации статистики хи-квадрат).
1. Это уже не вероятностный подход. Хвосты распределения вероятности означают малозначительные редкие случаи, а у главных, значительных, есть свое распределение, быстро убывающее к краям.
2. Вопрос был такой: "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?"
Ответ - нет. Если моделировать задачу вероятностными методами, то, конечно же, важнее те события, которые встречаются чаще других, то есть вероятнее. Это - идеологически.
3. Линейная причинно-следственная связь, имеете в виду? А МНК не все равно, какая там связь?
1. Они НЕ малозначительны. Один такой "малозначительный" случай может привести к потере всего, что заработано на "главных".
3. Линейная корреляционная связь. МНК все равно, линейной я называл аппроксимацию, а не МНК.
Несколько напоминает критерий согласия Пирсона (хи-квадрат). Посмотрите у Кобзаря в третьей главе. Надо только чётко разобраться в отличии случая простой нулевой гипотезы, от сложной, когда параметры распределения неизвестны и оцениваются по выборке (например посредством минимизации статистики хи-квадрат).
Дык, нет же задачи оценивать параметры распределения)