Обсуждение статьи "Применение метода собственных координат к анализу структуры неэкстенсивных статистических распределений"
Хе. Да уж, такая своеобразная "теория всего".
Что-то мне пока видится ее ценность только с фундаментальной точки зрения, в прикладных задачах как-то удобнее пользоваться приближениями и частными случаями.
Что-то мне пока видится ее ценность только с фундаментальной точки зрения, в прикладных задачах как-то удобнее пользоваться приближениями и частными случаями.
Вероятно, так получилось из-за специфической обертки.
Метод собственных координат был придуман для "правильного" решения прикладных задач.
В статье [20] этот момент раскрывается более подробно:
т.е. "только с фундаментальной" лучше читать как "в том числе с фундаментальной".
А кто автор сего творения (статьи)? :-)
А кто автор сего творения (статьи)? :-)
Автор данной статьи готов ответить на Ваши вопросы :)
Метод собственных координат был разработан Р,Р. Нигматуллиным:
[20] R. R. Nigmatullin, "Eigen-coordinates: New method of analytical functions identification in experimental measurements".
[21] R.R. Nigmatullin, "Recognition of nonextensive statistical distributions by the eigencoordinates method".
Разложение R(x) было опубликовано в [20], разложение P1(x) и P2(x) в [21].
Математическое обоснование метода можно найти в этих статьях.
По поводу фундаментальности+прикладной задачи - интересно было бы проверить, насколько хороши q-Gaussian P2(x) и решение Хилхорста и Шера P(U) для описания реальных рыночных данных.
Для этого потребуется также построить собственные координаты P(U) по аналогии с P2(x) (у нее в аргументе erf-1(x), но производную и интеграл можно получить в аналитическом виде).
Получив для нее дифференциальное уравнение, можно будет сравнить его со структурой уравнения для P2(x).
Если P(U) - предельное решение, то она должна лучше работать на больших таймфреймах, это можно проверить.
Также желательно улучшить точность расчета erf-1(x), в статье использована рациональная аппроксимация, в некоторых точках |x-erf(erf-1(x))|~10^-5.
По поводу фундаментальности+прикладной задачи - интересно было бы проверить, насколько хороши q-Gaussian P2(x) и решение Хилхорста и Шера P(U) для описания реальных рыночных данных.
Для этого потребуется также построить собственные координаты P(U) по аналогии с P2(x) (у нее в аргументе erf-1(x), но производную и интеграл можно получить в аналитическом виде).
Получив для нее дифференциальное уравнение, можно будет сравнить его со структурой уравнения для P2(x).
Если P(U) - предельное решение, то она должна лучше работать на больших таймфреймах, это можно проверить.
Также желательно улучшить точность расчета erf-1(x), в статье использована рациональная аппроксимация, в некоторых точках |x-erf(erf-1(x))|~10^-5.
Румбы, румбы, пальцем покажи :)
Меня радует появление данной статьи, а также радует то, что все больше статей, в которых прослеживается определенная мысль.
.
По сути статьи.
Мой более чем скромный опыт применения статистики показывает, что важнее системность применения методов статистики, чем углубленность использования отдельных методов.
Из стать не ясно:
1. какую проблему (проблемы ) котиров решает данная статья.
2. какую проблему (проблемы) построения ТС решает данная статья.
Не имея такого обзора мне трудно судить о практической ценности данной статьи.
По поводу фундаментальности+прикладной задачи - интересно было бы проверить, насколько хороши q-Gaussian P2(x) и решение Хилхорста и Шера P(U) для описания реальных рыночных данных.
Для этого потребуется также построить собственные координаты P(U) по аналогии с P2(x) (у нее в аргументе erf-1(x), но производную и интеграл можно получить в аналитическом виде).
Получив для нее дифференциальное уравнение, можно будет сравнить его со структурой уравнения для P2(x).
Если P(U) - предельное решение, то она должна лучше работать на больших таймфреймах, это можно проверить.
Также желательно улучшить точность расчета erf-1(x), в статье использована рациональная аппроксимация, в некоторых точках |x-erf(erf-1(x))|~10^-5.
Вероятно, так получилось из-за специфической обертки.
Метод собственных координат был придуман для "правильного" решения прикладных задач.
В статье [20] этот момент раскрывается более подробно:
т.е. "только с фундаментальной" лучше читать как "в том числе с фундаментальной".
Я в каком смысле все это. Вот пускай мы имеем некоторую модель, и на основе нее получили теоретическую функцию. И пускай при этом мы в силу своего незнания не смогли учесть некий очень незначительный, но систематический фактор. В этом случае метод собственных координат по причине своей необычайной чувствительности даст нам по шапке, сказав, что реальные данные не соответствуют модели. Однако же ведь это неправда! - модель верная, но не учитывает всего одного фактора, причем с практической точки зрения этот недочет может оказаться вообще несущественным (как в том же примере Хилхорста-Шелла, где отличие даже на глаз-то заметить сложно). Так что "только с фундаментальной" я бы читал как "скорее с фундаментальной" в том смысле, что ценность максимальной точности соответствия может быть не столь существенная с прикладной точки зрения (для решения практической задачи), сколько с фундаментальной (досконального понимания всех происходящих процессов).
Кроме того, метод дает нам лишь вердикт о том, что модель не подходит под экспериментальные данные, но ничего не говорит о причинах несоответствия (как в моем примере - мы не можем определить, верна ли модель "в целом" с небольшими недочетами либо следует ее полностью пересматривать), и это есть недостаток.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Применение метода собственных координат к анализу структуры неэкстенсивных статистических распределений:
Центральной проблемой прикладной статистики является проблема принятия статистических гипотез. Долгое время считалось, что эта задача не может быть решена. Ситуация изменилась с появлением метода собственных координат. Это очень красивый и мощный инструмент структурного исследования сигнала, позволяющий увидеть больше, чем доступно методами современной прикладной статистики. В статье рассмотрены вопросы практического использования данного метода и приведены программы на языке MQL5. Рассмотрена задача идентификации функций на примере распределения, полученного Хилхорстом и Шером.
Автор: MetaQuotes