Geri dönüş olasılığını hesaplayın - sayfa 7
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Normal dağılımın parametrelerini tahmin etme yöntemleri (uydurma, yaklaşım) tarafından hiç gösterilmemiştir. Yağlı kuyrukları olmayan en normal dağılımdır. Alexander_K2'ye sor, bu kuyrukları arıyordu. Sadece tek parametreli tabloya bir göz atın. Sanırım her TV ders kitabında ve her matematik referans kitabında tablolar var. Nasıl özelleştirdiğiniz önemli değil, kalın kuyrukları yakalamak için dağıtım seçeneğini değiştirmeniz gerekir. Ve neden tipik bir dağıtıma ihtiyacınız var? Gerçekten bir olasılık dağılımı mı? Neden "bazı veriler" için bu pullar? Yoksa tahmin ettiğim gibi bazı veriler değil, seçici göreceli frekanslar mı?
Belki de olasılık gösterimi verilerinizi hiç açıklamadığı içindir? Yuriy Asaulenko'nun resimlerinde matematiksel beklentinin nasıl dans ettiğini hatırlayın https://www.mql5.com/en/forum/221552/page162#comment_6399653 Forex oranlarında. Olasılıksal bir temsil kullanmak istediğiniz onlar için değil mi? O zaman ağır kuyrukların nereden geldiği belli oluyor.
Tabii ki, fiyat artışlarının seçici göreli sıklıkları. Yeterince açık olduğunu düşündüm, diğer seçenekler kimseyi ilgilendirmez)
Dağıtımları ticaret için kullanmıyorum, sadece bilgi boşluklarını kapatmak istiyorum. Bazı nedenlerden dolayı, matstat'ın birçok pratik nüansı ders kitaplarında açıklanmamıştır.
Bu durumda, dağılımın parametreleriyle ve hatta türüyle değil, sadece eğrinin şekliyle ilgilenmiyorum. Gauss'a ne kadar yakın, ondan hangi noktalarda ve ne kadar sapıyor. Parametre değerlendirmeyle ilgili ders kitaplarında yüzlerce sayfa var ve form değerlendirmeyle ilgili tek bir sayfa yok.
Hatayı azaltmak için ne yapacaksınız? Formül olarak, kurduğunuz problem genel bir ortamda tek satırda çözülmüş, hatta sonuçların k=0.65 ile kendi deneyiniz ile karşılaştırılması yapılmıştır. Yoksa çözümün p10^(1/10) olduğunu anlamadınız mı?
İlk başta dikkatli okumadım. Kenarlarda değerlendirme, aklıma gelen ilk şey bu, bu yüzden başlangıçta anladım. Ama sonra soru ortaya çıktı, ya kenarları değil de histogramın merkez noktasını alırsak? ve sonra anladım ki her şey o kadar kolay değil, bir derece artık yeterli değil. Her durumda, katkınız için teşekkürler, büyük olasılıkla sorunu her zaman olduğu gibi yinelemelerin yardımıyla ve her bir ilgi noktası için eksiksiz bir formül derleyerek çözeceğim.
"gözle", numune ve normal dağılım için bir nicelik-kantil (veya olasılık-olasılık ) grafiği çizmeniz ve bunun düz bir çizgiyle iyi uyduğundan emin olmanız gerektiği anlamına gelir.
Yani aynı sorun olacak. Kuyruklardaki hatanın mutlak değeri, merkezden birkaç kat daha azdır. Ve katkı, tahmin ettiğim gibi aynı olmalı.
Bu konunun tesadüfen oluşturulmadığından şüpheleniyorum :)))
Piyasadaki artımların çift gama benzeri dağılımını bir şekilde tamamen normale indirmeyi başardığınızı hatırlıyorum... Ve şimdi sorunun cevabını arayın - sırada ne var?!
Bas'ı tavsiyesiyle destekliyorum - seçeneklere girmeniz gerekiyor. Black-Scholes modeli açıkça verileriniz üzerinde çalışmalıdır.
Pek öyle değil) bundan sonra ne yapacağıma uzun zaman önce, hatta daha yapmaya başlamadan karar verdim. Ama genellikle kendi yöntemimle algoritma geliştiririm, matematikteki sınırlı bilgi nedeniyle, genellikle çok fazla kaynak tüketirler ve sorunu belirli şekillerde çözerler.
Bazen bir şeyler yapacağım ve bir süre sonra çok daha kolay ve ekonomik olduğu ortaya çıkan bir çözüm bulacağım.
Yani, hepsini aynı şekilde geliştirmek ve her seferinde giderek daha akıllı bir yaklaşım uygulamak istiyorum.
Ve Black-Scholes modeline gelince, bunu ilk öğrendiğimde, Nobel Ödülü'nü böyle ilkel bir şeye vermelerine çok şaşırdım ve şöyle düşündüm: “peki, piyasa biliminin ne kadar altında olduğu açık”, ben. buna benzer bir teknolojiyi eski geliştirmelerimde kullanmıştım onu kullanmıştım ama sonra bunun için Nobel Ödülü verdiklerini bilmiyordum))). Artık nerede hataların yapıldığını zaten biliyorum ve ticaret seçeneklerine gidersem, o zaman kesin olarak bu formülle değil.Yani aynı sorun olacak. Kuyruklardaki hatanın mutlak değeri, merkezden birkaç kat daha azdır. Ve katkı, tahmin ettiğim gibi aynı olmalı.
Bu hataların ilk örnekte zaman içinde nasıl dağıldığına ve aralarında bir ilişki olup olmadığına bakmak gerekir. Bağımlılık yoksa ve az ya da çok düzgün bir şekilde yerleştirilmişlerse, başka bir parametrik dağılım ailesi seçilmelidir. Aksi takdirde, Glivenko-Cantelli teoreminin koşulları ihlal edilir ve histogramın bir dağılımın yoğunluğuna yaklaştığını ummamak gerekir.
Bu hataların ilk örnekte zaman içinde nasıl dağıldığına ve aralarında bir ilişki olup olmadığına bakmak gerekir. Bağımlılık yoksa ve az çok tekdüze bir şekilde yerleştirilmişlerse, başka bir parametrik dağılım ailesi seçilmelidir. Aksi takdirde, Glivenko-Cantelli teoreminin koşulları ihlal edilir ve histogramın bir dağılımın yoğunluğuna yaklaştığını ummamak gerekir.
Soru, kuyruklardaki hatalara merkezdeki hatalarla aynı ağırlığı vererek doğru olanı yapıp yapmadığımdır (ders kitaplarında olmaması nedeniyle kendim icat etmek zorunda kaldığım yukarıdaki iki yöntemi kullanarak).
Spesifik dağıtım türü ilgi çekici değildir. Biz sadece Gauss'tan farklarla ilgileniyoruz.
Soru, kuyruklardaki hatalara merkezdeki hatalarla aynı ağırlığı vererek doğru olanı yapıp yapmadığımdır (ders kitaplarında olmaması nedeniyle kendim icat etmek zorunda kaldığım yukarıdaki iki yöntemi kullanarak).
Spesifik dağıtım türü ilgi çekici değildir. Biz sadece Gauss'tan farklarla ilgileniyoruz.
Bir karşı soru - sıfırdan bire kadar olan aralıkta düzgün dağılım yoğunluğunun bir grafiği olsun. Gauss hangi parametrelerle doğru bir şekilde ona yaklaşacak?
Bir karşı soru - sıfırdan bire kadar olan aralıkta düzgün dağılım yoğunluğunun bir grafiği olsun. Gauss hangi parametrelerle doğru bir şekilde ona yaklaşacak?
Yani, gözle Gauss gibi görünen dağılımlardan bahsediyoruz.
Yani, gözle Gauss gibi görünen dağılımlardan bahsediyoruz.
Tamam, o zaman Cauchy veya Laplace dağılımının yoğunluğunu alalım.