-Alexey-: Я имею в виду, коэффициент корреляции по каждому лагу. Что значит - желаете, алгоритм должен обоснованно задаваться уровнем значимости, иначе - неопределенность в определении уровня, а соответственно - непонятно, зачем он нужен...
我指的是统计显著性水平alpha，对每个 Q 统计量的计算 p 值的无效假设进行评估时，都是以它为基准的。也许我们说的是不同的术语？
别跟我说这是正常的。无论如何，左侧尾部比右侧尾部更粗更长。它看起来更像是伽马分布，但沿 X 轴扩大了，或者说更奇特。左翼的峰值是报价量化的结果（左翼部分对应的是 Close 中非常小的变化，而我们知道，它们之间的差异不会超过Point，因此观察到了噪音），因此它们可以在整个斜率上涂抹，这将使左翼尾部更粗。
请澄清一下，我不太清楚这个系数到底是什么。Q 检验的具体内容已在修订后的文章中作了说明。
如果你想使用不同的系数，可以自行替换脚本中的变量值。
你想把所有东西都放在盘子里？事情不是这样的。必须牺牲一些东西。
产量也需要预测。预测之后，再将其转换为绝对价格值。我将在下一篇文章中介绍。
这不是一个例子，而是上下文的剪辑。
在没有原始数据和公式的情况下，我无权对您的残差和分布进行评价。
-Alexey-, 我建议您再读一遍这篇文章。你会发现，估算的不是序列本身，而是收益序列。这是关于静态性的。
关于分布的文章是为了介绍金融数列，或者说收益数列的特征而写的。您也可以就这一主题写一篇文章。
丹尼斯，我还是想听听你对我关于标准解释问题的回答--我无法从文章中理解测试得出的结论是否正确。
// 我对 "朗琼-博克斯 "应用本身的有效性表示怀疑。当然，我看到的大多数书籍都说，即使对于非正态分布，它仍然有效，但我从未见过任何证明。我想原始资料中应该有，但我从未接触过 Ljung 和 Box 的著作，所以我一直在思考这个问题。我怀疑的实质是，LB 使用的是卡方分布，而我们知道，卡方分布是与正态性和独立性联系在一起的。而在报价序列中，这两点都不存在，这意味着这一标准的应用看起来非常复杂。
因此，我想请教您，您是否有任何计算结果可以证明 Ljung-Box 标准适用于相邻收益率的独立性及其分布的正态性条件基本不满足的系列。就我个人而言，在看到计算结果之前，我对使用这一标准持谨慎态度。顺便说一句，我对恩格尔先生还没有成为亿万富翁感到非常惊讶。
我没有这样的计算方法。这是一个有趣的问题。我会努力研究的。我唯一能说的是，我在一些资料中看到过这种测试，但都不符合所述条件。例如这里：金融时间序列 分析》，Ruey S. Tsay。Tsay. G. Perelman 甚至不是百万富翁，难道你不感到惊讶吗？:-))
Я имею в виду, коэффициент корреляции по каждому лагу. Что значит - желаете, алгоритм должен обоснованно задаваться уровнем значимости, иначе - неопределенность в определении уровня, а соответственно - непонятно, зачем он нужен...
我指的是统计显著性水平alpha，对每个 Q 统计量的计算 p 值的无效假设进行评估时，都是以它为基准的。也许我们说的是不同的术语？
在我看到公式和残差本身之前，我不会做任何评价。如果你不想给我看，那我们就不要谈这个问题了....。
我记得有这么一段话，我不知道它有多准确，你描述的方法是用于波动率预测的，正 因为它的序列已经更加固定（你在开头写到的效果），所以不需要转换。因此，您可以使用这种方法，因为源数据适合这种方法。但你提到的价格序列导数就不行了。您要明白，如果您在转换的帮助下从初始分布中删除了不对称性（或其他时刻），那么您将预测一个不存在不对称性的序列，而且您也无法将其找回来。
我指的是统计显著性水平alpha，对每个 Q 统计量的计算 p 值的无效假设进行评估时，都是以它为基准的。也许我们说的是不同的术语？
在我看到公式和残差本身之前，我不会做任何评价。如果你不想看，那就别谈了....。
正是如此--波动预测。我的文章会有续篇，到时我们再讨论:-)))。现在一切都清楚了。但是在文章中应该明确指出，您要预测的是波动率，而不是价格序列，而且在预测了 "收益 "序列的值之后，您不会把它们转换成价格序列，而是转换成价格序列的导数。我的考虑对于这项任务并不重要，但我希望如果您决定尝试预测价格序列，这些考虑会对您有所帮助。
那太好了。
谢谢你的想法。我一向欢迎建设性的批评意见！
再次重申，我们的最终目标是在考虑到非线性模型参数的情况下预测价格序列。
在我的计划中，唯一的变化是需要创建一些统计分布 库。值得写一篇相关文章。讨论结束后，我萌生了这样的想法。
太好了。
谢谢你的想法。我一向欢迎建设性的批评意见！
再次强调，最终目标是获得价格序列预测。
那么，你打算做一些价格范围预测？这是一项相当有价值和有趣的任务。我希望能看到这方面的文章:)
是的，在计划中。因为这很有趣。我还计划做短期预测。但现在我们需要为此做好准备。首先，我们需要解决分销的问题....。我们还需要 MetaQuotes 的同意：-))))
最重要的是，MQL5 用户应该对此感兴趣。
alsu，我知道你用过 Statistica。但你需要原始数据。你是用什么收益率和什么公式得到这些数据的？
我想我们谈论的是价格序列的不同衍生物。因此，我不会急着向诺贝尔奖得主的花园扔石头：-）））。
不，我们说的是同一种。收益只是收盘价[i]-收盘价[i+n]价格序列的初差（在我的图表中，它们的滞后期为 8，但任何滞后期的曲线都是完全一样的）。公正收益是一个主要在西方文献中常见的术语。在 MQL4 论坛，人们经常在 matstat 讨论中使用它（那里的讨论历来很激烈）。所以我只是习惯性地使用它。如果更方便的话，我会写成 "数列的首差 "或 "数列的增量"。但 "导数 "对于时间序列来说是一个非常不正确的术语，这里没有导数，也不可能有导数。如果你还记得，即使是导数和差分的分析仪器也有很大不同（例如，比较一下 p. 傅立叶变换和 z 变换）。
尽管如此。
您可以分析价格的相对增量--结果是一样的。如果您取相对增量的对数--好吧，试试看，这将是一条有趣的曲线）为了令人信服，我带来了 Statistica 中的图片（我确实习惯使用 Statistica，但通常只作为思考和假设检验的食粮。事实上，正如专业人士开玩笑说的那样，做统计和其他任何数学领域的工作都需要粉笔、黑板和光头。我已经有了足够的前者和后者，第三者我正在逐渐获得))))。
下面是滞后 8 个月的相对增量。
这是相对增量对数的分布。
别跟我说这是正常的。无论如何，左侧尾部比右侧尾部更粗更长。它看起来更像是伽马分布，但沿 X 轴扩大了，或者说更奇特。左翼的峰值是报价量化的结果（左翼部分对应的是 Close 中非常小的变化，而我们知道，它们之间的差异不会超过Point，因此观察到了噪音），因此它们可以在整个斜率上涂抹，这将使左翼尾部更粗。
一般来说，我们可以宣布举办一场竞赛--第一个在 Forex 发现正态分布值的人应该被列入荣誉榜，因为他证明了诺贝尔奖获得者的努力是无益的。）
PS 你不要认为我是个势利小人，我对诺贝尔奖得主非常尊重。只是我从小就被教育不要惧怕权威，要多怀疑，这对我的人生一直很有帮助。一个人获得了诺贝尔奖，并不意味着他在任何时候、任何事情上都是正确的。比如，爱因斯坦因为光电效应获得了诺贝尔奖（虽然仔细想想，这个公式只是表面现象，他只是第一个达到这个境界的人，但这已经很值钱了），但他直到生命的最后一刻才相信量子力学--结果证明他是错的。尽管恩格尔因 GARCH 而获得诺贝尔奖（我要指出的是，该方法也并不复杂，一切都一样--为了速度：），但这并不意味着自上世纪 80 年代创建该模型以来，市场就没有发生过变化。恰恰相反，我愿意相信当时它确实有效，报价分布也接近正常（尽管我对后者表示怀疑）。事实是，30 年后的今天，它已经不起作用了。另外，如果恩格尔是一名工程师而不是计量经济学家，他就会知道静态过程也可能是异方差的--他在研究中没有考虑到这一事实，而正是在这样的数据上，GARCH 才会一时误入歧途。
因此，我建议你和大家少跟在权威后面，多自己去挖掘。
G. Perelman 甚至不是百万富翁，你对此感到惊讶吗？:-))
理论上他是个百万富翁，而且有直接实现的可能）。