文章 "非广延统计分布结构化分析的本征坐标法应用"

[MetaQuotes]

新文章 非广延统计分布结构化分析的本征坐标法应用已发布：

应用统计的主要问题是接受统计假设的问题。长期以来它被视为一个无法解决的问题。随着本征坐标法的出现，这种情形出现了改变。它是对信号进行结构化研究的一款优秀且强大的工具，使用现代应用统计方法，能够精准预测可能的走势。本文着重于此方法的具体运用并以 MQL5 语言编程。它还使用 Hilhorst 和 Schehr 介绍的分布作为一个例子，处理函数识别问题。

作者：MetaQuotes Software Corp.

[Alexey Subbotin]

呵。是的，这是一种奇特的 "万物理论"。

我仍然认为它的价值只体现在基本观点上，在应用问题上，使用近似值和特例会更方便一些。

[Automated-Trading]

alsu:

我仍然认为它的价值只体现在基本观点上，在应用问题上，使用近似值和特例会更方便一些。

这可能是由于特定的包装造成的。

特征坐标法是 为了 "正确 "解决应用问题而发明的。

论文 [20] 更详细地揭示了这一点：

也就是说，"只有基本 "最好理解为 "包括基本"。

[Denis Kirichenko]

这个作品（文章）的作者是谁？:-)

[Quantum]

denkir:

这个作品（文章）的作者是谁？:-)

本文作者随时准备回答您的问题:)

特征坐标法由R,R.Nigmatullin：

[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".

R(x) 的分解在 [20] 中发表，P1(x) 和 P2(x) 的分解在 [21] 中发表。

该方法的数学理由可在这些文章中找到。

[Quantum]

关于基本+应用问题--检验一下 q-高斯 P2(x)和希尔霍斯特与舍尔解 P(U)在描述真实市场数据方面有多好，会很有意思。

这也需要通过类比 P2(x)来构建 P(U)的特征坐标（它的参数中包含 erf-1(x)，但导数和积分可以通过分析获得）。

一旦我们得到了它的微分方程，就可以将它与 P2(x) 的方程结构进行比较。

如果 P(U)是极限解，那么它在更大的时间范围内应该更有效，这一点可以检查。

此外，我们还希望提高 erf-1(x)的计算精度，本文使用的是有理近似值，在某些点 |x-erf(erf-1(x))|~10^-5。

[Mykola Demko]

Quantum:

关于基本+应用问题--检验一下 q-高斯 P2(x)和希尔霍斯特与舍尔解 P(U)在描述真实市场数据方面有多好，会很有意思。

这也需要通过类比 P2(x)来构建 P(U)的特征坐标（它的参数中包含 erf-1(x)，但导数 和积分 可以通过分析获得）。

一旦我们得到了它的微分方程，就可以将它与 P2(x) 的方程结构进行比较。

如果 P(U)是极限解，那么它在更大的时间范围内应该更有效，这一点可以检查。

此外，最好还能提高 erf-1(x)计算的精确度，论文中使用的是有理近似值，在某些点 |x-erf(erf-1(x))|~10^-5.

伦巴斯，伦巴斯，请用手指指:)

[Quantum]

Urain:
伦巴，伦巴，指指点点:)

我自己也很想读这样一篇文章:)

[СанСаныч Фоменко]

我为这篇文章的出现感到高兴，也为有明确信息的文章越来越多感到高兴。

.

说到文章的重点。

我在应用统计学方面的一点经验表明，系统地应用统计方法比深入地使用个别方法更重要。

从文章中看不出

1. 这篇文章解决了引文的什么问题。

2. 这篇文章解决了 TS 结构的哪些问题。

如果没有这样的评论，我很难判断这篇文章的实用价值。

[Alexey Subbotin]

Quantum:

关于基本+应用问题--检验一下 q-高斯 P2(x)和希尔霍斯特与舍尔解 P(U)在描述真实市场数据方面有多好，会很有意思。

这也需要通过类比 P2(x)来构建 P(U)的特征坐标（它的参数中包含 erf-1(x)，但导数 和积分 可以通过分析获得）。

一旦我们得到了它的微分方程，就可以将它与 P2(x) 的方程结构进行比较。

如果 P(U)是极限解，那么它在更大的时间范围内应该更有效，这一点可以验证。

最好还能提高 erf-1(x)计算的精确度，论文中使用的是有理近似值，在某些点上 |x-erf(erf-1(x))|~10^-5.

这就是我想知道的。我认为，Q-高斯近似于 q-熵，就像正态分布近似于正态熵一样，即在 (-inf;+inf) 处的所有分布中，具有给定的均值和有效值。但是，如果我们将熵最小化作为值的模数（对于市场来说，这是非常合理的一步，因为进入市场的信息与偏差的模数完全成正比），会发生什么情况呢？在这一变量的经典案例中（区间已经是 [0;+inf) 和给定的 MO），我们得到了一个指示性分布 a*exp(-ax)，它也与真实数据相当吻合（至少在较低的 TF 上--甚至非常吻合）。您认为这种情况下的 q 最佳分布是怎样的？也许会比 q 高斯分布更好？

[Alexey Subbotin]

Automated-Trading:

这种情况可能是由于特定的封装造成的。

特征坐标法是为了 "正确 "解决应用问题而发明的。

论文 [20] 更详细地揭示了这一点：

也就是说，"只有基本 "最好理解为 "包括基本"。

我的观点是这样的。假设我们有一个模型，并在此基础上得到了一个理论函数。但是，由于我们的无知，我们没有考虑到一些非常微不足道但系统性的因素。在这种情况下，特征坐标法 由于其非凡的灵敏度，就会给我们一记耳光，说实际数据与模型不符。但事实并非如此！- 模型是正确的，但它只考虑了一个因素，而从实际角度来看，这个缺陷可能根本微不足道（就像希尔霍斯特-谢尔的例子一样，即使用眼睛看也很难发现其中的差别）。因此，我将 "仅从基本观点来看 "理解为 "而是从基本观点来看"，即从应用观点（解决实际问题）来看，最大限度的精确对应的价值可能并不那么重要，但从基本观点（透彻理解发生的所有过程）来看，它可能是至关重要的。

此外，该方法只能给出模型与实验数据不符的结论，却不能告诉我们产生差异的原因（如我的例子--我们无法确定模型是 "总体 "正确但存在微小缺陷，还是应该彻底修改），这是一个缺点。