books.google.ru - A great variety of complex phenomena in many scientific fields exhibit power-law behavior, reflecting a hierarchical or fractal structure. Many of these phenomena seem to be susceptible to description using approaches drawn from thermodynamics or statistical mechanics, particularly approaches involving...
MetaQuotes、
您能否将俄语文章的论述翻译成英语，因为其中有一些实际应用。
让我们考虑一下将特征坐标法实际应用于 SP500 日收益率的经典案例：（参见《非广义熵：跨学科应用》）。
我们使用的每日数据来自： http://wikiposit.org/w?filter=Finance/Futures/Indices/S__and__P%20500/
要了解如何在终端中执行分析，必须将 SP500-data.csv 文件放到 \Files\ 文件夹中。
然后，您需要启动两个脚本：
1) CalcDistr_SP500.mq5（计算分布）。
2) q-gaussian-SP500.mq5（特征坐标分析）
结果如下
通过特征坐标法得出的 q 的估计值（q=1+1/theta）：q~1,55
书中报告的值（文章图 4）q~1.4。
现在，让我们来看看 q 高斯函数看起来是否像原函数：
结论：总的来说，我们可以看到这些数据可以用 q 高斯函数来描述。这解释了书中所报告的使用 q-gaussian 的成功解释。
我们使用的是原始（"原样"）数据，但不要忘了我们处理的是 "平滑 "数据（间接平均，因为指数由许多股票和每日数据组成）。
X1 和 X2 的结构非常合理，X3 和 X4 的尾部也有变形，但无论如何， q-高斯函数看起来非常接近 SP500 每日数据收益分布的 "原生 "函数。
X1 和 X2 的形状可以通过使用积分值来改进（线性化）（积分形式如 JX1 和 JX2 将导致直线）。 如果我们将公式一般化，X3 和 X4 的尾部可以得到改进：(x-x0)^2-->(x^2+bx+c)（但会导致新的参数）。同样，也可以考虑立方情况（1+a(x-x0)^3）^theta 及其广义。
q 高斯是否适用于所有金融工具？ 有必要考虑工具/时间框架的相关性。