随机谐振 - 页 18

[Candid]

Avals:

看起来这个CB的期望值=0，D=2*D1/M，RMS=sqrt（2*D1/M）。

对于增量，我同意。

[Avals]

Mathemat:
阿瓦尔斯，如果我们具体讨论的是回报率（收盘价增量），那么，唉，这里也没有独立性：回报率不是按照正常规律分布的。这在彼得斯的书中有很好的描述，我在同一主题的第一页的某个地方给了一个链接。

我同意这一点，但这里原来的问题是，X是高斯分布。

"假设有一个正态分布的数量序列X..."

[Avals]

lna01:

阿瓦尔斯:

看起来这个SV的期望值=0，D=2*D1/M，RMS=sqrt(2*D1/M)。

对于增量，我同意。

所以增量的总和也是正常的。而我所理解的问题是，考虑在一定的范围内找到这个总和，有一定的概率（置信区间）。

[Candid]

Avals:

lna01:

阿瓦尔斯。

看起来这个SV的期望值=0，D=2*D1/M，RMS=sqrt(2*D1/M)。

对于增量，我同意

所以增量的总和也是正常的。而在这个问题上，据我所知，有必要考虑在一定的范围内找到这个和，并有一定的概率（置信区间）。

因此，我们有结果的RMS S*sqrt(2) ?嗯...

[Avals]

lna01:

阿瓦尔斯。

lna01:

阿瓦尔斯。

看起来这个SV的成熟度期望值=0，D=2*D1/M，RMS=sqrt(2*D1/M)

对于增量，我同意

所以增量的总和也是正常的。而按照我的理解，这个问题是考虑在一定的范围内以一定的概率（置信区间）找到这个和。

因此，我们有结果的RMS S*sqrt(2) ?嗯...

这只是针对该平均数的增量。为了使价值本身保持在一定范围内，你必须看这些增量的总和。它的方差等于方差之和：Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M)，其中D1是原始序列的方差 N是原始序列的长度，M是滑动窗口的长度。它是更容易和更可靠的montecarry :)

[Candid]

Avals:

lna01:
我们的最终有效值为S*sqrt(2) ?嗯...

这只是针对该平均数的增量。为了使数值本身保持在一定范围内，你必须看这些增量的总和。其方差等于方差之和：Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M)，其中D1为原始序列的方差 N为原始序列长度，M为滑动窗口长度。它是更容易和更可靠的montecarry :)

对于N>M来说，它是差不多的。那么，由于它实际上是关于有效值期望的，N应该被视为等于无穷大 :)

P.S. 对不起，我不注意，有一个错误，RMS不能趋于无穷大。你应该只取M增量的总和

P.P.S. S意味着sqrt(D1)

[Avals]

lna01:

阿瓦尔斯。

lna01:
我们的最终有效值为S*sqrt(2) ?嗯...

这只是针对这个平均值的增量。为了使价值本身保持在一定的限度内，你必须看一下这些增量的总和。其方差等于方差之和：Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M)，其中D1为原始序列的方差 N为原始序列长度，M为滑动窗口长度。它是更容易和更可靠的montecarry :)

对于N>M来说，它是差不多的。

同意。但在一些实际问题中，它可能是必不可少的。

[Candid]

我有时间完成了前文中的后记，有更正的地方

[Yurixx]

伙计们，感谢每个人的回应。你们的讨论也让我头脑清醒了。稍微有点。:-)

起始点是价格。当然，他就在那里。它的分布可能不正常。我写的是正态，因为很多东西都可以对它进行分析计算，而且真实的分布可以用正态分布来近似，有一定的准确性。

这项任务与预测或试图确定尾部事件的概率毫无关系。我一定让你失望了，唉。问题的发生是因为移动平均线有一个范围（没错，Sergey，这就是问题所在），这个范围很大程度上取决于M窗口的大小。 而我，根据我根深蒂固的习惯，想比较不同M的移动平均线，但我不能，因为它们的数值范围不同。为了将这些移动平均线归一到一个区间，你需要计算归一化系数，或者说，它对M的依赖性。

进一步拥有来自历史的统计数据，并构建了数字的分布函数，我们可以直接计算这个系数，或者用高斯近似分布函数，并通过分析来计算它。自然，绝对的精确性在这里并不重要。 重要的是，关系的性质是真实的，而不是基于模型的。 我能想到许多基于模型的 ...

2数学

我希望你现在明白，我们谈论的不是明确的界限，而是对因样本量不同而产生的价值差异的补偿。你说的一切我都同意，完全同意。:-)

[Avals]

lna01:

阿瓦尔斯。

lna01:
我们的最终有效值为S*sqrt(2) ?嗯...

这只是针对这个平均值的增量。为了使价值本身保持在一定的限度内，你必须看一下这些增量的总和。其方差等于方差之和：Ds=(N-M+1)*D=2*(N-M+1)*D1/M。RMS=SQRT(2*(N-M+1)*D1/M)，其中D1为原始序列的方差 N为原始序列长度，M为滑动窗口长度。它是更容易和更可靠的montecarry :)

P.S. 我的错，我不注意，有一个错误，RMS不能追求无限大。只取M增量的总和

随着N比M更快地趋向于无穷大，我们得到RMS趋向于无穷大，也就是说，实现可以随心所欲地偏离数学期望值*N的线路，这一点被arcinus法则所证实。
也就是说，一个无限大的增量系列的总和，作为一个SV，将有一个无限的有效值。