[存档！]纯数学、物理学、化学等：与贸易没有任何关系的大脑训练问题 - 页 385

新评论
 
Candid:
更严重的是，我假设平均摆动和有效值是由一个恒定的系数联系起来的。

我认为这在原则上是不可能的。如果这对正态分布来说是真的，我会非常惊讶。但对于其他分布，如...?

顺便说一下，如果你对平均范围做了这样的假设，那么它的定义应该是什么？它代表什么？

虽然，我在撒谎，但这是很有可能的。只需说，价差=2*SCO。这就是了，一个天才的解决方案!

 
Mathemat:
如果这个值没有边界（例如正态分布），那么这个范围仍然需要通过某种方式从某种边界概率中估计出来。例如，取并定义差值为百分位数0.99和0.01之间的差值。但百分位数只能在分布的某些特殊情况下进行分析计算。


我认为我们所做的任何假设仍将悬而未决，直到价差被界定。

这也许应该以一种实际的方式进行。 我是否记得，彼得斯将系列划分为相等的区间，对于每个区间，他计算差值，然后对所有区间进行平均，对于所得的平均差值-区间对，他在对数图上绘制了一个点？还是他对每个区间都做了，然后取了对数的平均值？

 

也许彼得斯是在 "平均 "一个已经构建好的图表。但我没有检查过。

关于扩散的定义：好吧，你认为正态分布N(0,1)的扩散是什么？

 

我不明白这个定义有什么问题。我们有一定数量的测量，即我们有一个时间间隔。范围是指该范围内的函数的最大和最小之差。

也就是说，如果我们考虑一个条形图，它是高-低，同一段上的偏差是闭-开。

如果我们说的是一维随机游走，价差也是High-Low，即游走期间在顶部和底部达到的极端点之间的差异。而偏差仍然是Close-Open，即当前位置与初始位置的差异。

顺便说一下，一维随机行走是概率论的教科书主题之一。而且这里也有关于它的内容，比如说在轮盘赌的主题中。


Mathemat:
如果该值没有边界（例如正态分布），那么传播仍然必须以某种方式根据某种边界概率来估计。例如，取并定义差值为百分位数0.99和0.01之间的差值。但百分位数只在分布的某些特殊情况下进行分析计算。

好吧，没有人在谈论无限的时间。SB的RMS也趋向于无穷大。

费勒完全记得关于SB的事。

尤里克斯。

烛光。
更严重的是，我假设平均传播和有效值是由一个恒定的系数联系起来的。

我认为这在原则上是不可能的。如果这对正态分布来说是真的，我会非常惊讶。但对于其他分布来说，它是...?

对于大时间的随机行走，当前坐标的值主要集中在一个任意 "狭窄 "的锥体内。因此，目前的偏差和最大偏差通常都在这个圆锥体中找到。也就是说，它们是同一数量级的。
 
Candid:

我不明白这个定义有什么问题。我们有一定数量的测量，即我们有一个时间间隔。范围是指该范围内的函数的最大和最小之差。

Mathemat:

关于范围的定义：嗯，你认为正态分布N(0,1)的范围是多少？

有一个 "传播 "的理论概念。它是由它的定义所决定的。如果没有定义，就没有概念--你不能计算，不能做任何事，不能说任何话。因此，对于任何理论行动（例如以一般形式获得一个公式），首先需要一个定义。

有一个实际的范围概念。它的定义由尼古拉在上面给出。然而，他提到的函数所描述的过程是随机的，是随机的。因此，我们对另一个片段上的传播的测量，即使是完全相同的长度，也会有所不同。而在三分之一的时候，将是三分之一。以此类推。所以我们不能处理具体的测量，只能处理它们的统计衍生物--mo、sko，等等。

潮流性、可返回性、维纳SB--这些都是对我们这些TC建设者至关重要的矩阵模型。识别当前的相关模式，使我们能够选择正确的战略。由于Hurst指数 使我们能够区分这些市场状态，它被证明是相当重要的。但是，只有当我们把实验确定的实际范围与理论范围联系起来时，我们才能有所作为，而赫斯特比率正是从理论上得出的。

我在这里没有说什么新东西。但既然有一个问题...

正态分布的扩散 理论上来说。 根据爱因斯坦的公式，与旅行时间的平方成正比。А 实际是 它必须在最大-最小差值数据的基础上确定，并对其应用适当的（什么）平均化程序。

.

如果我们所说的传播是指与起点的最大距离（如果这个点选择正确，就相当于最大-最小），那么传播的计算似乎就停留在一系列随机增量的总结上。如果增量的分布是已知的，那么在某些情况下就可以计算出总和的分布。假设这样做了，有一个N个增量之和的分布。这个分布的哪个矩或其他统计量给出了从实验中实际得出的分布值？

 

价差也是一个统计量。对于有限的样本，只知道pdf，但没有实验点，可以估计，但不能准确计算。

尼古拉 提出了一个实用的、直接的程序：只需计算最大和最小值之间的差异。

我所提出的（两个百分位数之差）并不是一个精确的差值，而只是一个估计值。坦率地说，我不知道有什么更精细的方法来估计价差。费勒可能有关于极端值分布的结果。

 

事实上，由于它确实是一个随机量，为了实际应用，当然要假定期望值或平均值。但在我看来，如果我给出一个幅度的定义，那么就不再需要为它的期望值单独下一个定义了。

因此，我认为我对差异的定义不仅是实用的，而且是相当详尽的。

Yurixx:

正态分布的范围。 理论上来说。 根据爱因斯坦的公式，与运动时间的平方成正比。А 实际是 它必须在最大-最小差值数据的基础上确定，并对其应用适当的（什么）平均化程序。

当然我可能忘记了，但我记得爱因斯坦的公式正是从初始位置推导出的有效值，而不是扩散。这就是为什么要把它与赫斯特联系起来，你需要确定连接有效值和传播的系数。

此外，在我看来，存在着某种概念上的混淆，此事涉及的范围不是正态分布的范围，而是增量的正态分布的随机行走，这些基本上是不同的值。顺便说一下，原来的问题没有规定任何正态分布，有刻度，即单位增量。


P.S. 我将添加一些链接。

随机行走。

布朗运动

 
为什么一个本质上非随机 的过程，尽管它的增量分布接近正态，却要有像布朗运动那样的扫荡？难道你不认为存在着概念的替换--随机过程固有的一些 属性被归于非随机过程，只是因为这些过程的其他 属性是相同的？
 
joo:
为什么一个非随机性 的过程，尽管它的增量分布接近于正态，却要有布朗运动那样的扫荡？难道阁下不认为存在着概念的替换吗--随机过程固有的一些 属性被归于非随机过程，只是因为这些过程的其他 属性是相同的？

到目前为止，还没有任何替代物。

让我提醒你一下推理的逻辑。我们发现某个指标应该在某种程度上表征了目前 市场的随机程度。我们需要知道这个指标的哪些值将对应于一个趋势市场，哪些将是平坦的，哪些将是不可预测的。在物理学中，这被称为校准。我们应该能够对具有给定属性的人工生成的系列进行校准。

例如，我认为正是这样做更快，而且在某种意义上更可靠，生成所需的系列，并研究它们的特征行为。此外，人们应该从实际价格系列的适当部分切入系列。但尤里是分析性解决方案的支持者。而我们（嗯，至少是我）尽力帮助他完成这项艰巨的任务。


我还应该指出，实际价格系列的长期平均特征与随机价格系列的特征非常接近。这实际上表明，随机序列可以用于校准。

 
Mathemat:

价差也是一个统计量。对于一个有限的样本，只知道pdf，但没有实验点，它可以被估计，但不能准确计算。

然而，有几个关于调查维纳过程的轨迹的有用定理。其中一个，"重复对数法则"（由欣钦证明，也许写得很正确），揭示了过程轨迹的行为结构，即它定义了 传播对时间的依赖性：该定理定义了过程在其演化过程中不会超出的极限（局部极值）。

你可以得到一个很好的报价增量的近似值，甚至是一个分析性的表达，如果你 "做假设":о).

补充：我忘了补充，对于维纳过程来说，这样的研究是通过 "随机漫步的渐进分析 "来完成的，包括那些带有重尾的增量分布的过程是很特殊的。

1...378379380381382383384385386387388389390391392...628
新评论