[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 388

新评论
 

FreeLance:

<0.5就更糟糕了--噪音会随机游荡 :)

如果它小于0.5，并且已知会持续存在，那就是一个奇迹了。这根本不是 "噪音"，也不意味着这个过程会倾向于(据统计)返回到其平均值。取一个正弦波并与一点噪音混合，你会得到0.1、0.2这样的结果。

0.5是SP，它也可以围绕或远离其平均值徘徊，这完全取决于过程的静止性。(Hurst没有明确说过静止性，除了一些 "暗示")

0.5有希望的记忆...

事实证明，具有重尾的增量过程具有长期记忆。你不需要看赫斯特曲线就可以知道。(而这种希望出现在>0.5)

 
Farnsworth:
说实话--我不明白你在做什么，这一切有什么意义？
他们也不知道自己在做什么，也不知道自己为什么需要这样做。只是不时有书呆子想起赫斯特，开始以友好的方式讨论他。然后他们忘记了赫斯特，提起了胖尾巴，等等。
 
Candid:
呃......。是广义上的还是狭义上的？:)
好吧，我不打扰你了，我知道这是个很长的写作时间。
 
Reshetov:
他们也不知道自己在做什么，也不知道自己为什么需要这样做。书呆子们只是时不时地想起赫斯特，并开始友好地讨论他。然后，他们忘记了赫斯特，提起了胖尾巴，等等， 。
这一切。我一直在寻找赫斯特的指标 和未来之间的联系，但没有找到。当然，这并不意味着没有，也许需要考虑到一些东西，另外。
 
FreeLance:

=0.5 噪声中的随机游走。

<0.5就更糟糕了 - 噪声随机游走 :)

>0.5，就有希望的内存...

>0.79----------天然的自然

这是可以理解的，我们知道。持久性、反持久性等等。这与对未来的实际预测有什么关系呢，这就是问题所在...

当我第一次了解赫斯特（从彼得斯那里）并熟悉他的计算方法时，我得出结论，需要大量的数据才能有统计学上的代表性。如果得到的结果，只对有长远眼光的投资有意义，而不是投机性的。这只是我的看法。

似乎有一些不需要太多数据的计算技术。这可能基本上就是法恩斯沃斯 在这里提到的地方？

我记得几年前，我看到了Hearst的唯一实际应用--用给定的Hearst模拟合成系列，然后将其送入测试器的输入。有些事情对我来说不合适，我就放弃了。然后我直觉地意识到，建模必须是 "聪明的"：模拟的合成序列必须考虑真实金融序列的那些属性，这些属性被交易系统本身所利用。不参考TS本身的任意建模是完全没有意义的。然而，我一直没能接触到这种 "范式 "的定量表达。

 

既然严格证明了在0.5时是游移不定的。很明显，在附近...

但是，这还不够吗？

;)

寻找尺寸上的差异，等等。

并在健康的情况下利用它。

 

Mathemat:

...

然后，人们直观地认识到，建模必须是 "聪明的"：要建模的合成序列必须准确考虑到真实金融序列的那些被交易系统本身利用的属性。不参考TS本身的任意建模是完全没有意义的。然而，我一直没能接触到这种 "范式 "的定量表达。

排序==

joo:

作家们。布洛赫、普希金、托尔斯泰、莱姆、沙克雷。每部作品都有其独特之处，读者不仅可以从文本中轻松识别作品的体裁，还可以识别作者（这是一种指标，是每个作者特有的参数）。然而，从统计学上看，任何足够大的文本都包含字母表中每个字母的固定数量。它是作品所使用的语言的统计特征。如果随机生成字母，但有预设的统计特征，就可以得到一个具有适当信息量的文本。但这样的文本不会有任何意义，而且也不可能（因为它不存在）确定 "作品 "的作者。

 
Candid:

好了，这是我对这一点的最后一次反驳。如果你不同意，做你想做的，我会保持沉默 :)

是的，你对Close-Open的看法是正确的。不得不进入佩雷斯的书，重新阅读一些地方。事实上，进程在N个步骤中走过的距离的均方，即SB路径的方差，并不是扩散。爱因斯坦、费曼、费勒都曾使用过这种分散--定义相当正确的概念。价差是赫斯特发明的，而彼得斯定义的方式，绝对不可能在任何分析计算中使用它。

顺便说一下，我发现（我已经忘记了这本书），彼得斯花了很多精力来使他的数字实验与理论结果相适应。特别是有作者得到了比赫斯特公式中的简单幂依赖性复杂得多的函数。这证实了我的假设，即赫斯特的公式充其量只是实际依赖关系的第一近似值。

PS

彼得斯书中的错误（主要是在公式中）的数量使它完全无法使用。这甚至比我第一次阅读时注意到的还要多。

 
Mathemat:

这是可以理解的，我们知道。持久性、反持久性等等。这与对未来的实际预测有什么关系呢，这就是问题所在...

当我第一次了解赫斯特（从彼得斯那里）并熟悉他的计算方法时，我得出结论，需要大量的数据才能有统计学上的代表性。如果得到的结果，只对有长远眼光的投资有意义，而不是投机性的。这只是我的看法。

似乎有一些计算方法，不需要太多的数据。这可能基本上是法恩斯沃斯 在这里提到的地方，不是吗？

我记得几年前看到过Hearst的唯一实际应用--用给定的Hearst模拟合成系列，然后将其送入测试器的输入。有些事情对我来说不合适，我就放弃了。然后我直觉地意识到，建模必须是 "聪明的"：模拟的合成序列必须考虑真实金融序列的那些属性，这些属性被交易系统本身所利用。不参考TS本身的任意建模是完全没有意义的。然而，我一直没能接触到这种 "范式 "的定量表达。


有一些模型假设赫斯特指数 对时间有依赖性。恰恰是这种作为函数的依赖性，而不是在系列上采取滑动窗口的东西。但识别这种过程并不是一件容易的事。

一般来说，在计算指标之前，我们应该先看一下对数图。说得温和一点，外汇是一个弱自相似的过程，并不遵循权力依赖。这种依赖性只存在于狭小的范围内，这实际上抵消了分形分析（作为一门数学学科）的全部力量。

似乎有一些不需要太多数据的计算技术。这一定是法恩斯沃斯 在这里提到的地方，基本上是这样的？

这个过程从哪里开始？它是一直在开始还是一直在结束？还是说它从未停止过？这就是答案中的盐。:о)

 
Farnsworth:

有一些模型假设Hurst指数与时间有关。这是作为一个函数的依赖性，而不是作为一个滑动窗口的系列。但识别这种过程并不是一件容易的事。

一般来说，在计算指标之前，我们需要看一下对数图。说得温和一点，外汇是一个弱自相似的过程，并不遵循权力依赖。这种依赖性只存在于一个狭小的范围内，实际上使分形分析（作为一门数学学科）的力量失效。

这个过程从哪里开始？它是一直在开始还是一直在结束？还是说它从未停止过？这就是答案中的盐。:о)

科学家们没有争吵......

高尔顿的康乃馨离我更近。

;)

1...381382383384385386387388389390391392393394395...628
新评论