Чтобы положить конец утверждениям что первая разница цен стационарна, написал прилагаемаый индикатор теста стационарности в широком смысле. Он работает таким образом
Расчитываются разницы всех цен
Данные разбиваются на два равных участка
На первом участке рассчитывается первый момент (средняя всех цен на этом участке)
От всех цен обоих участков отнимаем первый момент рассчитанный в п.3. Понятно что данные на первом участке будут иметь нулевую среднею.
Опять же на первом участке рассчитывается второй момент (дисперсия).
Цены обоих участков делются на sqrt дисперсии расчитанной в п. 5. Понятно что данные на первом участке приобретут единичную дисперсию.
Расчитываем первый и второй моменты цен на втором участке и строим их как индикатор. Если данные стационарны в широком смысле, то будем ожидать что эти моменты будут колебаться около 0 и 1 соответственно.
Ок. Смотрим в википедии страничку "выборочные моменты". Получается, что первый момент - это среднее всей выборки. Проводим численный эксперимент. Берем котировки eurusd m15 за период 01.01.1999 - 16.11.2009 и считаем среднее. У меня получилось 1.18.
Вы о цене или о приращениях?
两者没有区别，在两者中，第一个扭矩都是零。
在这两种情况下，第一动量都是零。
对于价格案例，请详细说明并举出一个数字例子。
Вы о цене или о приращениях?
>>是的，关于价格。
首先，也是最明显的，平均数的不变性+分布中没有 "肥尾"。在这种情况下，没有什么需要预测的。
这是不可能的。
p.s. 当他们谈论分布尾巴时（在我们的环境中）--他们通常指的是增量分布。
Чтобы положить конец утверждениям что первая разница цен стационарна, написал прилагаемаый индикатор теста стационарности в широком смысле. Он работает таким образом
- Расчитываются разницы всех цен
- Данные разбиваются на два равных участка
- На первом участке рассчитывается первый момент (средняя всех цен на этом участке)
- От всех цен обоих участков отнимаем первый момент рассчитанный в п.3. Понятно что данные на первом участке будут иметь нулевую среднею.
- Опять же на первом участке рассчитывается второй момент (дисперсия).
- Цены обоих участков делются на sqrt дисперсии расчитанной в п. 5. Понятно что данные на первом участке приобретут единичную дисперсию.
- Расчитываем первый и второй моменты цен на втором участке и строим их как индикатор. Если данные стационарны в широком смысле, то будем ожидать что эти моменты будут колебаться около 0 и 1 соответственно.
...这个方法是什么，我找不到了。这似乎是 "统计学上的不合理"() :o)许多方法都是基于将一个系列分割成一堆片段，并研究片段分布的参数相对于彼此的行为。粗略地说，他们只是调查一些参数之间是否存在趋势（按其他标准）。而问题是，这些片段应该很多，只是无法了解两个样本之间是否有趋势。
顺便说一下，我确信，如果你拿一个生成的静止的随机序列，在某些情况下，你可以得到它的非静止性。
是什么方法，我查不出来。
维基百科--"静止性"。第三段结束。非常相似。
Для случая цены - пожалуйста, поподробнее и с численным примером.
你的岳父认为价格的第一时刻与零不同？ 数学上的例子？ 是的，在同样的价格下，你的存款是损失的，因为你的预期利润等于一个百吉饼减去佣金--如果你想，你可以检查。
你认为价格的第一时刻与零不同吗？
好的。参见维基百科关于 "样本时刻 "的页面。事实证明，第一时刻是整个样本的平均值。让我们进行一个数字实验。让我们以1999年1月1日至2009年11月16日期间的eurusd m15报价为例，计算平均数。我得到了1.18。
你能解释这个结果吗？
Это невозможно.
p.s. Когда говорят о хвостах распределения (в нашем контексте) - обычно имеют ввиду распределение приращений.
Ок. Смотрим в википедии страничку "выборочные моменты". Получается, что первый момент - это среднее всей выборки. Проводим численный эксперимент. Берем котировки eurusd m15 за период 01.01.1999 - 16.11.2009 и считаем среднее. У меня получилось 1.18.
Объясните полученный результат?
因为货币的比率（不仅是它们）永远不会进入负值。 绝对的价格规模与此有什么关系？ 在1.18上加/减，甚至10亿--第一时刻SB将是零。 你的预期利润是11800点？- 很好！嗯，这就是我要说的--"是时候让你砍了"。