引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 19

新评论
 
Candid:

你不需要评论，你需要试着回答我的问题。我告诉你一个秘密--它们是为了让你通过尝试回答它们来理解一些东西）。

我看了讨论，顺便说一下，你真的想讨论17页的苍蝇和肉片的混合物吗？

我甚至猜测你对这两个过程的称呼是否正确？

我不知道你在第17页的什么地方看到了肉片和苍蝇的混合物。早些时候，它 出现了...

至于理解--我建议看一下阿列克谢的表格并回答--它是在哪个理论分布的假设下建立的？

;)

 

而这两个过程是理论上的（无效假设）和真实的。

你必须要知道。

 
joo:

我完全不明白这个话题中的半句话，但即使是我也明白，分配与此无关。

一个过程的分布，在单个计数之间存在着依赖性，不一定是均匀的或正常的。这很明显。

例如：普希金的诗作。如果文本中提到了 "橡木 "和 "链条"，那么在它附近的某个地方就有 "猫"。词与词之间的这种关系与 "tom "这个词或任何其他词在段落中的分布没有关系。

你知道检查作者的真实性是多么原始的事情吗？

这就是如何通过 "参考 "文本中 "dub-chain-cat "组合的频率和检查的结果--做出结论。

因为总是有一个比较的基础。

但在这里我不明白，什么是与什么相比？

其中是理论频率。或者说，这是谁的？

也许坎迪 是对的，我们只需要移民到希腊，一切都会水到渠成？

;)

 
avatara:

我不知道你在哪里看到第17页上有切肉和苍蝇的混合物。它 以前就在那里...

结尾的问题又来了，17页变成了17页。你是否愿意重读这17页，看看是否有其他的 "错别字 "的看法？
而这两个过程是理论上的（无效假设）和真实的
实际上，我的第一篇帖子引用了话题发起人的话，如果认为我首先指的是他的版本，那就更符合逻辑了。特别是他，不像阿列克谢，描述得非常详细。但我不确定假设与过程的识别是否有助于表述的清晰性。
至于理解--我建议看一下阿列克谢的表格，并回答--它是在哪个理论分布的假设下建立的？

坦率地说--我不知道。我将建立在经验分布的基础上。
 
avatara:

而这两个过程是理论上的（无效假设）和真实的。

你应该知道。

不，错了。我在解释这个 标准。顺便说一下，它有相同的统计数据。它只是适用于其他数量。

现在是要测试其独立性的两个变量。在我发布的区块表中，这些是间隔310条的两根柱子的回报（它们之间有309条）。统计数据是对历史上这种对条的全部人口进行检查。如果历史上有60000个柱子，那么就有59690=60000-310个这样的柱子对。

在过去更远的地方的酒吧是S的来源 。它的配对栏离现在更近的是接收器R 。返回的S和R是其独立性被检查的值。更确切地说，不是回报本身，而是它们所处的量化数字。为什么要用量值除法，前面已经解释过了：为了使卡方发挥作用（频率至少为10）。

关于牛是这种现象的主要来源--我会考虑的。这里有些事情不是那么简单...但Candid的建议是有道理的，可以进行测试（去除牛）。

 

我快速看了一下作者的文章。我怀疑作者没有发现当前条形<->过去条形这些变量之间的相关性，而只是发现了波动性的聚类事实。当然，即使在这个基础上，这个图表也是很有趣的，因为波动性的自信相关性达到了50-60个滞后期，这是一个新东西。自然，当使用蒙特卡洛 方法混合数据时，聚类会被打破，这在图表中很明显。

为了理解已经发现的问题，有必要在非正态和明显独立的分布上测试所提出的公式，特别是在经典的GARCH(1,1)上，或者更好的是在GARCH(3,3)上；如果也能在其上发现依赖性，该公式没有给出新的东西，它只是以一种新的方式定义了马丁格尔的一个特例。

如果作者愿意，我可以给他提供合成的GARCH回归者。

 

谢谢你。给我一些人工数据，我将在周末进行测试。

至于这个公式，是的，它没有什么特别美妙的地方，它是从不同的角度进行随机分析的。

关于波动性，这里已经说了很多，我同意这些观点。但是，独立变量携带波动率信息的零条的滞后期数量确实被清楚地指出。而且，在保持信息相关性的前提下，不同金融工具的滞后浸透深度是不同的。

 
我一般认为，如果你不能根据过去的回报来预测回报，那么，对我个人来说，总是有可能回到选择独立变量（各种指标）进行预测的问题。这个话题叫做特征选择，我很乐意讨论其他方法，比如主成分分析，使用NS与自动关联记忆，训练有素的网络分析（权重），聚类分析，chi-square，还有Lipschitz指数（校正：常数）。总而言之，人们，这是一个大话题...
 
C-4: 当然，即使在此基础上，该图表也很有趣，因为波动率与50-60个滞后期的自信关联性是新的东西。

谢谢你的注意。这就是令人震惊之处。可能，是的，vola解释了这一现象的一个重要部分，但它似乎并不能解释所有的现象。而在手表方面，这种关联甚至可以追溯到更早以前...... 几百个 栏深。

顺便说一下，这几天的相关性明显少于H4，而H4的相关性又远远少于H1。

 
Mathemat:

谢谢你的注意。这就是令人震惊之处。可能，是的，vola解释了这一现象的一个重要部分，但它似乎并不能解释所有的现象。而在手表上，这种关联性甚至进一步延伸。 几百个 栏深。

顺便说一下，这几天的相关性明显少于H4，而H4的相关性又远远少于H1。


如果又是关于波动性，那么它可以很好地解释为一个明显的周期性，取决于一天中的时间。

你不需要是爱因斯坦，即使用肉眼也能注意到16:30左右的牛群。因此，在日内尺度上，这种 "关联性 "自然要明确得多。当然，无论如何这也不能给我们带来什么。我们只知道在16:30发生了强烈的运动（正如我们在图表上看到的那样），由波动性流入引起，但我们仍然不知道运动的方向和目标。

正如我所承诺的，我粘贴了一个合成函数--GARCH(1,1)，其中有MathLab提供的标准参数：garchset('P',1,'Q',1,'C', 0.0001, 'K', 0.00005, 'GARCH', 0。8, 'ARCH', 0.1); 我没能做到GARCH(3,3)甚至更多--我对程序很不了解，简单地把'P',1,'Q',1改成'P',3,'Q',3也没能成功。该系列包含10 000个测试，我认为这已经足够了。以下是其价格图表。

基于同一欧元兑美元的每小时波动率数据生成一个SB也是很有趣的。它将具有与欧元兑美元相同的波动性特征，但图表本身将由100%的噪音组成。如果它能检测出依赖性，这意味着该方法不适合用于价格预测，但如果它不会揭示依赖性，那么我们将见证一个新指标的诞生，能够确定我们是在处理毫无意义的抽象合成物还是真实的市场。

附加的文件：
garch.zip  91 kb
1...121314151617181920212223242526...74
新评论