文章 "交易者的统计 - 烹饪宝书：假设"
- 有三种谎言：无辜的、厚颜无耻的和统计学的© 马克-吐温
- "Bleek悖论"：我们进行多项实验，并计算每项实验的零假设概率。尽管单个实验的统计结果都是 "成功 "的，即每个实验拒绝零假设的概率 p < n，但经过元分析后，我们得到了相反的结果：p > n。
- 在某一特定领域应用统计学之前，有必要确定我们处理的是遍历环境。否则，它就会变成一场巧立名目的数字游戏。
- "布莱克悖论"：我们做了几个实验，并计算了每个实验的零假设概率。尽管单个实验的所有统计结果都是 "成功的"，即每个实验拒绝零假设的概率 p < n，但经过元分析后，我们得到了相反的结果：p > n。
这是一个有趣的悖论。我在哪里可以学到更多这方面的知识？
有趣的悖论。我在哪里可以找到更多相关信息？
你的文章给了我双重印象。
另外。在本论坛中，询问对结果的假设性评估这一行为本身就非常重要。论坛上有很多人画出了一个马什卡，并假设情况就是这样，而不是区间内的马什卡。
减。
完全同意雷舍托夫的观点。您所说的都是指静态数列或接近于静态数列的数列，即随着时间的推移莫和方差变化很小的数列。但金融市场上没有这样的序列，而金融市场上的整个统计应用都是围绕时间序列 的静态性展开的。最有名的例子就是 ARIMA、ARCH 等。
您的随机序列的直方图如图 2 所示，从图中可以看出，该序列与静态序列的关系很弱，它是偏斜的，且尾部明显不同。这一点与你绘制的完全正态曲线的关系尤为明显。因此，你的推理完全不适用于你的例子。这个例子只是对列舍托夫思想的一个说明。
PS.统计学中最危险、最卑鄙的概念就是相关性。最好不要提及它。
......您所说的这些都是指静态数列或接近静态数列的数列，即随着时间的推移莫和方差变化很小的数列。而金融市场上不存在这样的序列，金融市场上统计学的全部应用都围绕着时间序列的静态性展开。最有名的例子就是 ARIMA、ARCH 等。
您的随机序列的直方图如图 2 所示，从图中可以看出，该序列与静态序列的关系很弱，它是偏斜的，且尾部明显不同。这一点与你绘制的完全正态曲线的关系尤为明显。因此，你的推理完全不适用于你的例子。这个例子说明了雷舍托夫的想法。
谢谢您的意见！
我将提出我的反驳意见。
静止性是时间 序列的一个特征。图 2 是一个变化序列。这篇文章并没有谈到时间 序列！虽然我同意时间是一个有用的特征.....。
据我所知，遍历性是指在研究....。
因此，我想指出重要的一点。如果系统（我们以金融时间 序列为例）不是静态的，我们仍然可以利用计量经济学 找到一个稳定的模型（如 GARCH）来描述模型的行为。我从中看到了系统的恒定性--根据模型的行为....。但条件是系统有一定的概率会 "打破 "模型...
谢谢您的意见！
以下是我的反驳意见。
静止性是时间 序列的一个特征。图 2 是一个变化序列。这篇文章并没有谈到时间 序列！虽然我同意时间是一个有用的特征.....。
据我所知，遍历性是指所研究的系统具有一定的稳定性....。
因此，我想指出重要的一点。如果系统（我们以金融时间 序列为例）不是静态的，我们仍然可以利用计量经济学 找到一个稳定的模型（如 GARCH）来描述模型的行为。我从中看到了系统的恒定性--根据模型的行为....。但条件是系统有一定的概率会 "打破 "模型.....。
几年前，我在网站上发表了一篇文章，证实了一个大多数人完全无法接受的观点。也就是说。
有很多指标。每个人都认为，如果一个指标是画出来的，那么它就是一样的--毕竟，我们看到的就是这个东西。同时，大多数人不会想到，我们在现实中看到的东西可能并不存在！原因很简单。如果我们对指标进行回归，很容易发现其中一些系数的置信区间非常大，以至于根本无法谈论这样一个系数的值，而如果我们抛开这样一个有缺陷的系数，指标模式就会完全不同。当人们说：有真就有假，有假就有统计的时候，他们指的就是这种可悲的、非常不习惯的情况--没有什么是可以相信的，包括置信区间。
这就是为什么我离开参数模型，转而研究基于机器学习的模型。这里没有静态性问题，但过度训练的问题却十分突出。
新文章 交易者的统计 - 烹饪宝书：假设已发布：
本文讨论假设 - 数理统计的基本理念之一。各种假设需要进行检查，并利用数理统计方法的实例进行验证。使用非参数方法生成实际数据。Statistica 开发包和移植的 ALGLIB MQL5 数值分析库可用于处理数据。
所有交易者都愿意通过建立自己的交易系统，尽快或不久就能成长为分析师。他们长年累月地试图寻找市场的发展趋势并测试交易思路。可以根据不同的方法测试每一个思路， - 从策略测试员优化模式的最佳参数值搜索，转化为科学地 (有时是伪科学) 的市场研究。
在本文中，我建议研究统计假设- 一种用于研究和推理验证的统计分析工具。让我们来利用 Statistica 开发包测试不同的假设，以及使用移植的数值分析库 ALGLIB MQL5 的例子。
2. 测试假设。理论
被测试的假设称为零假设 (Н0)。一个竞争假设 (Н1) 是它的备选。它在 Н0 硬币的翻面, 即逻辑上它拒绝零假设。
试想一下，有一些交易系统的一组止损数据群落。我们将说明两个假设进行测试的基础。
Н0 – 平均止损值等于 30 点;
Н1 – 平均止损值不等于 30 点。
接受和拒绝假设的变种:
最后两个变种都与错误有关。
现在，显著级别值已经被指定。它是备选假设将被接受，而真正的假设是零假设 (第三变种) 的概率。此概率是首选最小化。
在我们的情况里，如果我们假定止损在平均不等于 30 点，即使它实际上是的时候，会发生这样的错误。
通常显著级别值 (α) 等于 0.05。这意味着，不超过百分之五的零假设测试统计值可以进入临界区。
在我们的情况里，测试统计值将在一个经典图表 (图例.1) 上进行评估。
作者：Dennis Kirichenko