Совершенствование языка MQL5 в плане его быстродействия и постоянный рост производительности персональных компьютеров привели к тому, что пользователи платформы MetaTrader 5 все чаще для анализа рынка стали использовать достаточно сложные, развитые математические методы. Эти методы могут принадлежать различным областям экономики, эконометрики...
好吧，那我们就采取考奇或拉普拉斯分布密度。
我对Cauchy或Laplace分布不感兴趣，我也不打算设置它)
而且我不需要高斯参数。这个问题是不同的。
...它有多接近高斯，在哪里偏离它，偏离多少......。
我只是想了解，在已知数据完全按照标准考奇分布的假设情况下，你将如何回答这个问题。那么在真实数据的情况下，也会比较容易回答。例如，大意是：我们采取的高斯，其十位数的偏差模数之和最小，等等。
或者说我根本就不明白这个问题。
我只是想看看，在你肯定知道数据完全按照标准考奇分布分布的假设情况下，你会如何回答这个问题。那么在真实数据的情况下，也会比较容易回答。例如，大意是：我们采取的高斯，其十位数的偏差模数之和最小，等等。
或者说我根本就不明白这个问题。
阿列克谢，考奇分布的类比如何在实践中应用？
有趣的后记，它没有通过
我只是想看看，在你肯定知道数据完全按照标准考奇分布分布的假设情况下，你会如何回答这个问题。那么在真实数据的情况下，也会比较容易回答。例如，大意是：我们采取的高斯，其十位数的偏差模数之和最小，等等。
或者说我根本就不明白这个问题。
那么，MNC通常的线性近似。我们选择偏差的平方之和最小的高斯。
问题是，在分布的中心，偏差值将是，例如，0.1的数量级。而在尾数上，我们可以说，是0.01的数量级。
也就是说，拟合将主要发生在距离分布中心的点上。
而在我看来，所有的点都应该平等参与。
为此，你可以在纵轴上采取对数尺度，或者用偏差-差异代替偏差-部分，即用一个分布除以另一个分布，然后再进行近似计算。
嗯，通常由ANC进行线性近似。我们选择偏差的平方之和最小的高斯。
问题是，在分布的中心，偏差值将是，例如，0.1的数量级。而在尾数上，我们可以说，是0.01的数量级。
也就是说，拟合将主要发生在距离分布中心的点上。
而在我看来，所有的点都应该平等参与。
要做到这一点，你可以在纵轴上采取对数尺度，或者采取偏差-部分而不是偏差-差异，即用一个分布除以另一个分布，然后已经近似...
是否有任何理由表明，很少出现的点的 "参与 "应该与接近中位数（中心）的点的参与相同，而后者出现的频率要高得多？为什么在近似中会有这样的作用放大？难道不会出现 "尾巴摇狗 "的情况吗？
实际上，有跨国公司的权重来控制不同点的作用。例如，将它们分配为正态分布的概率密度函数 的逆值，就是这样。最主要的是要保持权重之和为1。顺便说一下，如果不是直线近似，什么是 "MNC的线性近似"？
是否有任何理由表明，很少出现的点的 "参与 "应该与接近中位数（中心）的点的参与相同，而后者出现的频率要高得多？为什么在近似值中如此强化作用？难道不会出现 "狗尾续貂 "的情况吗？
实际上，有跨国公司的权重来控制不同点的作用。例如，将它们设置为与正态分布的概率密度函数 相反的值，就可以了。最主要的是要保持权重之和为1。顺便说一下，什么是 "线性 "跨国公司？
1.当然是有的。尾巴毕竟是一个大的量级。应用于市场--罕见但巨大的损失。这不是角色的强化，而是对角色缺失的补偿，结果是给所有的点以平等的角色。
2.关于有重量的跨国公司，我知道。问题不在于近似技术，而在于其意识形态。
3.当假设数量之间存在线性关系时。
1.当然也有。毕竟有大尾巴。应用于市场，罕见的但大的损失。
2.我知道有重量的MNC。问题不在于近似技术，而在于其意识形态。
3.当假设数值之间存在线性关系时。
1.这不再是一个概率性的方法。概率分布的 尾部意味着小的、罕见的情况，而主要的、重要的情况则有自己的分布，向边缘迅速递减。
2.问题是："对了，阿列克谢，还有弗拉基米尔，告诉我。假设我们想用正态分布来近似一些数据，分布的尾部和中部在近似中应该有相同的权重，我想？"
答案是否定的。如果我们用概率方法对问题进行建模，那么那些比其他事件更经常发生的事件当然更重要，也就是更可能发生。这是意识形态的问题。
3.你是说线性因果关系吗？ISC是否关心有什么样的关系？
嗯，通常由ANC进行线性近似。我们选择偏差的平方之和最小的高斯。
问题是，在分布的中心，偏差值将是，例如，0.1的数量级。而在尾数上，我们可以说，是0.01的数量级。
也就是说，拟合将主要发生在距离分布中心的点上。
而在我看来，所有的点都应该平等参与。
要做到这一点，可以在纵轴上采取对数尺度，或者不采取 偏差-差异，而是采取偏差-部分，即一个分布除以另一个分布，然后已经近似。
这有点让人想起皮尔逊的拟合度测试（chi-square）。请看第三章中的科布扎尔。只有在分布参数未知并从样本中估计出来时（例如，通过最小化卡方统计量），才有必要清楚地了解简单无效假设和复杂假设的区别。
1.这不再是一个概率性的方法。概率分布的尾部指的是小的、罕见的情况，而主要的、重要的情况则有自己的分布，向边缘迅速减少。
2.问题是："对了，阿列克谢，还有弗拉基米尔，告诉我。假设我们想用正态分布来近似一些数据，分布的尾部和中部在近似中应该有相同的权重，我想？ "
答案是否定的。如果我们用概率方法对问题进行建模，那么那些比其他事件更经常发生的事件当然更重要，也就是更可能发生。这是意识形态的问题。
3.你是说线性因果关系吗？ISC是否关心有什么样的关系？
1.他们并非不重要。一个这样的 "小 "案件可能会导致 "大 "案件所赢得的一切损失。
3.线性相关关系。MNC都一样，线性我是叫近似值，不是MNC。
有点让人联想到皮尔逊的拟合度测试（chi-square）。见第三章中的Kobzar。只需要清楚地了解简单的无效假设情况和复杂的情况之间的区别，当分布参数未知并从样本中估计出来时（例如，通过最小化卡方统计）。
那么，就没有估计分布参数的任务了)