統計檢定方法運用.5

閱讀時間約 1 分鐘
Durbin-Watson test,對模組的殘差項進行相關聯性檢定,常應用於迴歸分析以及需要限制殘差項要為獨立常態分配。不過我在應用上更關心價格資料是否有聚集在均線附近,若有則可以判定盤整盤,反之則有趨勢發生,相關統計檢定計算步驟詳列如下
  1. 以均線為例,首先計算出各筆價格與均線之間的殘差,並帶入檢定統計量,請參考下圖一
  2. 統計檢定量介於0~4之間,正相關、負相關檢定與對應的上界、下界,分別有六種關係,
正相關時候
如果d <= 下界 ,誤差項自我相關為正
如果d >= 上界 ,不拒絕,無自我相關
如果下界 < d < 上界 ,則檢定結果無法確認
負相關時候
如果(4 - d) <= 下界 ,誤差項自我相關為負
如果(4 - d) >= 上界,不拒絕,無自我相關
如果下界 < (4 - d) < 上界 ,則檢定結果無法確認
3. 上界、下界請參考查表值,以下僅列舉一個變數、樣本數介於15~30之間、顯著水準為0.05的部分查表內容
統計檢定量
為什麼會看到廣告
21會員
100內容數
留言0
查看全部
發表第一個留言支持創作者!
Piemann的沙龍 的其他內容
模組的優劣比較有諸多方法,這裡介紹過度加碼的概念。直覺的,過度加碼並不能用在實際交易,因為交易者無法承擔破產風險,不過當模組在回測時,利用當前累積獲利金額的某一個比例來進行加碼,而且是過度加碼的方式來進行實驗,此時可以直覺地猜想,績效差的模組會因為沒有累積獲利而無法加碼。
1. 假如你有8筆實際的時間序列價格資料,依時間序列為X(1)、X(2)、...、X(8),然後價格資料給予標準化 2. 假如你有8筆數據,是透過標準常態分配亂數而得,由小而大依序為 Y(1)、Y(2)、...、Y(8)
承續前篇內容,另外使用第二種隨機性檢定方式,來判斷價格是否處於盤整盤,假若為盤整盤,價格應集中在均線位置附近或是前後相鄰的數值差異很小,數據計算方法如下
承續前篇,透過觀察統計檢定量的公式,隨機性的檢定是透過前、後期的資料乘積與均數差異的平方,取其比值大小最為判斷,現在透過更為高階的動差概念,來討論價格資料是否屬於盤整型態,其中以動差的視角來看,均數屬於一階動差、變異數屬於二階動差、偏態屬於三階動差、峰態屬於四階動差,相關公式詳列如下
價格數據可透過隨機性檢定方式,以判斷行情是否在盤整盤狀態。假若行情為盤整盤,前後價格應該偏向漲跌互見的形式;反之若為趨勢盤,則前後價格應該偏向漲、漲、漲與跌、跌、跌的連續形式。 統計方法如下 : 假設有一系列的觀察值X(1)、X(2)、...、X(n),系列相關係數與統計檢定量定義如下
假設你有一串時間數列資料,資料時間長度可以是Tick、分鐘K,也可以是日K的等級,請問有甚麼方法可以評估是否為盤整盤 ?
模組的優劣比較有諸多方法,這裡介紹過度加碼的概念。直覺的,過度加碼並不能用在實際交易,因為交易者無法承擔破產風險,不過當模組在回測時,利用當前累積獲利金額的某一個比例來進行加碼,而且是過度加碼的方式來進行實驗,此時可以直覺地猜想,績效差的模組會因為沒有累積獲利而無法加碼。
1. 假如你有8筆實際的時間序列價格資料,依時間序列為X(1)、X(2)、...、X(8),然後價格資料給予標準化 2. 假如你有8筆數據,是透過標準常態分配亂數而得,由小而大依序為 Y(1)、Y(2)、...、Y(8)
承續前篇內容,另外使用第二種隨機性檢定方式,來判斷價格是否處於盤整盤,假若為盤整盤,價格應集中在均線位置附近或是前後相鄰的數值差異很小,數據計算方法如下
承續前篇,透過觀察統計檢定量的公式,隨機性的檢定是透過前、後期的資料乘積與均數差異的平方,取其比值大小最為判斷,現在透過更為高階的動差概念,來討論價格資料是否屬於盤整型態,其中以動差的視角來看,均數屬於一階動差、變異數屬於二階動差、偏態屬於三階動差、峰態屬於四階動差,相關公式詳列如下
價格數據可透過隨機性檢定方式,以判斷行情是否在盤整盤狀態。假若行情為盤整盤,前後價格應該偏向漲跌互見的形式;反之若為趨勢盤,則前後價格應該偏向漲、漲、漲與跌、跌、跌的連續形式。 統計方法如下 : 假設有一系列的觀察值X(1)、X(2)、...、X(n),系列相關係數與統計檢定量定義如下
假設你有一串時間數列資料,資料時間長度可以是Tick、分鐘K,也可以是日K的等級,請問有甚麼方法可以評估是否為盤整盤 ?
你可能也想看
Google News 追蹤
Thumbnail
人人都搶著談AI,但又是否人人都可以把AI說得清楚明白?在AI浪潮中,NVIDIA執行長黃仁勳的一舉一動都備受矚目,並在不同的場合都就AI的背景、現況與未來發言。這一期的分享,我們就透過近來的幾場訪談演說,分析他說話技巧的特色與可讓我們學習的五個方面。
Thumbnail
接續上一篇,繼續來講如何從常態分布的機率進行假設檢定,進而推論母體的平均數吧! 這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
Thumbnail
  在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率,而更之前也看過了抽樣分布是如何形成常態分布的過程,現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
Thumbnail
中秋便當來了~還記得上一篇幫大家統計的資料嗎?歷屆總統大選前,10月上漲機率85%、平均漲幅4.67%! 喜歡吃便當的都是老實人,數據做了,當然要用行動來驗證。 九月最後一週,做完統計後開始佈局中秋加菜行情,指數的部分沒什麼好說的,就是無腦做多,漲也買、跌也買,時間都有列,證明真的是看數據做
Thumbnail
2020總統選票可以用數學統計證明蔡英文總統的817萬票並非真實,同樣的檢驗方法也可以證明2016年,蔡英文勝過朱立倫與宋楚瑜也是靠[作票]而得到.當年中選會的各縣市排序,大致是以蔡英文勝票由多到少排列(也是開票時大致所用的報票順序,旨在強調蔡英文是一路領先的),因此縱使各縣市排序按照中選會報表不變
Thumbnail
們必須時時謹記,若要讓寫筆記變成一個可以長久實踐下去的習慣,我們必須讓這件事能簡單、方便的進行下去,千萬別讓完美主義阻斷了心流。
Thumbnail
有些人經常會慨嘆,成年人的世界很複雜。要在大企業裡面求存,當中的人事、系統、流程,就只愈見複雜。無論你是在人資部門、專案管理、風管合規、資訊科技部門工作,也總有機會在會議或簡報中,介紹公司複雜的組織圖、流程圖或系統圖。處理複雜架構的時候,要兼顧展現與闡述,觀眾見樹也要見林,怎麼樣做才可以做好平衡呢?
Thumbnail
統計學 吳迪 一、檢定步驟 1.設立H0:虛無假設 (希望拒絕的對象)   設立H1:對立假設 (希望接受的對象) 2.選定檢定統計量 3.決定顯著水準及拒絕域 4.計算檢定統計量 5.當落入拒絕域時,則拒絕H0,反之則拒絕H1 二 1.型一錯誤 afa= p (拒絕H0/H0為真) 2.型二錯誤
Thumbnail
人人都搶著談AI,但又是否人人都可以把AI說得清楚明白?在AI浪潮中,NVIDIA執行長黃仁勳的一舉一動都備受矚目,並在不同的場合都就AI的背景、現況與未來發言。這一期的分享,我們就透過近來的幾場訪談演說,分析他說話技巧的特色與可讓我們學習的五個方面。
Thumbnail
接續上一篇,繼續來講如何從常態分布的機率進行假設檢定,進而推論母體的平均數吧! 這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
Thumbnail
  在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率,而更之前也看過了抽樣分布是如何形成常態分布的過程,現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
Thumbnail
中秋便當來了~還記得上一篇幫大家統計的資料嗎?歷屆總統大選前,10月上漲機率85%、平均漲幅4.67%! 喜歡吃便當的都是老實人,數據做了,當然要用行動來驗證。 九月最後一週,做完統計後開始佈局中秋加菜行情,指數的部分沒什麼好說的,就是無腦做多,漲也買、跌也買,時間都有列,證明真的是看數據做
Thumbnail
2020總統選票可以用數學統計證明蔡英文總統的817萬票並非真實,同樣的檢驗方法也可以證明2016年,蔡英文勝過朱立倫與宋楚瑜也是靠[作票]而得到.當年中選會的各縣市排序,大致是以蔡英文勝票由多到少排列(也是開票時大致所用的報票順序,旨在強調蔡英文是一路領先的),因此縱使各縣市排序按照中選會報表不變
Thumbnail
們必須時時謹記,若要讓寫筆記變成一個可以長久實踐下去的習慣,我們必須讓這件事能簡單、方便的進行下去,千萬別讓完美主義阻斷了心流。
Thumbnail
有些人經常會慨嘆,成年人的世界很複雜。要在大企業裡面求存,當中的人事、系統、流程,就只愈見複雜。無論你是在人資部門、專案管理、風管合規、資訊科技部門工作,也總有機會在會議或簡報中,介紹公司複雜的組織圖、流程圖或系統圖。處理複雜架構的時候,要兼顧展現與闡述,觀眾見樹也要見林,怎麼樣做才可以做好平衡呢?
Thumbnail
統計學 吳迪 一、檢定步驟 1.設立H0:虛無假設 (希望拒絕的對象)   設立H1:對立假設 (希望接受的對象) 2.選定檢定統計量 3.決定顯著水準及拒絕域 4.計算檢定統計量 5.當落入拒絕域時,則拒絕H0,反之則拒絕H1 二 1.型一錯誤 afa= p (拒絕H0/H0為真) 2.型二錯誤