統計檢定運用方法.9

閱讀時間約 1 分鐘
日前看到幾則帶有驚奇數字的新聞,(1). 某人膽結石5000餘顆,正常人的膽結石約10~20顆、(2). 土耳其第一大城伊斯坦堡罕見大暴雪,24小時內積雪50多公分、(3). 俄羅斯的奧伊米雅康鎮,號稱是最低溫的人類定居地點,在零下53度的條件下舉辦馬拉松比賽,參賽年齡最高者是75歲。
以上都可用經驗法則直接判斷是超乎異常的數字,但在開發交易策略時,如何偵測異常極端值(突破訊號),則可借用前人的統計檢定方法。
統計檢定異常值的方法頗多,本文介紹的是小樣本極端值的Dixon檢定
本方法使用的限制為
(a). 樣本數至少三個、
(b). 樣本採自常態分配
檢定方法程序如下 :
將n個樣本由大而小依序排列,排列後為X(1)、X(2)、...、X(n),
檢定統計量為
樣本數界於4~7時,檢定統計量 r = X(2)-X(1) / X(n)-X(1)
樣本數界於8~10時,檢定統計量 r = X(2)-X(1) / X(n-1)-X(1)
樣本數界於11~13時,檢定統計量 r = X(3)-X(1) / X(n-1)-X(1)
樣本數界於14~25時,檢定統計量 r = X(3)-X(1) / X(n-2)-X(1)
統計檢定量的臨界值可透過下表查詢,只要超過臨界值,就拒絕虛無假設,拒絕X(1)該數值來自相同母體的虛無假設
參考的MC程式碼如下
Vars:x(0),y(0),z(0);
x=NthHighest(3,High,25);
y=Highest(High,25);
z=NthLowest(3,High,25);
If y-z<>0 then begin
If y-x>0.406*(y-z) then Buy next bar at Highest(High,25) stop;
End;
為什麼會看到廣告
avatar-img
21會員
112內容數
留言0
查看全部
avatar-img
發表第一個留言支持創作者!
Piemann的沙龍 的其他內容
這個模組於每天收盤時做打分數的計算,計算的依據為各類指標的原始多空判斷方法,例如震盪類、動能類、通道類、均線系統、支撐壓力、型態...等,此外各類型相同的指標,也允許放入不同的長度參數、門檻值等濾網,使其重覆運用,然後將每日的多、空力道分數給予加總 !!
檢查樣本數據是否符合常態分配,價格數據若是符合常態分配,則視為正常行情,反之則視為有突破訊號。常態分配檢定有數種方法,本文介紹的是w/s檢定,檢定統計量僅需計算樣本全距(w),還有標準差(s),然後求其比值,接者透過查表比較其上、下臨界值,查表值請參考下圖
借用優勢比這個概念,觀察價格數據資料的多空變化,資料數據請參考下表一
Kolmogorov-Smirnov 適合度檢定,該方法為檢定樣本次數分配與某一特定母群體分配間的差異是否達到顯著性(一般用來檢定常態分配或是其他類型的連續性分配)。檢定統計量邏輯、計算流程、查表值請參考下列敘述
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
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。
這個模組於每天收盤時做打分數的計算,計算的依據為各類指標的原始多空判斷方法,例如震盪類、動能類、通道類、均線系統、支撐壓力、型態...等,此外各類型相同的指標,也允許放入不同的長度參數、門檻值等濾網,使其重覆運用,然後將每日的多、空力道分數給予加總 !!
檢查樣本數據是否符合常態分配,價格數據若是符合常態分配,則視為正常行情,反之則視為有突破訊號。常態分配檢定有數種方法,本文介紹的是w/s檢定,檢定統計量僅需計算樣本全距(w),還有標準差(s),然後求其比值,接者透過查表比較其上、下臨界值,查表值請參考下圖
借用優勢比這個概念,觀察價格數據資料的多空變化,資料數據請參考下表一
Kolmogorov-Smirnov 適合度檢定,該方法為檢定樣本次數分配與某一特定母群體分配間的差異是否達到顯著性(一般用來檢定常態分配或是其他類型的連續性分配)。檢定統計量邏輯、計算流程、查表值請參考下列敘述
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
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。
你可能也想看
Google News 追蹤
Thumbnail
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題,等你踹共啦!還有機會獲得經典的「偉士牌樂高」喔!馬上來參加本次的活動吧!
Thumbnail
隨著理財資訊的普及,越來越多台灣人不再將資產侷限於台股,而是將視野拓展到國際市場。特別是美國市場,其豐富的理財選擇,讓不少人開始思考將資金配置於海外市場的可能性。 然而,要參與美國市場並不只是盲目跟隨標的這麼簡單,而是需要策略和方式,尤其對新手而言,除了選股以外還會遇到語言、開戶流程、Ap
Thumbnail
#加權指數 跌幅滿足反彈今天觸碰到最基礎的20周 這個訊號就是代表市場只需要少數贏家的共鳴就可以有這種極端反彈行情 跌幅滿足就是10月均線,反彈基本行情就是20周 不需要很多公式算數學第幾波還是豆腐要切到第幾切割率 這些都是我們很久以前就流行的科學公式 但從來也沒聽過看這些大家都會的
Thumbnail
  會執行程式交易通常都有自己手單交易過的人,容易陷入自己主觀判斷進而影響量化交易,是因為來自於自己相信自己的判斷而非程式的進出場依據所造成,所以當有經驗的操作者要切入量化交易很容易犯這方面的問題,反而是從未進行交易過的,直接進行量化交易的小白是最適合,因為只能相信系統的買賣進出交易,反而可以有紀律
Thumbnail
本研究使用了盤中逐筆成交資料(Tick-by-tick Data)來進行股票價格的預測,並討論了馬可夫鏈模型和擴散核模型在這方面的應用。研究結果表明,大多數股票的未來三秒價格可以在少於22個狀態中找到,顯示了交易價格的低不確定性。此外,研究還發現波動性更大和價格更高的股票更難以準確預測。
Thumbnail
終於要開始講統計檢定的實作部分了。因為是舉實例所以滿長的。 為了讓順序比較恰當,這篇比較晚發的文章被設定成假設檢定後的下一篇。
Thumbnail
道瓊日KD值是一個重要的操作指標,根據歷史統計,當道瓊日KD值的K值第一次小於12.3時,有80%的機率該天是短線低點或即將強彈的位置點。文章分享了過去15年的統計數據,並提到總共約31次符合條件的後續走勢。最後提到了目前的K值狀況,並提醒特別注意買點和風險自負。
Thumbnail
  前面說明了所謂「假設檢定」的邏輯,也就是推論統計的基礎。但前面都還只是概念的階段,目前沒有真正進行任何的操作──還沒有提到推論統計的技術。   這篇其實有點像是一個過渡,是將前面的概念銜接到下一篇t分數之間的過程,也可以說是稍微解釋一下t檢定怎麼發展出來的。
Thumbnail
選舉民調是預測選舉結果的重要工具。然而,如果我們不了解樣本和母體的概念,就很容易被民調結果誤導。 在本文中,我們將介紹樣本和母體的概念,以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
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
19767有壓力,因今日靠近此位置有2萬口的成交量,下方主要支撐區域為19523~19589。
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
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題,等你踹共啦!還有機會獲得經典的「偉士牌樂高」喔!馬上來參加本次的活動吧!
Thumbnail
隨著理財資訊的普及,越來越多台灣人不再將資產侷限於台股,而是將視野拓展到國際市場。特別是美國市場,其豐富的理財選擇,讓不少人開始思考將資金配置於海外市場的可能性。 然而,要參與美國市場並不只是盲目跟隨標的這麼簡單,而是需要策略和方式,尤其對新手而言,除了選股以外還會遇到語言、開戶流程、Ap
Thumbnail
#加權指數 跌幅滿足反彈今天觸碰到最基礎的20周 這個訊號就是代表市場只需要少數贏家的共鳴就可以有這種極端反彈行情 跌幅滿足就是10月均線,反彈基本行情就是20周 不需要很多公式算數學第幾波還是豆腐要切到第幾切割率 這些都是我們很久以前就流行的科學公式 但從來也沒聽過看這些大家都會的
Thumbnail
  會執行程式交易通常都有自己手單交易過的人,容易陷入自己主觀判斷進而影響量化交易,是因為來自於自己相信自己的判斷而非程式的進出場依據所造成,所以當有經驗的操作者要切入量化交易很容易犯這方面的問題,反而是從未進行交易過的,直接進行量化交易的小白是最適合,因為只能相信系統的買賣進出交易,反而可以有紀律
Thumbnail
本研究使用了盤中逐筆成交資料(Tick-by-tick Data)來進行股票價格的預測,並討論了馬可夫鏈模型和擴散核模型在這方面的應用。研究結果表明,大多數股票的未來三秒價格可以在少於22個狀態中找到,顯示了交易價格的低不確定性。此外,研究還發現波動性更大和價格更高的股票更難以準確預測。
Thumbnail
終於要開始講統計檢定的實作部分了。因為是舉實例所以滿長的。 為了讓順序比較恰當,這篇比較晚發的文章被設定成假設檢定後的下一篇。
Thumbnail
道瓊日KD值是一個重要的操作指標,根據歷史統計,當道瓊日KD值的K值第一次小於12.3時,有80%的機率該天是短線低點或即將強彈的位置點。文章分享了過去15年的統計數據,並提到總共約31次符合條件的後續走勢。最後提到了目前的K值狀況,並提醒特別注意買點和風險自負。
Thumbnail
  前面說明了所謂「假設檢定」的邏輯,也就是推論統計的基礎。但前面都還只是概念的階段,目前沒有真正進行任何的操作──還沒有提到推論統計的技術。   這篇其實有點像是一個過渡,是將前面的概念銜接到下一篇t分數之間的過程,也可以說是稍微解釋一下t檢定怎麼發展出來的。
Thumbnail
選舉民調是預測選舉結果的重要工具。然而,如果我們不了解樣本和母體的概念,就很容易被民調結果誤導。 在本文中,我們將介紹樣本和母體的概念,以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
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
19767有壓力,因今日靠近此位置有2萬口的成交量,下方主要支撐區域為19523~19589。
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。