La Johnson-Su (en.wikipedia.org/wiki/Johnson's_SU-distribution) es una variación de la normal y como tal no recoge bien los movimientos llamados cisnes negros, si aumentas la muestra debería darse que siempre tendrás más sucesos en los extremos que los que esperaría una distribución normal o variación de ella. Los movimientos de la bolsa se describen mejor con una Power Law (en.wikipedia.org/wiki/Power_law#Finance). ¿Has probado a medir el error con ella para la muestra que estás usando?
Pues no sé si la recoge scipy, habrá que probarlo. Lo que hice en el ejemplo es un ajuste de compañías agregado con las distribuciones que tiene la librería, miraré si la tiene. Gracias!
sumsquare_error aic bic kl_div ks_statistic ks_pvalue johnsonsu 88.185905 203.862707 -11616.632310 inf 0.013932 5.519448e-01 powerlognorm 519.628714 951.193193 -5880.591942 inf 0.067518 2.911140e-13 powernorm 525.506310 945.886727 -5852.298508 inf 0.066699 5.935101e-13 powerlaw 6147.068990 -253.320639 2101.299101 inf 0.451868 0.000000e+00 En general gana JohnsonSU. Igual PowerLaw cubre mejor las colas pero la que mejor se ajusta en global es la JohnsonSU.
@@Gsnchez Bueno, no estoy seguro de qué mide ese sumsquare_error y hasta qué punto puede ser bueno para ver el ajuste de esas distribuciones. Ten en cuenta lo que te comentaba antes de que los "cisnes negros" son obviados con probabilidades prácticamente iguales a cero por las distribuciones normales y sus variaciones mientras que una distribución powerlaw los tiene en cuenta con probabilidades más ajustadas a la realidad de las bolsas. No sé qué es lo que quieres hacer al final con tu modelo, pero recuerda lo anterior porque te encontrarás con situaciones que no va a prever tu modelo como uses distribuciones normales o variaciones.
Como afecta esto a la teoría de subasta con sus perfiles de volumen y market profile?
No tengo ni idea.
La Johnson-Su (en.wikipedia.org/wiki/Johnson's_SU-distribution) es una variación de la normal y como tal no recoge bien los movimientos llamados cisnes negros, si aumentas la muestra debería darse que siempre tendrás más sucesos en los extremos que los que esperaría una distribución normal o variación de ella. Los movimientos de la bolsa se describen mejor con una Power Law (en.wikipedia.org/wiki/Power_law#Finance). ¿Has probado a medir el error con ella para la muestra que estás usando?
Pues no sé si la recoge scipy, habrá que probarlo. Lo que hice en el ejemplo es un ajuste de compañías agregado con las distribuciones que tiene la librería, miraré si la tiene. Gracias!
sumsquare_error aic bic kl_div ks_statistic ks_pvalue
johnsonsu 88.185905 203.862707 -11616.632310 inf 0.013932 5.519448e-01
powerlognorm 519.628714 951.193193 -5880.591942 inf 0.067518 2.911140e-13
powernorm 525.506310 945.886727 -5852.298508 inf 0.066699 5.935101e-13
powerlaw 6147.068990 -253.320639 2101.299101 inf 0.451868 0.000000e+00
En general gana JohnsonSU. Igual PowerLaw cubre mejor las colas pero la que mejor se ajusta en global es la JohnsonSU.
@@Gsnchez Bueno, no estoy seguro de qué mide ese sumsquare_error y hasta qué punto puede ser bueno para ver el ajuste de esas distribuciones. Ten en cuenta lo que te comentaba antes de que los "cisnes negros" son obviados con probabilidades prácticamente iguales a cero por las distribuciones normales y sus variaciones mientras que una distribución powerlaw los tiene en cuenta con probabilidades más ajustadas a la realidad de las bolsas. No sé qué es lo que quieres hacer al final con tu modelo, pero recuerda lo anterior porque te encontrarás con situaciones que no va a prever tu modelo como uses distribuciones normales o variaciones.