Кстати, этот подход решает все проблемы, связанные с регрессионной подгонкой в лог-лог пространстве. Является ли OLS регрессия лучше, чем квантильная или байесовская и так далее. @TheRealPlanC
Этот метод вовсе не зависит от регрессии. Он просто основывается на предположении, что мы следуем степенному закону с неизвестным показателем.
Затем мы нормализуем наблюдаемые доходности по лог( (t+1)/t), то есть детерминистический компонент убывающей доходности.
Эти независимые от времени доходности должны иметь симметричное распределение вокруг n, если мы действительно следуем степенному закону. Действительно, мы наблюдаем симметричное распределение, которое стабильно во времени.
Мы можем вывести n из параметров распределения.
Это самый надежный способ найти закон степени, и все остальное все еще полезно, но совершенно устарело и менее строго.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Кстати, этот подход решает все проблемы, связанные с регрессионной подгонкой в лог-лог пространстве. Является ли OLS регрессия лучше, чем квантильная или байесовская и так далее. @TheRealPlanC
Этот метод вовсе не зависит от регрессии. Он просто основывается на предположении, что мы следуем степенному закону с неизвестным показателем.
Затем мы нормализуем наблюдаемые доходности по лог( (t+1)/t), то есть детерминистический компонент убывающей доходности.
Эти независимые от времени доходности должны иметь симметричное распределение вокруг n, если мы действительно следуем степенному закону.
Действительно, мы наблюдаем симметричное распределение, которое стабильно во времени.
Мы можем вывести n из параметров распределения.
Это самый надежный способ найти закон степени, и все остальное все еще полезно, но совершенно устарело и менее строго.