你如何區分“重要”動作和噪音？

您如何區分日常輪班正常範圍內的損失和具有真正潛在損失的情況？我想到的具體應用是基於圖形辨識的算法交易。

測量預期短缺（也稱為條件風險價值）回答了“我在第 i 個分位數的平均預期損失是多少？”這個更簡單的問題。給定回報的經驗分佈。一種變化是風險價值，它衡量第 i 個分位數的損失。

可以說你可以離開這個，你有你的答案。

您可能想要對您的風險進行更可靠的估計。

在這種情況下，您可以使用引導方法。當您從隨機樣本計算信賴區間時，統計數據本身就是隨機變數。實際上，您的退貨樣本本身就是許多可能的樣本之一。每個可能的樣本都給出了風險價值、平均回報等的可能值。儘管我們使用您的所有數據觀察一組統計數據，但它是從許多值中隨機選擇的，因此它是一個隨機變數。

理論就夠了——這個過程不是很困難。

1. 定義一些感興趣的統計數據。假設它是風險價值。
2. 創建一個重新採樣。您可以通過從帶有替換的退貨分佈中抽樣來做到這一點。採樣 ’n’ 次，其中 n 是觀察次數。（您實際上可以採樣 2n、3n ……如果您願意）
3. 計算重新採樣的感興趣的統計量。
4. 重複步驟 #2 和 #3 幾千次。
5. 由於重新採樣彼此獨立（b/c 我們通過替換重新採樣），因此您在 #4 中計算的統計數據本身就是一個隨機變數。您現在可以通過測量估計值的標準誤差和 t 統計量來建構感興趣的統計量的信賴區間。

引導程序讓您回答“在正常範圍內”的資格。bootstrap 認識到經驗分佈本身就是來自未知總體的樣本。

您可以在此處閱讀有關引導程序的更多資訊。

引用自：https://quant.stackexchange.com/questions/2020