สรุปคำตอบของฉัน ฉันชอบการสร้างแบบจำลองลูกโซ่มาร์คอฟ แต่มันก็คิดถึงแง่มุม "ชั่วคราว" ในอีกด้านหนึ่งการมุ่งเน้นไปที่ด้านชั่วขณะ (เช่นเวลาเฉลี่ยที่ ) คิดถึงด้าน "การเปลี่ยนแปลง" ฉันจะเข้าสู่การสร้างแบบจำลองทั่วไปต่อไปนี้ (ซึ่งมีสมมติฐานที่เหมาะสมสามารถนำไปสู่ [กระบวนการมาร์คอฟ] [1]) นอกจากนี้ยังมีสถิติ "การเซ็นเซอร์" จำนวนมากที่อยู่เบื้องหลังปัญหานี้ (ซึ่งแน่นอนว่าเป็นปัญหาดั้งเดิมของความน่าเชื่อถือของซอฟต์แวร์หรือไม่) สมการสุดท้ายของคำตอบของฉันให้ค่าประมาณความน่าจะเป็นสูงสุดของความเข้มการลงคะแนน (ขึ้นกับ "+" และดาวโจนส์ที่มี "-") สำหรับสถานะการลงคะแนนที่กำหนด อย่างที่เราเห็นจากสมการ มันเป็นสื่อกลางจากกรณีเมื่อคุณประมาณการความน่าจะเป็นการเปลี่ยนแปลงและกรณีเมื่อคุณวัดเวลาที่ใช้ในสถานะที่กำหนดเท่านั้น หวังว่าความช่วยเหลือนี้- 1
การสร้างแบบจำลองทั่วไป (เพื่อย้ำคำถามและสมมติฐาน)
อนุญาตและ( S i ) i ≥ 1เป็นแบบจำลองตัวแปรสุ่มตามลำดับวันที่ลงคะแนนและเครื่องหมายโหวตที่เกี่ยวข้อง (+1 สำหรับ upvote, -1 สำหรับ downvote) กระบวนการลงคะแนนเป็นเรื่องง่าย( ฉบับที่Dผม)ฉัน≥ 1( Sผม)ฉัน≥ 1
โดยที่
Yเสื้อ= Y+เสื้อ- Y-เสื้อ
Y+เสื้อ= ∑i = 0∞1VDผม≤ t , Sผม= 1 และ Y-เสื้อ= ∑i = 0∞1VDผม≤ t , Sผม= - 1
ปริมาณที่สำคัญที่นี่คือความตั้งใจของ -jump
λ ϵ t = lim d t → 0 1ε
โดยที่ ϵสามารถ -หรือ +และ F tเป็นการกรองที่ดีในกรณีจำพวกโดยไม่มีความรู้อื่น ๆ มันจะเป็น:
F t = σ ( Y + t , Y - t , V D 1 , … , V D Y + t
λεเสื้อ= Limdt → 01dเสื้อP( Yεt + dเสื้อ- Yεเสื้อ= 1 | Fเสื้อ)
ε-+Fเสื้อ )
Fเสื้อ= σ( Y+เสื้อ, วาย-เสื้อ, โวลต์D1, … , VDY+เสื้อ+ Y-เสื้อ, S1, ... , SY+เสื้อ+ Y-เสื้อ)
แต่ตามสายของคำถามของคุณผมคิดว่าคุณคิดว่าโดยปริยาย
P( Yεt + dเสื้อ- Yεเสื้อ= 1 | Fเสื้อ) =P( Yεt + dเสื้อ- Yεเสื้อ= 1 | Yเสื้อ)
ϵ = + , -( μεผม)ฉัน∈ Zλεเสื้อ= μεYเสื้อ
μ+- 1- μ+0> 0
Yเสื้อZQ
∀ i , j ∈ ZQฉัน, ฉัน+ 1= μ+ผมQฉัน, ฉัน- 1= μ-ผมQฉันฉัน= 1 - ( μ+ผม+ μ-ผม)Qฉันเจ= 0 ถ้า | i - j | > 1
( μ+ผม)ผมμ+μ-
( T1, η1) , … , ( Tพี, ηพี)TJJt hพีผมYเสื้อ= iηJ+ 1- 10
μ+ผมμ-ผม( นาที( Ex p ( μ+ผม) , อีx p ( μ-ผม) ) , η)η
เล็มม่าถ้าX+⇝ Ex p ( μ+)X-⇝ Ex p ( μ-)T= min ( X+, X-) ⇝ Ex p ( μ++ μ-)P( X+1 < X-) = μ+μ++ μ-
ฉ( t , ϵ )( T, η)
ฉ( t , ϵ ) = gμ++ μ-( 1 ( ϵ = + 1 ) ∗ μ++ 1 ( ϵ = - 1 ) ∗ μ-μ++ μ-)
ก.aa > 0aμ+μ-
( μ^+, μ^-) = a r gม. ฉันn ln( μ-+ μ+) ( ( μ-+ μ+) ∑i = 1พีTผม+ p ) - p-LN( μ-) - หน้า+LN( μ+)
พี-= | ฉัน: δผม= - 1 |พี+= | ฉัน: δผม= + 1 |
ความคิดเห็นสำหรับแนวทางขั้นสูงเพิ่มเติม
ผม- 1
ความเป็นไปได้อื่น ๆ อาจรวมถึงความเป็นไปได้ของ
- มีความเข้มที่ลดลงตามเวลา
- การมีความเข้มที่ลดลงตามเวลาที่ใช้ไปนับตั้งแต่การลงคะแนนครั้งสุดท้าย (ฉันชอบอันนี้ในกรณีนี้มีวิธีคลาสสิคในการสร้างแบบจำลองว่าความหนาแน่นลดลง ...
- μ+ผมผม
- .... คุณสามารถเสนอแนวคิดอื่น ๆ ได้!