Ökonometrie: Vorhersage einen Schritt voraus - Seite 41
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Wenn m.o.s. 10 Pips und s.c.s. 100 beträgt, ist es theoretisch möglich, dass die Gesamtrentabilität zu lange warten muss.
Ist die Vorhersage selbst nicht eine mathematische Erwartung des Modells?
Wenn der Fehler stationär ist, ist alles in Ordnung. Ich habe schon oft über den Fehler geschrieben und grafische Darstellungen gegeben, die sehr verworren aussehen.
Mir ist nicht ganz klar, wie die Nicht-Stationarität des Fehlers die Schätzung der Vorhersage beeinflussen kann. Beeinflusst der Fehler nicht letztlich nur das Risiko des Modells im Rahmen des Value at Risk!
Um einen solchen statistischen Vorteil zu erfassen, um über seine Bedeutung sprechen zu können, braucht man nicht 100 Transaktionen, sondern ein Vielfaches davon, Zehntausende.
Gehen wir davon aus, dass es N Geschäfte gibt. Der statische Vorteil (2% * N) muss mindestens doppelt so groß sein wie sqrt(N). Gleichzeitig sind wir uns zu 95 % sicher, dass wir einen statistischen Vorteil haben.
Wie hoch ist die Qualität dieser Maschine zu 97 % (wenn Sie von HP sprechen)? Gibt es eine Formel?
Die Signifikanz der statistischen Schätzungen von mo und Varianz hängt von der Varianz selbst und der Wurzel der Anzahl der Transaktionen ab, nicht vom Vorteil (mo). D.h., wenn die Mo eines Systems 2 mal größer ist als die Mo eines anderen Systems, dann braucht man für die gleiche Genauigkeit von Mo und Mo-Schätzungen 4 mal so viele Trades im ersten System. Natürlich ist es besser, alles in Konfidenzintervallen (seiner Breite) zu beschreiben. Breite der MDI von Mo und Streuungsschätzungen hängt von der Streuung selbst und der Wurzel aus der Anzahl der Geschäfte ab
P.S. Dies gilt natürlich nur für stationäre Verteilungen. Bei Nicht-Stationarität ist die MD überhaupt nicht definiert - es wird zumindest zeitliche Stationarität oder eine Annäherung an diese benötigt
Mir ist nicht ganz klar, wie die Nicht-Stationarität des Fehlers die Schätzung der Vorhersage beeinflussen kann. Beeinflusst der Fehler nicht letztlich nur das Risiko des Modells im Rahmen des Value at Risk!
Ich verwende die folgende Definition von Stationarität: ungefähr die Konstante mo und die Standardabweichung. Hier ist eines der Diagramme:
Welche Garantie gibt es, dass bei einer Vorhersage außerhalb der Stichprobe (und wir ziehen nur diese Option in Betracht) kein weiterer Fehlerausreißer auftritt? Wenn man davon ausgeht, dass der Fehler nahezu konstant ist (ist der Spread von 25 Pips auf dem Chart eine Konstante?), muss man entweder die Risiken in Form von Konfidenzintervallen für die Vorhersageausführung in Betracht ziehen oder davon ausgehen, dass die Vorhersage konstant ist, und fromm an diese Zahl glauben.
Mir ist nicht ganz klar, wie die Nicht-Stationarität des Fehlers die Schätzung der Vorhersage beeinflussen kann. Beeinflusst der Fehler nicht letztlich nur das Risiko des Modells im Rahmen des Value at Risk!
der vorhergesagte Wert ist eine Schätzung der zukünftigen Reihe, und der Fehler ist ihre Varianz (sko). Was tatsächlich vorhergesagt wird, ist eine zukünftige Verteilung der Preissteigerungen. Wenn diese Verteilung nicht stationär ist, kann man weder der Schätzung von mo noch der Schätzung ihrer Varianz trauen. Das heißt, der Prognose kann nicht vertraut werden.
Die Signifikanz der statistischen Schätzungen von mo und Varianz hängt von der Varianz selbst und der Wurzel der Anzahl der Transaktionen ab, nicht vom Vorteil (mo). D.h. wenn die Sko eines Systems 2 mal höher ist als die Sko eines anderen, dann braucht man für die gleiche Genauigkeit der Schätzungen mo und sko 4 mal mehr Trades im ersten System. Natürlich ist es besser, alles in Konfidenzintervallen (seiner Breite) zu beschreiben. Die Breite des MDI der Mo- und Varianzschätzungen hängt von der Varianz selbst und der Wurzel aus der Anzahl der Abschlüsse ab
Jetzt beginne ich zu verstehen. Es stellt sich heraus, dass je höher der s.c.o., desto größer die Anforderungen an den m.o.-Wert zur Bestätigung seiner statistischen Signifikanz. Für den c.s.o. des aktuellen Modells ist sein m.o. zu unbedeutend, um statistisch signifikant zu sein, und ein solches Modell kann nicht verwendet werden.
Die Bedeutung der statistischen Schätzungen von mo und Varianz für
Dem stimme ich voll und ganz zu, aber für mich ist die interessante Frage, was außerhalb der Stichprobe passiert.
Was muss innerhalb der Stichprobe analysiert werden, um die Wahrscheinlichkeit zu erhöhen, dass eine Vorhersage außerhalb der Stichprobe zutrifft?
Ist die Berechnung des Fehlers und die Forderung nach Stationarität dafür ausreichend?
Eine letzte Frage. Was ist der Prognosehorizont? Ein Schritt oder mehrere Schritte? Wenn mehrere Schritte, wie wird diese Möglichkeit definiert?
Jetzt beginne ich zu verstehen. Es stellt sich heraus, dass je höher der s.c.o., desto größer die Anforderungen an den m.o.-Wert, um seine statistische Signifikanz zu bestätigen. Für den c.s.o. des aktuellen Modells ist der m.o. zu unbedeutend, um statistisch signifikant zu sein, so dass ein solches Modell nicht verwendet werden kann.
ungefähr. Als Ergebnis der Vorhersagetests (oder TC) erhalten wir Schätzungen für mo und sko - das sind 2 Zahlen. Das ist eigentlich falsch - wir haben zwei Intervalle, und die resultierenden Werte sind deren Mittelpunkte. D.h. wenn wir mo=10pnuts haben, dann ist eigentlich mo=10+-delta. Dieses Delta hängt von sko ab - je größer es ist, desto größer ist das Delta und von der Anzahl der Geschäfte (root). D.h. delta ist direkt proportional zu sko/Root(N)
Ist die Berechnung des Fehlers und die Forderung nach Stationarität dafür ausreichend?