Ökonometrie: Vorhersage einen Schritt voraus - Seite 93
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
Große Neuigkeiten. UND ARIMA? UND ARCH? Für welche Zeilen gilt das?
cotier = Trend + Rauschen
Auf der linken Seite ist sie nicht stationär, aber wo auf der rechten Seite?
Die Nachricht ist nicht groß und alt - diese Methoden werden entwickelt und auf stationäre Reihen angewendet. Für nichtstationäre Reihen werden jedoch Methoden verwendet, um sie in eine stationäre Form zu bringen", damit diese Methoden angewendet werden können.
Wenn eine Reihe nicht stationär ist, dann ist sie nicht stationär. Die Reihe weist instabile statistische Merkmale auf. Sie können eine Serie in Teile zerschneiden und sie wird in jedem Teil stationär sein.
Wenn der Kurs gestiegen und dann stark gefallen ist, befindet er sich in der aufsteigenden Phase. Die gesamte Preisreihe ist jedoch nicht stationär (sie unterliegt plötzlichen Veränderungen).
Die Nachricht ist nicht groß und alt - diese Methoden werden entwickelt und auf stationäre Reihen angewendet. Bei nicht stationären Daten werden Methoden angewandt, um sie in eine stationäre Form zu bringen", um diese Methoden anwenden zu können.
Wenn eine Reihe nicht stationär ist, dann ist sie nicht stationär. Die Reihe weist instabile statistische Merkmale auf. Sie können eine Serie in Teile zerschneiden und sie wird in jedem Teil stationär sein.
Wenn der Kurs gestiegen und dann stark gefallen ist, befindet er sich in der aufsteigenden Phase. Die gesamte Preisreihe ist jedoch nicht stationär (sie unterliegt plötzlichen Veränderungen).
Eine Veränderung des Trends ist kein Hinweis auf Nicht-Stationarität.
Fangen wir ganz am Anfang an. Ich verwende die folgende Definition von Stationarität: Eine Reihe ist stationär, wenn mo = konstant ("fast" konstant) und Streuung = konstant ("fast" konstant) ist.
Solange es eine deterministische Komponente in der Reihe gibt, können wir nicht von Statistik sprechen. Deshalb arbeiten wir mit dem Rest, nachdem wir die deterministische Komponente abgezogen haben. Nach diesem Verfahren wird das Problem qualitativ einfacher, da der Rückstand in der Regel viel kleiner ist als die Kerzenlänge.
Die Nachricht ist nicht groß und alt - diese Methoden werden entwickelt und auf stationäre Reihen angewendet. Bei nicht-stationären Daten werden jedoch Methoden verwendet, um sie in eine stationäre Form zu bringen", damit diese Methoden angewendet werden können.
Wenn man sich noch auf ARIMA einigen kann, dann ist ARCH eine rein nicht-stationäre Sache. Ich verwende spezifische Tests, die auf bestimmte Feinheiten der Nicht-Stationarität abzielen, und sobald diese identifiziert sind, wird die reine Nicht-Stationarität modelliert. Das Residuum erweist sich oft als stationär.
Bei nicht stationären Daten werden Methoden angewandt, um sie in eine stationäre Form zu bringen".
Wenn die von Ihnen erwähnte Methode verfügbar ist, haben wir es dann mit einer nicht-stationären Reihe zu tun?
Die Veränderung des Trends ist kein Zeichen von Nicht-Stationarität.
Fangen wir ganz am Anfang an. Ich verwende die folgende Definition von Stationarität: Eine Reihe ist stationär, wenn mo = konstant ("fast" konstant) und Varianz = konstant ("fast" konstant) ist.
Solange es eine deterministische Komponente in der Reihe gibt, können wir nicht von Statistik sprechen. Aus diesem Grund arbeiten wir mit dem Restbetrag nach Abzug der deterministischen Komponente. Nach diesem Verfahren wird das Problem qualitativ einfacher, da der Rückstand in der Regel viel kleiner ist als die Kerzenlänge.
Ein wenig falsch - einstationärer Zufallsprozess muss alle seine Wahrscheinlichkeitsmerkmale unabhängig von der Zeit haben. Wenn der Preis über einen langen Zeitraum annähernd linear anstieg und dann plötzlich stark zurückging, handelte es sich vor dem Rückgang um einen stationären Prozess, denn wenn man die Reihe in Teile zerlegt, sind die statistischen Merkmale dieser Teile annähernd die gleichen. Doch nach dem Rückgang änderten sich die Wahrscheinlichkeitsmerkmale - sie wurden nicht mehr stationär (die MO änderte sich, die Varianz änderte sich).
Es ist möglich, die deterministische Komponente in jeder Reihe zu identifizieren, und wir sollten über Statistik sprechen. Wenn die Reihe nicht stationär ist, hat diese deterministische Komponente eine sehr geringe Vorhersagekraft.
Ein wenig falsch - einstationärer Zufallsprozess sollte alle seine Wahrscheinlichkeitsmerkmale unabhängig von der Zeit haben. Wenn der Preis über einen langen Zeitraum annähernd linear anstieg und dann plötzlich stark zurückging, handelte es sich bis zum Rückgang um einen stationären Prozess, denn wenn man die Reihe in Teile zerlegt, sind die statistischen Merkmale dieser Teile annähernd dieselben. Doch nach dem Rückgang änderten sich die Wahrscheinlichkeitsmerkmale - sie wurden instationär.
Meine Definition ist konstruktiv - sie ermöglicht einen Modellierungsplan und definiert das Ziel.
Schritt 1: Solange es eine deterministische Komponente in der Reihe gibt, kann man nichts Definitives sagen. Für mich ist es ein Axiom.
Meine Definition ist konstruktiv - sie ermöglicht einen Modellierungsplan und definiert das Ziel.
Schritt 1: Solange es eine deterministische Komponente in der Reihe gibt, kann man nichts Definitives sagen. Dies ist für mich ein Axiom.
In jeder Serie gibt es eine deterministische Komponente. Die Frage ist die Qualität und Genauigkeit der Vorhersage
Wenn die von Ihnen erwähnte Methode verfügbar ist, arbeiten Sie dann mit einer instabilen Reihe?
Wir haben immer wieder versucht, sie auf den Handel anzuwenden - das Ergebnis war beklagenswert. Ich würde lieber TA verwenden.
Obwohl es Raum für ein Kunststück gibt.
Es gibt eine deterministische Komponente in jeder Serie. Die Frage ist die Qualität und Genauigkeit der Vorhersage
Lassen Sie sich nicht ablenken.
Wir unterscheiden die deterministische Komponente. Was ist mit dem Rest? Auch hier prüfen wir die deterministische Komponente. Der Grund ist der alte. Holen Sie sich den Lärm. Wenn man das Rauschen ohne die deterministische Komponente erhält, kann man folgern.
Gehen Sie nicht zur Seite.
Wir unterscheiden die deterministische Komponente. Was ist mit den Rückständen? Wir prüfen erneut die deterministische Komponente. Der Grund ist der alte. Gehen Sie auf den Lärm ein. Wenn man das Rauschen ohne die deterministische Komponente erhält, kann man folgern.
Und wozu? Was gibt es da zu spekulieren? Sie isolieren die deterministische Komponente, erstellen ein Modell, testen es, analysieren es und verwerfen es (nur ein Scherz).
Wenn die Kinderkomponente von guter Qualität ist, tauschen wir. Wozu ist der Rest gut?
Die Frage ist die Qualität dieser Komponente.
Wie auch immer man es betrachtet, die Statistiken zeigen, was vorher war. Und sie kann auf keinen Fall zeigen, "was sein wird"... Reines Rätselraten. Vielleicht wäre das ja etwas für Sie?
>