Obtención de una PA estacionaria a partir de una PA de precio

 
Mathemat писал(а) >>

¿Tienes alguna idea real sobre cómo tener en cuenta la no estacionariedad en el probador?

gip escribió >>

Así que no es muy complicado. Requiere algo de trabajo, pero en general el problema es solucionable. Pero por alguna razón no se discute.


Como se sabe, las PA estacionarias son predecibles si no son ruido blanco.


Por lo tanto, existe una demanda urgente para convertir los BPs de precios no estacionarios en estacionarios, pero con la posibilidad de conversión inversa.


La variante más primitiva. Aproximadamente el precio VR. Extrapolar. La diferencia entre la PA extrapolada y la real también es PA, pero estacionaria. Llamemos a esta nueva BP sintética.


Extrapolación de la PA sintética. Añadir a la extrapolación del precio VR. Si el PA sintético no es ruido blanco, la salida es el resultado de la suma de las dos extrapolaciones.

 
En otras palabras, mientras se descomponga utilizando las funciones de aproximación es una serie estacionaria, y cuando el ruido blanco ha desaparecido es el fin del ciclo. ¿Le he entendido bien?
 
IlyaA >> :
En otras palabras, mientras se descomponga utilizando las funciones de aproximación es una serie estacionaria, y cuando el ruido blanco ha desaparecido es el fin del ciclo. ¿Le he entendido bien?

La aproximación es un ajuste. Por eso propongo obtener un PA estacionario no por aproximación sino por extrapolación.

 

Por favor, perdóname por mis pensamientos. Tal vez mi comprensión no esté todavía a su altura. Permítanme hacer una sugerencia con mucho tacto.

¿Crees que hay una argumentación circular en el primer post?

 

Algunas definiciones (en forma libre), para que no haya debate, sobre las definiciones:


A nivel intuitivo, asociamos la estacionariedad de una serie temporal con el requisito de que tenga una media constante y oscile alrededor de esta media con una varianza constante.


Una serie x(t) se llama estrictamente estacionaria (o estacionaria en sentido estricto) si la distribución de probabilidad conjunta de m observaciones x(t1),x(t2),:,x(tm) es la misma que para m observaciones


En otras palabras, las propiedades de una serie temporal estrictamente estacionaria no cambian con un cambio en el origen.


En particular, el supuesto sobre la estacionariedad estricta de la serie temporal x(t) implica que la ley de distribución de probabilidad de la variable aleatoria x(t) no depende de t, por lo que todas sus características numéricas básicas, incluyendo
Expectativa matemática Mx(t)=a
Dispersión Dx(t)=M(x(t)-a)2= c^2


Una serie x(t) se llama débilmente estacionaria (o estacionaria en sentido amplio) si su media y su varianza son independientes de t.


Obviamente, todas las series temporales estrictamente estacionarias (o estacionarias en sentido estricto) son también estacionarias en sentido amplio, pero no a la inversa.


Una serie no estacionaria es una serie que se diferencia de una serie estacionaria por un componente no aleatorio.

 
IlyaA >> :


¿Crees que hay un razonamiento circular en el primer puesto?

No.


1. Primero aproximamos la serie de precios. Obtenemos la fórmula para aproximar el precio BP: precio_appr(tiempo)

2. extrapolar precio_apr(tiempo + i)

3. Get synthetic delta(time + i) = Open[time + i] - price_appr(time + i)

4. Comprueba si delta(x) tiene ruido blanco. Si es ruidoso, es una pena. Si no hace ruido, continúa.

5. Aproximar el sintético y obtener la fórmula: delta_appr(tiempo)

6. Previsión: previsión(tiempo + i + j) = precio_apr(tiempo + i + j) + delta_appr(tiempo + i + j)


donde: i y j son OOS de pasos anteriores. tiempo, i y j son conjuntos de tiempo no intersecantes

 
Sí, eso tiene más sentido.
 
Reshetov >> :

Suena tentador. Pero.


Sólo podemos comprobar el ruido en el intervalo de extrapolación.

Esto significa que, para cada paso, debemos crear un margen por adelantado en forma de intervalo en el que comprobar si hay ruido.

¿No se rompe la idea?


Sí, por cierto, ¿cuánto tiene que durar una fila para poder determinar con suficiente fiabilidad que es ruidosa (no ruidosa)?

 

La estacionariedad de los residuos significa que el modelo de extrapolación es adecuado. Los residuos deben estar distribuidos normalmente y tener MO=0, no contener autocorrelaciones, etc. En general, deben ser independientes.

"

......

Pero un modelo cualitativo no sólo debe dar una previsión suficientemente precisa, sino ser económico y tener residuos independientes que sólo contengan ruido sin componentes sistemáticos (en particular, la FCA de los residuos no debe tener ninguna periodicidad). Por lo tanto, es necesario un análisis exhaustivo de los residuos. Unas buenas comprobaciones del modelo son: (a) graficar los residuos y examinar sus tendencias, (b) comprobar el ACF de los residuos (el gráfico ACF suele mostrar claramente la periodicidad).

Análisis de los residuos. Si los residuos se distribuyen sistemáticamente (por ejemplo, son negativos en la primera parte de la serie y aproximadamente nulos en la segunda) o incluyen algún componente periódico, esto indica que el modelo es inadecuado. El análisis de los residuos es extremadamente importante y necesario en el análisis de series temporales. El procedimiento de estimación supone que los residuos no están correlacionados y se distribuyen normalmente. "

http://www.statsoft.ru/home/textbook/modules/sttimser.html

 
Avals >> :

La estacionariedad de los residuos significa que el modelo de extrapolación es adecuado. Los residuos deben estar distribuidos normalmente y tener MO=0, sin autocorrelación, etc. En general, deben ser independientes.

"

......

Pero un modelo cualitativo no sólo debe dar una previsión suficientemente precisa, sino ser económico y tener residuos independientes que sólo contengan ruido sin componentes sistemáticos (en particular, la FCA de los residuos no debe tener ninguna periodicidad). Por lo tanto, es necesario un análisis exhaustivo de los residuos. Unas buenas comprobaciones del modelo son: (a) graficar los residuos y examinar sus tendencias, (b) comprobar el ACF de los residuos (el gráfico ACF suele mostrar claramente la periodicidad).

Análisis de los residuos. Si los residuos se distribuyen sistemáticamente (por ejemplo, son negativos en la primera parte de la serie y aproximadamente nulos en la segunda) o incluyen algún componente periódico, esto indica que el modelo es inadecuado. El análisis de los residuos es extremadamente importante y necesario en el análisis de series temporales. El procedimiento de estimación supone que los residuos no están correlacionados y se distribuyen normalmente. "

http://www.statsoft.ru/home/textbook/modules/sttimser.html

Fanfarronería de empollón. ¿No te basta con tu propio cerebro para darte cuenta de que todo lo que aparece en el enlace que has citado es una tontería?


Sigue leyendo, y cito: "Limitaciones. Recordemos que el modelo ARPSS sólo es adecuado para las series que son estacionarias(la media, la varianza y la autocorrelación son aproximadamente constantes a lo largo del tiempo); para las series no estacionarias, tome las diferencias. Se recomienda tener al menos 50 observaciones en el archivo de datos brutos. También se supone que los parámetros del modelo son constantes, es decir, que no cambian con el tiempo. " (No quiero discutir la cifra de 50 observaciones, porque hasta un tonto de este foro tiene claro que 50 transacciones no es un resultado)


Tengamos una serie no estacionaria, hemos tomado los residuos - delta(x). Los residuos en sí, como se sugiere en este "trabajo" friki deben cumplir los requisitos, cito:"que sólo contiene ruido sin componentes sistemáticos".


A la mierda. Que haya ruido. El ruido en sí no se puede predecir de ninguna manera. Por lo tanto, es inútil hacer una aproximación. Pero tiene la propiedad, y cito: "Los residuos se distribuirán normalmente y tendrán MO=0".


Por lo tanto, en lugar de ruido tomamos su MO = 0.


Sustitúyalo en la previsión: previsión(tiempo + i + j) = precio_apr(tiempo + i + j) + delta_appr(tiempo + i + j) = precio_appr(tiempo + i + j) + 0 = precio_appr(tiempo + i + j)


Así, la previsión sobre el ruido es la primera aproximación: precio_appr(x). Y la primera aproximación, como dije en el tercer post de este hilo, es un ajuste desnudo. El resultado es:


Predicción botánica = ajuste

 
Reshetov писал(а) >>

La versión más primitiva. Aproximamos el precio BP. Extrapolar. La diferencia entre la PA extrapolada y la real es también la PA, pero ya estacionaria. Llamemos a esta nueva RG una RG sintética.

Por ejemplo, la previsión mediante EMA (de segundo orden, por ejemplo) no da una RV estacionaria de los residuos. Así que la cuestión de la extrapolación también es bastante dura. Creo que gpwr publicó un indicador en el que se aplicaban varios métodos de extrapolación lineal. ¿Quiere analizar las distribuciones de los residuos?

Como sabemos, los PA estacionarios son predecibles si no son ruido blanco

Me pregunto si alguien ha tenido que conseguir ruido blanco en las transformaciones de precios.