Estadística de la dependencia entre comillas (teoría de la información, correlación y otros métodos de selección de características) - página 73
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Bien dicho. Nosotros, Alexei, estamos a favor de las ineficiencias del mercado. Y ya tenemos resultados prácticos que lo demuestran, pero que no son visibles a través del prisma del enfoque estadístico-econométrico clásico.
En cuanto a tu resultado, has ignorado mi post.
Déjalo estar. Pero.
El ACF clásico sabe dónde meterse y no sólo yo, sino millones. Tras la desviación, el ACF rara vez arroja dependencias superiores a 10 y, si es así, lo más probable es que no se trate de una tendencia de calidad. Sin embargo, si las dependencias permanecen y el número de rezagos es superior a 40 (135 en su imagen), implica modelos de integración fraccional (FARIMA). ¿Y qué se desprende de su enfoque no clásico? ¿Qué modelos se siguen cuando se detectan dependencias de información?
Podría ser.
Cualquier intervalo de confianza suena así: al nivel del 5% (por ejemplo) la hipótesis nula se confirma (no se confirma).
¿Qué le parece su hipótesis nula? ¿Dónde está el intervalo de confianza? etc. Si el ACF es algo comprensible para mí, su gráfico no es comprensible. Si el máximo es de 2,098 bits, entonces no hay que hablar de 0,05/2,098. Y los problemas al principio de la línea no se eliminan.
Por cierto, ¿en base a qué has calculado el ACF?
Sobre lo que conté el ACF - escribí. En los datos del archivo adjunto, sólo que tomo toda la fila de datos, no 100 puntos como tú. Por cierto, no entiendo por qué hay que tomar 100 puntos de datos. No es suficiente, en mi opinión.
Sobre el intervalo de confianza. Mi resultado es el siguiente: al nivel 0,01, no se confirma la hipótesis nula de que los estadísticos de información mutua entre la barra nula y los rezagos no son diferentes en la serie aleatoria y la serie fuente.
Siento no haber contestado enseguida. Se me olvidó, y estaba un poco ocupado.
Lo que utilicé para calcular el ACF - lo escribí. En los datos del archivo adjunto, sólo que tomo toda la fila de datos, no 100 puntos como tú. Por cierto, no entiendo por qué hay que tomar 100 puntos de datos. No es suficiente, en mi opinión.
Sobre el intervalo de confianza. Mi resultado es el siguiente: al nivel 0,01, no se confirma la hipótesis nula de que la estadística de información mutua entre la barra nula y los rezagos no es diferente en las series aleatorias y en las series de origen.
Gracias, me has dado total claridad.
Por favor. Ese era el mensaje principal de mi artículo. Concretamente, realicé una prueba Kolmogorov-Smirnov y una prueba U de Mann-Whitney al final para las muestras sin indicación del tipo de distribución. Ambas pruebas mostraron que la hipótesis nula no se confirma. Cómo interpretar esto es un tema mucho más amplio.
De todos modos, ¿de dónde salieron las pruebas y el ACF?
Ah, ahora entiendo la pregunta. Estadística.
El penúltimo paso es EViews, y el último es R.
Ya he oído hablar mucho de EViwes, lo probaré. R - también han oído e incluso visto. Yo también lo probaré, cuando tenga tiempo. He leído en un foro médico que a veces los resultados de los cálculos en las pruebas difieren entre los diferentes programas, por desgracia.
Y Excel en general - incluso la calidad de PRNG, a diferencia de Statistica. Yo mismo observé diferencias en la suavidad de la campana de distribución normal.
Cuando tenga tiempo, me gustaría hacerlo en este tema. Por analogía con la autocorrelación privada (en la que se corta la influencia de los rezagos intermedios), haga que se corte la influencia de los rezagos intermedios al calcular la información mutua.
He aquí un ejemplo. Se trata de la autocorrelación de la volatilidad (módulo) del EURUSD H1 en la profundidad de hasta 480 rezagos:
Y este es el aspecto de un gráfico de autocorrelaciones parciales, es decir, se ha eliminado la influencia de los rezagos intermedios (falsas correlaciones):
Se puede ver que se cortan muchas correlaciones a la vez.
Aquí quiero hacer algo similar, sólo que para una serie de retornos con signos. Al menos será visible hasta qué barra hay realmente una memoria.