Econometría: previsión de un paso adelante - página 42
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
Estoy completamente de acuerdo con esto, pero para mí la pregunta interesante es, ¿qué sucede fuera de la muestra?
Si su predicción tiene la propiedad de robustez, entonces los parámetros de la distribución predicha se mantendrán, tanto mo (valor predicho) como sk (error).
El hecho de exigir que el error sea estacionario en la historia es la prueba de la robustez de la predicción.
¿Qué hay que analizar dentro de la muestra para aumentar la probabilidad de que se cumplan las predicciones fuera de la muestra?
¿Es suficiente el cálculo del error y la exigencia de estacionariedad al mismo?
Y una última pregunta. ¿Cuál es el horizonte de previsión? ¿Por un paso o por varios pasos? Si son varios pasos, ¿cómo se determina esa posibilidad?
No creo que estas cuestiones se resuelvan sin introducir una función de objetivo de previsión (puntuación de calidad). Por ejemplo, el factor de beneficio. Y la estimación posterior de su cambio en función de los cambios en los parámetros del sistema (y todos los tienen). Crecimiento monótono de la función objetivo al acercarse a un extremo.
No entiendo cómo se puede esperar un error estacionario en datos no estacionarios. En el gráfico que has colgado más arriba, la magnitud del error no posee, obviamente, las propiedades de la varianza finita, lo que hace que sea al menos cuestionable aplicarle estimaciones basadas en la dispersión de los resultados (de s.c.o. o de la raíz cuadrada de N).
El modelo utilizado en este hilo no utiliza mi idea, que es la siguiente: inicialmente consideramos que kotir = tendencia + ruido + ciclicidad.
La ciclicidad no puede ser tratada, entonces se descarta
Si no hay tendencia, no es posible hacer una previsión.
Seleccionamos la tendencia (indicador HP 4 lags) y tenemos en cuenta el ruido (2 lags). Ahora mira el residuo de este modelo. ¿Esto es puro ruido, o queda alguna tendencia en él? Si queda una tendencia, extraemos la tendencia de este residuo. Siempre y cuando no quede ningún ruido. No se puede predecir. ¿Y ahora qué ruido? Aquí es donde entra su pregunta. En el gráfico hay un ruido con el rango de 25 pips. No se pueden predecir los minutos, pero sí los días.
Si su predicción tiene la propiedad de robustez, entonces los parámetros de la distribución predicha se mantendrán, tanto mo (valor predicho) como sk (error).
El hecho de que requiera que el error sea estacionario en la historia es la prueba de robustez de la predicción.
La robustez en el factor de beneficio es la estimación final, pero sería deseable cierta constructividad en la fase de análisis.
TAP tiene una descomposición de Taylor. Se argumenta que el horizonte de previsión es igual al número de derivadas en esta descomposición.
Si hacemos una analogía: la derivada es el residuo del modelo, entonces el horizonte de previsión es el número de iteraciones del residuo. Nos detenemos cuando obtenemos un residuo que podemos despreciar o modelar, por ejemplo, GARCH.
La robustez en el factor de beneficio es la estimación final, pero me gustaría algo de constructividad en la fase de análisis.
Hay una descomposición de Taylor en TAP. Se argumenta que el horizonte de previsión es igual al número de derivadas en esta descomposición.
Si hacemos una analogía: la derivada es el residuo del modelo, entonces el horizonte de previsión es el número de iteraciones del residuo que podemos despreciar o modelar, por ejemplo, GARCH.
el horizonte de previsión depende del tamaño de la muestra a analizar. Por regla general, el horizonte es más pequeño que esta muestra. Es decir, si se analiza una ventana de N barras y se hace una previsión basada en ella, sería lógico que el horizonte de previsión fuera <N barras. Por supuesto, sería ingenuo buscar una dependencia universal, como si un pronóstico debiera hacerse usando la mitad del tamaño de los datos analizados, pero dentro de un sistema particular podemos buscar tal dependencia en términos puramente estadísticos.
1) La robustez en el factor de beneficio es una estimación finita, pero me gustaría una construcción en la etapa de análisis.
2) TAP tiene una descomposición de Taylor. Se argumenta que el horizonte de previsión es igual al número de derivadas en esta descomposición.
3) Si hacemos una analogía: la derivada es el residuo del modelo, el horizonte de previsión es el número de iteraciones de los residuos. Nos detenemos cuando obtenemos un residuo que podemos despreciar o modelar, por ejemplo, GARCH.
1) Hacer una función objetivo --- qué es y cómo es - buscar en un libro de teoría de la optimización. (aunque es poco probable que te ayude).
2) ¡¡¡Mentira!!! Es la primera vez que oigo esas declaraciones, y sólo aquí y de ti. Para evitar cometer estas meteduras de pata a partir de ahora, lee las definiciones al menos dos veces. (¿Cómo se llama el TAR? ¿Se refiere a la teoría del control automático?)
3) De nuevo: ¡¡¡Mentira!!!
.
Econometrista, entiende primero lo básico (por ejemplo, qué es una derivada) antes de seguir adelante. Y se necesita un conocimiento previo incomparablemente mayor para poder tratar el espacio de los estados.
el horizonte de previsión depende del tamaño de la muestra a analizar. Por regla general, el horizonte es más pequeño que esta muestra. Es decir, si se analiza una ventana de N barras y se hace una previsión basada en ella, es lógico que el horizonte de previsión sea <N barras. Por supuesto, sería ingenuo buscar una dependencia universal, como si una previsión debiera hacerse para la mitad del tamaño de los datos analizados, pero dentro de un sistema particular podemos buscar tal dependencia en términos puramente estadísticos.
No puedo estar totalmente de acuerdo.
El tamaño de la muestra debe tomarse a partir de otras consideraciones.
Tomaremos una muestra y estimaremos los parámetros del modelo, y luego dividiremos la muestra en 2 partes y estimaremos los parámetros del modelo en estas partes. Si los parámetros del modelo no han cambiado, OK, si lo han hecho, los dividimos de nuevo. Si queda algo como resultado, el pronóstico es posible, y si no, esperamos.
1) Inventa una función objetivo --- qué es y cómo es - búscala en un libro de teoría de la optimización. (aunque es poco probable que te ayude).
2) ¡¡¡Mentira!!! Es la primera vez que oigo esas declaraciones, y sólo aquí y de ti. Para evitar cometer estas meteduras de pata a partir de ahora, lee las definiciones al menos dos veces. (¿Cómo se llama el TAR? ¿Se refiere a la teoría del control automático?)
3) De nuevo: ¡¡¡Mentira!!!
No puedo estar totalmente de acuerdo.
El tamaño de la muestra debe tomarse a partir de otras consideraciones.
Tomamos la muestra y estimamos los parámetros del modelo, y luego dividimos la muestra en 2 partes y estimamos los parámetros del modelo en estas partes. Si los parámetros del modelo no han cambiado, vale, si lo han hecho, volvemos a dividirlos. Si queda algo como resultado, el pronóstico es posible, y si no, esperamos.
No se trata de seleccionar el tamaño de la muestra para el análisis, sino del horizonte de previsión. No creo que deba fijarse en el tiempo, pero si realmente se quiere discutir de qué depende, entonces el tamaño de la muestra es uno de los factores
Econometrista, primero hay que entender lo básico (por ejemplo, qué es una derivada), y luego seguir adelante. Y se necesitan muchos más conocimientos previos para poder abordar el espacio de los estados.