Econometría: previsión de un paso adelante - página 74

 
C-4:

Dice el probador de la estrategia, que el top-starter se niega obstinadamente a reconocer

Lo hice y lo haré. Lo implementó en EViews y tabuló los resultados.

Y al mismo tiempo se pregunta por qué su modelo no funciona. Para qué molestarse con todo este lío de R^2, etc., cuando una simple prueba es mucho más objetiva y nos dice qué es qué.

Antes de probar un coche en una pista, se hace el cálculo de los tornillos y tuercas. Sin esos cálculos nadie probará nada. Las pruebas son necesarias, pero de un coche bien diseñado.

Mi modelo difiere de un vehículo de AT en que tiene un conjunto de propiedades con sus propias características numéricas.

Mi objetivo: a partir de las propiedades medibles del modelo inferir la capacidad de predicción del modelo

Invitó a todos a debatir este problema.

No tengo el objetivo de filtrar modelos de trabajo al colectivo. Los que quieran atraparme en algo o beneficiarse a mi costa son libres.

 
avtomat:
Hay una regla general en estadística: debe haber al menos 300 puntos, ese es el límite inferior.

Es sólo una cuestión de opinión. Todo depende de lo que contemos y de la distribución.
 
Avals:

es una obviedad. Todo depende de lo que contemos y de la distribución.
Por supuesto. Esto es sólo como una primera guía, para la orientación inicial.
 
Avals:



Lo mismo ocurre con todos los demás valores estadísticos y criterios numéricos: se necesitan estimaciones precisas. El intervalo de confianza es una forma de hacerlo. 116 observaciones no es suficiente para creer en los resultados de atribuir o no atribuir una distribución a la normalidad, sea cual sea el criterio aplicado.

¿Cómo no analizarlo? Su artículo lo dice en el 1.3.

Al principio del análisis cité para las personas que buscan cotizaciones en papelería. Si la no estacionariedad es el axioma para usted, entonces no necesita comprobar la normalidad del análisis.

¿El factor de beneficio en 400 operaciones es el mismo que en 40?

Por supuesto que 400 es mejor. Puede ejecutarlo en un historial de 400, pero obtendré una respuesta más razonable a mi pregunta sobre la idoneidad del modelo. Intento inferir la capacidad de predicción del modelo a partir de las características numéricas de sus propiedades. En tus términos: has sacado una conclusión sobre la capacidad de tendencia en los datos históricos. ¿Puede extrapolarse esa conclusión a una muestra? Es una pregunta muy interesante. Cualquier información dentro de una muestra carece de valor si no se conserva al menos un paso fuera de ella.

 
faa1947:

Por supuesto que 400 es mejor. Puedo hacer la historia a 400, pero obtendré una respuesta más razonable a la cuestión de la idoneidad del modelo. Intento obtener una conclusión sobre la capacidad de predicción del modelo a partir de las características numéricas de sus propiedades. En tus términos: has sacado una conclusión sobre la capacidad de tendencia en los datos históricos. ¿Puede extrapolarse esa conclusión a una muestra? Es una pregunta muy interesante. Cualquier información dentro de una muestra carece de valor si no se conserva al menos un paso fuera de ella.

Se trata de una estimación de robustez. Formalmente, se conservan algunas características estadísticas, incluso fuera de la muestra de prueba. Pero la solución formal lleva a que el sistema se detecte demasiado tarde o no se detecte en absoluto. Por lo tanto hay que ser más flexible, pero este no es el tema del ramo parece
 
Reshetov:

Continúa. El residuo es no estacionario porque si el modelo ajustado a una sola muestra se prueba en cualquier otra muestra independiente, el residuo deja de ser una constante. Es posible hacer ajustes a otras muestras, pero después de esos ajustes obtenemos un modelo diferente para cada muestra individual.

Una vez más, lo repito para los especialmente dotados: la estacionariedad sólo puede ser revelada por la coincidencia de datos estadísticos en muestras diferentes e independientes. Y no hay tal coincidencia.

El truco de las manipulaciones econométricas es que han encontrado un método para ajustar un modelo a una muestra de tal manera que todos los residuos de esa muestra sean aproximadamente iguales. Pero como ese truco sólo se produce para una única muestra y en otras muestras el modelo da resultados diferentes, el residuo no es estacionario, sino que sólo se ajusta a una única muestra. Los modelos econométricos no pueden extrapolar el futuro porque aún no disponen de datos históricos (que sólo aparecerán en el futuro) que puedan ajustarse al modelo.

Esto es lo mismo que un indicador de redibujado: ajustar sus lecturas a los datos específicos, cambiándolos retroactivamente.


No tengo el objetivo de asignar un residuo que sea estacionario en conjunto con los residuos futuros. No conozco el futuro y me interesa el futuro exactamente un paso adelante en la siguiente barra fuera de la muestra.

La idea es la siguiente: Construimos un modelo para la muestra disponible. El final de la construcción del modelo es el residuo estacionario para esa muestra. No saco ninguna conclusión sobre la estacionariedad de los residuos futuros, y no la necesito. Estoy tratando de construir un modelo tal que sus características sean suficientes para exactamente una barra hacia adelante. Eso es todo, no más. Preveo este bar. Cuando llega, empiezo a construir el modelo de nuevo. Todo el algoritmo desde el principio. Si se observa la tabla, se puede ver que el desplazamiento de una barra cambia el número de rezagos. Es como un algoritmo de adaptación.

No estoy haciendo nada a posteriori. He citado a propósito en el cuadro resumen datos sobre las extraordinarias cualidades del modelo cuando se mira hacia adelante. Y con ellos los resultados cuando la predicción es estrictamente la siguiente barra fuera de muestra.

 
Avals:

No estoy sugiriendo que se aumente la ventana para calcular los coeficientes de regresión. La ventana para ello no está definida por su convergencia a un número. Me refiero al número de observaciones y cómo afecta a la precisión de las estimaciones de los criterios y las estimaciones estadísticas que aplicas

Hizo estimaciones para las muestras H1 de 40 a 300. A partir de 118 (es una semana), el factor de ganancia no varía prácticamente, los coeficientes se estabilizan.

Una cosa está clara, el modelo con propiedades ideales no funciona, y el motivo no lo entiendo

 

Lo siento, topicstarter, toftop un poco, pero como mi pregunta está relacionada con la estadística, no es realmente offtop.

No sé dónde he encontrado un script que recoja las estadísticas de los instrumentos, ¿alguien puede decírmelo? Me interesa el instrumento con la máxima relación entre la rentabilidad y el diferencial. A grandes rasgos, me interesa el instrumento con el mayor número de velas con las máximas sombras superiores e inferiores.

 
joo:

Lo siento, topicstarter, toftop un poco, pero como mi pregunta está relacionada con la estadística, no es realmente offtop.

No sé dónde he encontrado un script que recoja las estadísticas de los instrumentos, ¿alguien puede decírmelo? Me interesa el instrumento con la máxima relación entre la rentabilidad y el diferencial. A grandes rasgos, me interesa el instrumento con el mayor número de velas con las máximas sombras superiores e inferiores.

No lo sé.
 
faa1947:

No tengo el objetivo de aislar un residuo que es estacionario en conjunto con los residuos futuros.

Usted, como adepto a la secta econométrica, no puede tener ese objetivo, ya que el futuro expone el ajuste y, por tanto, compromete las creencias religiosas. Pero la definición matemática de estacionariedad siempre implica que la estacionariedad es la independencia de los valores de la varianza y la expectativa de la muestra, futura o pasada o lo que sea. Todo lo que depende de una muestra es, por definición matemática, no estacionario.

faa1947:

Estoy tratando de construir un modelo para que sus características sean suficientes para exactamente un bar por delante. Eso es todo, no más. Preveo este bar. Cuando llega, empiezo a construir el modelo de nuevo.

Se trata de una sobrepuja, es decir, de ajustes hacia atrás. Este es exactamente el mismo truco que los indicadores de redibujado. Un modelo sin rebasamiento debería producir residuos estacionarios independientemente de la muestra, entonces podemos hablar de estacionariedad de los residuos producidos por el modelo.