Me gustaría compartir el enlace - página 5
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
Hmm.
Parece que su fila roja es un derivado del azul.
cómo lo has calculado, ¿puedes mostrarme la fórmula? Entonces se aclarará de inmediato.
hpf(lambda = 13) dx hp1 @hp13_d Filtro Hodrick-Prescott con diferente lambda
hpf(lambda = 200) dx hp2 @hpn_d
hp1_d = hpn_d - hp13_d ' Diferencia entre dos ruidos
hp1_d_D = d(hp1_d) Incremento de ruido
Hmm
Parece que su fila roja es una derivación de la azul.
Lo es. No entiendo cómo ha sucedido:
Lo es. No entiendo cómo ha sucedido:
No entiendo por qué hay tantas ramas sobre la econometría...
...sobre las series derivadas, por muy retorcidas que sean... ...la no estacionalidad aparecerá en todas partes... sólo se ve diferente...
En todo caso, prefiero mirar en esta dirección para ver cómo los datos de alta frecuencia del último periodo pueden afectar a la precisión de un modelo de regresión construido con datos de baja frecuencia. Otra variante - intentar utilizar un marco temporal irregular para la regresión: en la aplicación a Elder y en presencia de datos de baja frecuencia tiene sentido, y hay sospechas de que tal modelo será al menos un orden de magnitud más preciso. Y quizás incluso sea más rentable).
(Sobre las mallas no uniformes - se puede establecer una analogía lejana con los métodos de integración numérica; los que saben, saben que la elección de mallas gaussianas permite elevar el orden de aproximación de n a 2*n-1 encomparación con los métodos de interpolación con el mismo número de nudos).
Además, sería muy interesante trabajar con la función de los errores de regresión. Todavía no me he puesto a ello...
En definitiva, se trata de tomar una suma de cuadrados ponderada en lugar del funcional tradicional que minimizamos -la suma de cuadrados de los errores-, con una ponderación realizada de forma inversamente proporcional a la raíz cuadrada del tiempo. Obtengamos la ecuación de diferencias autorregresivas para que el error sea menor cuanto más cerca estemos del valor predicho de la serie, y la ley del error medio decreciente será coherente con el comportamiento de la serie (recordemos que la dispersión de los datos en la profundidad de la historia crece como sqrt(t)).
El resultado debería ser más suave y preciso que con un simple asistente. Hasta ahora todo está en el nivel de la intuición, pero rara vez me decepciona en estos asuntos))
¿Puede alguien tomarse la molestia de comprobarlo? Yo mismo entiendo que tardaré media hora o una hora en hacerlo todo, pero el sábado...
Además, sería muy interesante trabajar en la funcionalidad del error de regresión. No he llegado a hacerlo...
En resumen, la idea es que en lugar de un funcional tradicional, que minimizamos - la suma de cuadrados de los errores, debemos tomar una suma ponderada de cuadrados, y la ponderación debe ser inversamente proporcional a la raíz cuadrada del tiempo. Obtengamos la ecuación de diferencias autorregresivas para que el error sea menor cuanto más cerca estemos del valor predicho de la serie, y la ley del error medio decreciente será coherente con el comportamiento de la serie (recordemos que la dispersión de los datos en la profundidad de la historia crece como sqrt(t)).
El resultado debería ser más suave y preciso que un simple asistente. Hasta ahora todo está en el nivel de la intuición, pero rara vez me decepciona en estos asuntos)).
¿Puede alguien tomarse la molestia de comprobarlo? Yo mismo entiendo que tardaré media hora o una hora en hacerlo todo, pero el sábado...
¿Existen fórmulas?
Aunque se puede deducir, por supuesto.
No entiendo por qué hay tantas ramas sobre la econometría...
sobre la serie derivada, no importa lo retorcido que te pongas... habrá no estacionariedad en todas partes... sólo se ve diferente...
El problema es que en los ejemplos anteriores la no estacionariedad ha desaparecido y no está claro a dónde ha ido a parar.
entre ejemplos ha desaparecido (parece ser un hodrick o algo más)... pero por lo demás la serie parece no ser estacionaria...
o te refieres (si son iguales) a coger el anterior y utilizarlo como pista... No puede ser así en 1vr... debe haber un error en alguna parte...
El problema es que en los ejemplos anteriores la inestabilidad ha desaparecido y no está claro a dónde ha ido a parar.
He mirado los ejemplos de ssa (ssa - cloz) rojo 50, azul 10))... la similitud es evidente... el fallo está en el hodrick... joder...
¿Qué le hace pensar que la no estacionalidad ha desaparecido?