Si existe un proceso cuyo análisis de una parte no permite predecir la siguiente. - página 9
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
¿puedo explicar a los que no entienden?
¿Qué son las tramas del pasado? y entiendo que también incluye el presente...
¿Y en el sentido de la moda de Cauchy se convertirá en la media?
¿puedo explicar a los que no entienden?
¿Qué tramas hay en el pasado? y entiendo que el presente también es presente...
¿Y en el sentido de Cauchy la moda se convertirá en la media?
Bueno, sólo ponía un ejemplo exagerado para mostrar que la falta de MO y varianza y la no estacionariedad no es una razón para considerar el proceso como impredecible. La frase clave es la capacidad de identificar áreas de previsibilidad, es decir, en el tiempo.
Por supuesto, estaba mintiendo en el calor del momento sobre el MdD.
¿Dónde está la estacionalidad en la "SB ordinaria"?
¿Dónde está el "RMS ideal"?
P.D. Debe ser más específico sobre lo que está hablando. Si te refieres a las devoluciones, sí.
Por desgracia, cualquier previsión sólo puede basarse en un componente determinista. En las filas que no tienen este componente, cualquier predicción, y por lo tanto las ganancias, se vuelven imposibles.
Cómo ve el equipo estas consideraciones.
1. La predicción es posible si existe un componente determinista.
2. La componente determinista es diferenciable no sólo a la izquierda sino también a la derecha en el último compás.
3. La diferenciación hacia la derecha (¡hasta que llegue la siguiente barra!) la proporciona el tipo de la función de suavizado. He visto en algún sitio que las splines cúbicas en la unión siguen siendo diferenciables.
También es posible predecir las funciones indiferenciadas.
La predicción también es posible en ausencia de un componente determinista.
No debemos asociar la diferenciabilidad con la previsibilidad. Es como comparar el calor y la suavidad;
Esto no es una respuesta, sino una pregunta para usted sobre sus propios delirios. Doy un ejemplo para refutarlos.
Un proceso no estacionario con densidad 1/pi*1/(1+(x-x0)^2), y expectativa x0 es también una variable aleatoria, sea para la incertidumbre completa - con distribución desconocida (estacionaria o no - también desconocida). Y que el tiempo de correlación del proceso sea distinto de cero, es decir, que la integral del producto de ACF(tau,t)*tau sea mayor que 0 para cualquier t.
Qué sabemos del proceso:
a) Su varianza es siempre infinita (calcula la integral si no crees).
b) Es no estacionaria tanto en sentido estricto como , casi probablemente, en sentido amplio. La primera se desprende en realidad de la definición de estacionariedad en sentido estricto, porque la densidad del proceso no es constante, la segunda se desprende de las propiedades desconocidas del proceso x0.
Sin embargo, a pesar de todas las circunstancias agravantes, bajo ciertas condiciones, a saber, en aquellas secciones en las que el tiempo de correlación (puede no ser constante - ¡el proceso es no estacionario!) supera algún valor umbral, podemos hacer predicciones con una varianza finita perfectamente aceptable. Es la condición de una buena (superación de algún umbral, que en principio se puede calcular) correlación del proceso al menos en algunos momentos, y nuestra capacidad de identificar estos momentos son condiciones suficientes para la posibilidad de predicción. Sin embargo, los hechos de no estacionariedad y falta de varianza no son importantes en sí mismos.
El error puede variar como quiera, y nuestro trabajo es poder calcularlo. Si podemos hacerlo, ¿por qué no puede ser diferente para distintos momentos? Tu error garrafal es que no distingues entre la varianza del pronóstico y la varianza del proceso pronosticado, que son cosas completamente diferentes y no están rígidamente relacionadas entre sí. La presencia y la profundidad de la relación entre ellos depende de muchos factores, entre ellos la cantidad de conocimientos que tenemos sobre el proceso, los métodos de previsión que tenemos en nuestro arsenal y, sólo por último, las propiedades del propio proceso de previsión. El ejemplo anterior lo confirma.
Es cierto que no eres el único que tiene fijación, porque la gente tiende a equivocarse no por su cuenta, sino por los consejos de las autoridades.
No se trata de la autoridad.
La falacia de tu razonamiento es típica de las personas con formación matemática (quizá no la tengas, pero la falacia de los matemáticos) que se fían mucho de los cálculos matemáticos.
En estadística es muy fácil conseguir cualquier justificación, que es fácilmente refutable con un simple razonamiento, lo que me gusta mucho.
Laincertidumbre de la varianza es un factor determinante de la predicción y referirse a los datos históricos no es adecuado, sean cuales sean las fórmulas con las que se cubra.
Un ejemplo sencillo. Disparar a un objetivo. Me enseñaron que la ley normal rige y podemos juzgar la probabilidad de acertar 10, 9, 8, etc. y estimar la calidad del tirador. La base es el valor de la varianza, que hemos calculado a partir de datos históricos. Pero si a cualquier tirador se le vendan los ojos, se le pone en una silla y se le hace girar, toda la historia, junto con la varianza, caerá en el olvido.
Para mí, esto es un signo de no estacionariedad. El pasado no dice nada. Y hay que hacer un esfuerzo para utilizar el pasado.
Una predicción es una variable aleatoria, es decir, la cifra que calculamos es una realización de un rango, y lo fundamental es el límite del rango y el nivel de confianza en el límite del rango calculado. No hay nada sin varianza. ¿Y si es una variable? Los modelos ARCH, en particular, intentan modelar esta varianza, aclarar la incertidumbre de la varianza y, al obtener algunas ideas sobre el comportamiento (no una constante, sino un comportamiento) de la varianza, hacer más definitivamente una declaración sobre la predicción.
Si tu post habla de poder trabajar con RV no estacionaria, entonces estoy completamente de acuerdo contigo. Pero siempre en el modelo es necesario especificar cómo se resuelve este problema, con qué método, qué se resolverá y qué no, ya que no conozco la solución completa del problema de no estacionariedad. Siempre habrá zonas con algunas características de inestabilidad, que nuestro modelo no tiene en cuenta, la CT se fusionará y nunca obtendremos una línea de equilibrio como una línea recta.
Te escribiré más tarde, ¿vale? No puedo...
Laincertidumbre de la varianza es crucial para la predicción y referirse a los datos históricos no es adecuado, independientemente de las fórmulas que se utilicen para ocultarla.