Économétrie : une prévision d'avance - page 41
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Si m.o.s. est de 10 pips et s.c.s. de 100, il est théoriquement possible que la rentabilité globale doive attendre trop longtemps.
La prédiction elle-même n'est-elle pas une attente mathématique du modèle ?
Tout va bien si l'erreur est stationnaire. J'ai souvent écrit et donné des graphiques de l'erreur, qui ont un aspect très alambiqué.
Je ne vois pas bien comment la non-stationnarité de l'erreur peut affecter l'estimation de la prévision. L'erreur n'affecte-t-elle pas en définitive uniquement le risque du modèle dans le contexte de la Value at Risk !
Pour saisir un tel avantage statistique et pouvoir parler de sa signification, il ne faut pas du tout 100 transactions, mais beaucoup plus, des dizaines de milliers.
Supposons qu'il y ait N transactions. L'avantage statistique (2% * N) doit être au moins deux fois supérieur à sqrt(N). Et en même temps, nous serons sûrs à 95% de la valeur de l'avantage statuaire.
Quelle est la qualité de cette machine à 97 % (si vous parlez de HP) ? Y a-t-il une formule ?
La signification des estimations statistiques de mo et de la variance dépend de la variance elle-même et de la racine du nombre de transactions, et non de l'avantage (mo). C'est-à-dire que si le mo d'un système est 2 fois plus grand que celui d'un autre système, alors pour la même précision des estimations du mo et du mo, il faut 4 fois plus de transactions dans le premier système. Bien sûr, tout est décrit de manière plus compétente dans les intervalles de confiance (sa largeur). La largeur de l'IDM des estimations de Mo et de dispersion dépend de la dispersion elle-même et de la racine du nombre de transactions.
P.S. Tout ceci est bien sûr pour des distributions stationnaires. En cas de non-stationnarité, le MD n'est pas du tout défini - il faut au moins une stationnarité temporelle ou une approximation de celle-ci.
Je ne vois pas bien comment la non-stationnarité de l'erreur peut affecter l'estimation de la prévision. L'erreur n'affecte-t-elle pas en définitive uniquement le risque du modèle dans le contexte de la Value at Risk !
J'utilise la définition suivante de la stationnarité : approximativement la constante mo et l'écart-type. Voici l'un des graphiques :
Quelle est la garantie qu'avec une prévision hors échantillon (et nous n'envisageons que cette option), vous n'obtiendrez pas une autre erreur aberrante ? De plus, en étant sûr que l'erreur est presque une constante (le spread de 25 pips sur le graphique est-il une constante ?), soit vous vous mettez dans une posture en raisonnant sur les risques sous forme d'intervalles de confiance d'exécution de la prévision, soit vous supposez que la prévision est une constante et croyez pieusement à ce chiffre.
Je ne vois pas bien comment la non-stationnarité de l'erreur peut affecter l'estimation de la prévision. L'erreur n'affecte-t-elle pas en définitive uniquement le risque du modèle dans le contexte de la Value at Risk !
la valeur prédite est une estimation de la série future, et l'erreur est sa variance (sko). Ce que l'on prévoit en fait, c'est une certaine distribution future des augmentations de prix. Si cette distribution n'est pas stationnaire, on ne peut se fier ni à l'estimation de mo ni à celle de sa variance. C'est-à-dire que l'on ne peut pas se fier aux prévisions
la signification des estimations statistiques de mo et de la variance dépend de la variance elle-même et de la racine du nombre de transactions, et non de l'avantage (mo). Par exemple, si le sko d'un système est 2 fois plus élevé que le sko d'un autre, alors pour la même précision des estimations mo et sko, il faut 4 fois plus de transactions dans le premier système. Bien sûr, il est préférable de tout décrire en intervalles de confiance (sa largeur). La largeur de l'IDM des estimations de mo et de variance dépend de la variance elle-même et de la racine du nombre de transactions
Maintenant, je commence à comprendre. Il s'avère que plus l'o.c.s. est élevé, plus il est nécessaire que la valeur de l'o.m. confirme sa signification statistique. Pour la c.s.o. du modèle actuel, sa m.o. est trop insignifiante pour être statistiquement significative et un tel modèle ne peut être utilisé.
La signification des estimations statistiques de la mo et de la variance pour les
Je suis tout à fait d'accord avec cela, mais pour moi, la question intéressante est de savoir ce qui se passe en dehors de l'échantillon.
Qu'est-ce qui doit être analysé à l'intérieur de l'échantillon pour augmenter la probabilité qu'une prédiction hors échantillon se réalise ?
Le calcul de l'erreur et l'exigence de stationnarité pour celle-ci sont-ils suffisants ?
Une dernière question. Quel est l'horizon de prévision ? Un pas ou plusieurs pas ? Si plusieurs étapes, comment cette possibilité est-elle définie ?
Maintenant, je commence à comprendre. Il s'avère que plus l'o.c.s. est élevé, plus il est nécessaire que la valeur de l'o.m. confirme sa signification statistique. Pour la c.s.o. du modèle actuel, sa m.o. est trop insignifiante pour être statistiquement significative, et un tel modèle ne peut être utilisé.
approximativement. À la suite des tests de prédiction (ou TC), nous obtenons des estimations de mo et sko - c'est-à-dire 2 nombres. C'est en fait faux - nous avons deux intervalles, et les valeurs résultantes sont leurs points médians. C'est-à-dire que si nous avons obtenu mo=10pnuts, alors en réalité mo=10+-delta. Ce delta dépend de sko - plus il est grand, plus le delta est grand et du nombre de transactions (racine). C'est-à-dire que delta est directement proportionnel à sko/Root(N)
Le calcul de l'erreur et l'exigence de stationnarité pour celle-ci sont-ils suffisants ?