Économétrie : une prévision d'avance - page 93
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
Grande nouvelle. ET ARIMA ? ET ARCH ? Pour quels rangs ?
cotier = tendance + bruit
A gauche, il est non stationnaire, mais où à droite ?
Les nouvelles ne sont pas grandes et anciennes - ces méthodes sont développées et appliquées à des séries stationnaires. Mais pour les séries non stationnaires, des méthodes sont utilisées pour les "amener à une forme stationnaire" afin de pouvoir appliquer ces méthodes.
Si une série est non stationnaire, alors elle est non stationnaire. La série présente des caractéristiques statistiques instables. Vous pouvez découper une série en morceaux et elle sera stationnaire dans chaque morceau.
Si le prix a augmenté puis a fortement baissé, il est stationnaire dans la phase ascendante. Mais toute la série de prix est non stationnaire (sujette à des changements soudains).
Les nouvelles ne sont pas grandes et anciennes - ces méthodes sont développées et appliquées à des séries stationnaires. Et pour les non stationnaires, des méthodes sont utilisées pour les "amener à une forme stationnaire" afin de pouvoir appliquer ces méthodes.
Si une série est non stationnaire, alors elle est non stationnaire. La série présente des caractéristiques statistiques instables. Vous pouvez découper une série en morceaux et elle sera stationnaire dans chaque morceau.
Si le prix a augmenté puis a fortement baissé, il est stationnaire dans la phase ascendante. Mais toute la série de prix est non stationnaire (sujette à des changements soudains).
Un changement de tendance n'est pas une indication de non-stationnarité.
Commençons par le début. J'utilise la définition suivante de la stationnarité : une série est stationnaire si mo = constante ("presque" constante) et dispersion = constante ("presque" constante).
Tant qu'il y a une composante déterministe dans la série, on ne peut pas parler de statistiques. C'est pourquoi nous travaillons avec le résidu après avoir soustrait la composante déterministe. Après cette procédure, le problème devient qualitativement plus facile, car le résidu est généralement beaucoup plus petit que la longueur de la bougie.
Les nouvelles ne sont pas grandes et anciennes - ces méthodes sont développées et appliquées à des séries stationnaires. Mais pour les non-stationnaires, des méthodes sont utilisées pour les "amener à une forme stationnaire" afin de pouvoir appliquer ces méthodes.
Si vous êtes toujours d'accord sur ARIMA, alors ARCH est une chose purement non-stationnaire. J'utilise des tests spécifiques visant certaines subtilités de la non-stationnarité et une fois qu'elles sont identifiées, la non-stationnarité pure est modélisée. Le résidu s'avère souvent être stationnaire.
Et pour les non stationnaires, des méthodes sont utilisées pour les "amener à une forme stationnaire".
Si la méthode que vous mentionnez est disponible, alors nous travaillons avec une série non stationnaire ?
Le changement de tendance n'est pas un signe de non-stationnarité.
Commençons par le début. J'utilise la définition suivante de la stationnarité : une série est stationnaire si mo = constante ("presque" constante) et variance = constante ("presque" constante).
Tant qu'il y a une composante déterministe dans les séries, on ne peut pas parler de statistiques. C'est pourquoi nous travaillons avec le résidu après avoir soustrait la composante déterministe. Après cette procédure, le problème devient qualitativement plus facile, car le résidu est généralement beaucoup plus petit que la longueur de la bougie.
Légèrement faux - unprocessus aléatoire stationnaire doit avoir toutes ses caractéristiques de probabilité indépendantes du temps. Si le prix augmentait de façon à peu près linéaire sur une longue période et qu'il baissait soudainement, il s'agissait d'un processus stationnaire avant la baisse, car si la série était décomposée en morceaux, les caractéristiques statistiques de ces morceaux seraient à peu près les mêmes. Mais après la baisse, les caractéristiques de sa probabilité ont changé - elle est devenue non stationnaire (le MO a changé, la variance a changé).
Il est possible d'identifier la composante déterministe dans toute série et nous devrions parler de statistiques. Si la série est non stationnaire, cette composante déterministe aura un pouvoir prédictif très faible.
Légèrement faux - unprocessus aléatoire stationnaire devrait avoir toutes ses caractéristiques de probabilité indépendantes du temps. Si le prix augmentait de façon à peu près linéaire sur une longue période et qu'il baissait soudainement, il s'agissait d'un processus stationnaire jusqu'à la baisse, car si la série était décomposée en morceaux, les caractéristiques statistiques de ces morceaux seraient à peu près les mêmes. Mais après la baisse, les caractéristiques de sa probabilité ont changé - elle est devenue non stationnaire.
Ma définition est constructive - elle permet d'établir un plan de modélisation et de définir l'objectif.
Étape 1 : On ne peut rien affirmer de définitif tant qu'il existe une composante déterministe dans la série. Pour moi, c'est un axiome.
Ma définition est constructive - elle permet d'établir un plan de modélisation et de définir l'objectif.
Étape 1 : On ne peut rien affirmer de définitif tant qu'il existe une composante déterministe dans la série. C'est un axiome pour moi.
Dans toute série, il y a une composante déterministe. La question est celle de la qualité et de la précision des prédictions.
Si la méthode que vous avez mentionnée est disponible, alors vous travaillez avec un rang instable ?
Nous avons essayé et essayé de l'appliquer au commerce - le résultat est déplorable. Je préfère utiliser l'AT.
Bien qu'il y ait de la place pour un exploit.
Il y a une composante déterministe dans toutes les séries. La question est celle de la qualité et de la précision des prédictions.
Ne vous laissez pas distraire.
Nous distinguons la composante déterministe. Qu'en est-il du résidu ? Nous vérifions à nouveau la composante déterministe. La raison en est l'ancienne. Obtenez le bruit. En obtenant le bruit sans la composante déterministe, on peut raisonner.
Ne va pas sur le côté.
Nous distinguons la composante déterministe. Et les résidus ? Nous vérifions à nouveau la composante déterministe. La raison en est l'ancienne. Va jusqu'au bruit. En obtenant le bruit sans la composante déterministe, on peut raisonner.
Pour quoi faire ? Qu'y a-t-il à spéculer ? Vous isolez le composant déterministe, vous créez un modèle, vous le testez, vous l'analysez, vous le rejetez (je plaisante).
Si le composant enfant est de bonne qualité, nous échangeons. A quoi sert le reste ?
La question qui se pose est celle de la qualité de ce composant.
Quelle que soit la façon dont on l'envisage, les statistiques montrent ce qui a précédé. Et il n'y a aucun moyen de montrer "ce qui sera"... Pure conjecture. Peut-être que ça vous conviendrait, alors ?
>