Économétrie : une prévision d'avance - page 50

 
joo:

De ma pratique d'ingénieur.

Un jour, un de mes collègues a été envoyé en voyage d'affaires. Il a passé deux ans à développer un vibro-chargeur. Un vibro-chargeur est un dispositif ayant quelque chose comme un excentrique, et il a été conçu pour enfoncer des pieux dans le sol.

Alors, il est parti en voyage d'affaires avec sa petite merveille. Nos clients appellent de là : "Votre spécialiste est venu, a installé son appareil sur la pile et a dit - ce (bip) ne fonctionnera pas ! Il a sorti une bouteille de vodka, l'a vidée en deux gorgées et a disparu dans une direction inconnue." .....

L'homme n'a pas admis jusqu'au bout que son travail était merdique. Mais un jour, il l'a fait.

Je vous ai demandé d'être précis sur le sujet du fil !
 
faa1947:

Vous pouvez inventer toutes sortes de choses.

A l'origine, j'ai établi ma description verbale de kotir = tendance + bruit. Cette description a un sens en termes de prédiction, puisque la tendance est prédite.

Dans ce fil de discussion, j'ai soulevé une question très étroite : une prévision à un pas. J'ai proposé un modèle et j'essaie de savoir si l'on peut se fier aux prévisions. Si vous pouvez, pourquoi, et si vous ne pouvez pas, pourquoi pas. Sur ce sujet, j'aimerais entendre des avis et des suggestions. Et prêt à faire le sale boulot de codage pour tester les hypothèses. C'est ce que j'appelle la spécificité.


La principale question est de savoir quelle caractéristique du marché tend à persister. Par exemple, la régression linéaire - la tendance est linéaire et persiste pendant un certain temps. Il existe d'autres caractéristiques et donc des modèles. Votre HP fait également une hypothèse sur les propriétés de conservation de certaines caractéristiques. Mais un modèle ne peut pas refléter objectivement le marché en permanence - il doit être filtré. Lorsque l'un ou l'autre modèle est adapté au marché réel.
 
faa1947:

Voici une partie du tableau récapitulatif :

Que changer ?


Je n'utilise pas de telles caractéristiques. Le type traditionnel est la dépendance de la cible aux changements des paramètres du modèle/TC. Et beaucoup dépend de la compréhension du modèle - quel processus il utilise efficacement et ce qu'il est logique d'utiliser et d'analyser pour lui et ce qui le contredit. C'est-à-dire qu'il ne faut pas creuser avec un escalator partout, mais avec une truelle là où c'est nécessaire ;))
 
Avals:

C'est-à-dire ne pas tout creuser avec une pelleteuse, mais avec une truelle là où c'est nécessaire).
Eh bien, ce n'est pas tout à fait ça. Cela témoigne de la bonne conception du modèle. Par exemple, ARCH. Le tableau montre que la probabilité de l'absence d'ARCH est toujours supérieure à 10%. Mais c'est déjà le résultat de la modification du nombre de retards dans la régression. C'est-à-dire qu'on fait une sélection et on est sûr qu'il n'y a pas d'hétéroscédasticité dans le résidu. Ce modèle est plus "correct" que celui avec hétéroscédasticité. Parmi ces modèles corrects, nous devons rechercher ceux qui sont rentables, si nous pouvons le faire.
 
Avals:

La principale question est de savoir quelle caractéristique du marché tend à persister. Par exemple, la régression linéaire - la tendance est linéaire et persiste pendant un certain temps. Il existe d'autres caractéristiques et donc des modèles. Votre HP fait également une hypothèse sur les propriétés de conservation de certaines caractéristiques. Mais un modèle ne peut pas refléter objectivement le marché en permanence - il doit être filtré. Lorsque l'un ou l'autre modèle est adapté au marché réel.

Je comprends cela et j'espère obtenir un tel ensemble de modèles non similaires, "orthogonaux".

Pour l'instant, je dispose de modèles linéaires et non linéaires dans les régressions. Penser que le goulot d'étranglement est la mise en évidence de la tendance.

 
faa1947:

Je comprends cela et j'espère obtenir un tel ensemble de modèles non similaires et "orthogonaux".

Pour l'instant, je dispose de modèles linéaires et non linéaires dans les régressions. Je pense que le goulot d'étranglement est d'isoler la tendance.

 


Explication.

Les résultats sont calculés en pips et en observations, ce qui signifie : un trade - une observation. Un total de quarante mesures. Chaque jour, une transaction - soit longue, soit inverse, et vice versa.

Profit au sein de l'échantillon. Nous prenons un échantillon de 40 barres. Pour ces 40 barres, la régression est estimée et ensuite l'algorithme commence à faire la prévision à partir de 1 barre de cet échantillon.

Profit en dehors de l' échantillon. Il prend 40 barres, estime la régression et fait ensuite une prévision pour la prochaine barre hors échantillon.

Je pense que le bénéfice en observations est plus précis, car il ne dépend pas de la valeur des incréments.

 

Voilà le truc... Même à ce stade :

cette "persistance" de l'erreur devrait être alarmante - c'est une sorte d'indice que le processus est "inanimé".

.

Cela fait écho à l'un des points de la théorie de l'identification, qui exige une diversité spectrale suffisante du signal étudié. C'est une dualité.

 
avtomat:

Voilà le truc... Même à ce stade :

cette "persistance" de l'erreur devrait être alarmante - c'est une sorte d'indice que le processus est "inanimé".

.

Cela fait écho à l'un des points majeurs de la théorie de l'identification, qui exige une diversité spectrale suffisante du signal étudié. C'est une dualité.

C'est l'objectif de la construction de modèles en économétrie.
 
faa1947:
C'est l'objectif de la construction de modèles en économétrie.
Je ne sais pas exactement quel est l'objectif recherché ?