Econométrie : pourquoi la co-intégration est nécessaire - page 10
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
faa1947: Что такое подгонка или не подгонка?
L'ajustement (sur-entraînement, sur-optimisation) est un terme utilisé exclusivement pour les marchés financiers (séries temporelles non stationnaires).
C'est n'importe quoi. Un cheval ou autre chose.
Un ajustement est une estimation des paramètres d'un modèle paramétrique. Rien ne peut être surajusté.
Et rien du tout ne peut être adapté à un marché non stationnaire.
C'est n'importe quoi. Un cheval ou autre chose.
Un ajustement est une estimation des paramètres d'un modèle paramétrique. Rien ne peut être surajusté.
Et vous ne pouvez pas du tout adapter quoi que ce soit à un marché non stationnaire.
Je vais essayer de vous l'expliquer.
Tout segment de temps dans le passé est essentiellement stationnaire, car en connaissant la série temporelle elle-même dans le passé, vous pouvez presque toujours trouver une fonction ou un certain modèle sur celle-ci qui donnera un bénéfice sur les données passées - ce n'est pas un problème du tout.
Le terme de non-stationnarité, lorsqu'il est appliqué aux marchés financiers, signifie que nous ne pouvons pas savoir comment le marché va évoluer dans le futur, exactement dans le futur.
En utilisant les données passées, en sachant comment le marché a évolué dans le passé, nous pouvons toujours trouver une fonction ou un modèle qui tiendra compte de ces changements. Mais personne ne sait comment le marché évoluera à l'avenir. Il n'est pas certain qu'elle évoluera en fonction de ses changements passés. D'ailleurs, il est fort probable que cela ne changera pas comme ça.
C'est pourquoi, en ajustant notre TS (en fait, il a été réoptimisé) aux données du passé, aux changements du marché qui ont eu lieu dans le passé, nous obtiendrons le TS qui ne peut pas produire de profit dans le futur.
En pratique, après l'optimisation du TS, nous voulons généralement prendre le TS avec les paramètres qui donnent le plus grand profit avec le plus petit drawdown - c'est exactement le TS ajusté aux données passées. Sur des données futures, un tel TS ne fonctionne pas, parce que ces paramètres optimisés ont pris en compte tous les changements nécessaires dans le passé, mais le marché dans le futur devient différent, pas comme dans le passé, et notre TS, avec ces paramètres optimisés, ne le prend pas en compte.
Laissez-moi essayer de vous l'expliquer.
Tout segment de temps dans le passé est essentiellement stationnaire, car en connaissant la série temporelle elle-même dans le passé, vous pouvez presque toujours trouver une fonction ou un modèle sur celle-ci qui produira des bénéfices sur les données passées - ce n'est pas du tout un problème.
Le terme de non-stationnarité, lorsqu'il est appliqué aux marchés financiers, signifie que nous ne pouvons pas savoir comment le marché va évoluer dans le futur, exactement dans le futur.
En utilisant les données passées, en sachant comment le marché a évolué dans le passé, nous pouvons toujours trouver une fonction ou un modèle qui tiendra compte de ces changements. Mais personne ne sait comment le marché évoluera à l'avenir. Il n'est pas certain qu'elle évoluera en fonction de ses changements passés. D'ailleurs, il est fort probable que cela ne changera pas comme ça.
C'est pourquoi, en ajustant notre TS (en fait, il a été réoptimisé) aux données du passé, aux changements du marché qui ont eu lieu dans le passé, nous obtiendrons le TS qui ne peut pas produire de profit dans le futur.
En pratique, après l'optimisation du TS, nous voulons généralement prendre le TS avec les paramètres qui donnent le plus grand profit avec le plus petit drawdown - c'est exactement le TS ajusté pour les données passées. Sur des données futures, un tel TS ne fonctionne pas, car ces paramètres optimisés prennent en compte tous les changements nécessaires dans le passé, mais le marché sera différent dans le futur, pas comme dans le passé, et notre TS avec de tels paramètres optimisés ne le prend pas en compte.
J'ai passé plusieurs années sur ce sujet, jusqu'à ce que je comprenne : soit TS identifie et modélise la non-stationnarité, et alors c'est TS, soit ce n'est pas TS. Tous les termes d'optimisation, de sur-optimisation sont tous des émotions, du pur chamanisme et plus la transe est profonde, plus la foi en ce que j'ai créé est grande.
Je connais plusieurs façons de tenir compte de la non-stationnarité du marché. La cointégration est l'une des méthodes et elle est précieuse précisément parce que le résultat est une série stationnaire. et ici l'optimisation et la sur-optimisation ne sont pas appropriées.
Oui. Vous obtenez essentiellement une sorte de synthèse. Si le synthétique a un instrument réel avec une entrée plus, alors il se négocie suracheté il vend, sur-vendu il achète. Avec un moins, c'est le contraire, et les poids indiquent les proportions en lots.
La co-intégration est la base de tout le spread trading. Vous ne pouvez négocier des spreads que sur des instruments cointégrés.
Le spread trading, c'est la certitude que la cote reviendra à zéro à partir des extrêmes. mais après combien de temps ?
Je connais plusieurs façons de tenir compte de la non-stationnarité du marché. La cointégration est une façon de faire et est précieuse précisément parce que le résultat est une série stationnaire. et ici l'optimisation et la sur-optimisation ne sont pas appropriées.
Ces termes ne sont pas inventés par moi. Il s'agit de termes couramment utilisés par les traders. Si vous ne les aimez pas à ce stade de votre vie, cela ne signifie pas que vous ne serez pas d'accord avec eux à l'avenir, car la vie évolue et change.
Vous êtes simplement sur-optimisé par le terme de cointégration ))))).
Ce que vous affirmez est essentiellement une prédiction de l'avenir. Autrement dit, en créant une série stationnaire à partir d'une série non stationnaire, vous pouvez prédire avec une probabilité de 100 % ce que sera le marché demain.
Essayez de postuler pour le prix Nobel ou autre chose. ....))))
Ces termes n'ont pas été inventés par moi. Ce sont des termes bien connus utilisés par les traders. Si vous ne les aimez pas à ce stade de votre vie, cela ne signifie pas que vous ne serez pas d'accord avec eux à l'avenir, car la vie évolue et change.
Vous êtes tout simplement sur-optimisé par le terme de cointégration ))))).
Ce que vous affirmez est essentiellement une prédiction de l'avenir. En d'autres termes, en transformant une série non stationnaire en une série stationnaire, vous pouvez prédire ce que fera le marché demain.
Essayez de postuler pour le prix Nobel ou autre chose. ....))))
Ces termes n'ont pas été inventés par moi. Ce sont des termes bien connus utilisés par les traders.
Certainement pas par vous. C'est l'AT - un pays peuplé de chamans et de Pinocchios. Lire un abécédaire et comme une révélation "test avant, test avant, sur-optimisation...".
Dans ce fil, nous discutons de la façon dont la stationnarité de la différence entre deux séries non stationnaires peut être exploitée. Jusqu'à présent, seul le spread trading a émergé. Mais il n'est pas qualifié pour le Nobel.
Dans ce cas, la non-stationnarité des deux séries doit être identique, de sorte qu'elle (la non-stationnarité) s'éteint par soustraction.
S'il est différent, alors après soustraction, nous obtenons un troisième type de série instable.
Comment, par quels paramètres peut-on comparer la non-stationnarité de deux séries non-stationnaires ?
Dans ce cas, la non-stationnarité des deux séries doit être identique, de sorte qu'elle (la non-stationnarité) s'éteint par soustraction.
S'il est différent, alors après soustraction, nous obtenons un troisième type de série instable.
Comment, par quels paramètres peut-on comparer la non-stationnarité de deux séries non-stationnaires ?
Le spread trading - la certitude qu'à partir des extrêmes, la cote reviendra à zéro. mais après combien de temps ?