Previsione di mercato basata su indicatori macroeconomici - pagina 8
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
La sostituzione di una linea retta di regressione con due linee rette, una per i valori di input positivi e una per i valori di input negativi, non ha mostrato alcun vantaggio particolare. Tentare di predire il PIL invece di S&P500 ha portato a un RMS più basso delle previsioni, ma il numero ottimale di input è ancora 1. Quindi l'aggiunta di un secondo e di un terzo predittore porta sempre a un aumento dell'RMS della predizione. Questo non mi piace. Mi piacerebbe vedere un modello con più variabili. Così la ricerca dei modelli, dei dati e delle loro trasformazioni continua.
aumentare il numero di variabili aumenta naturalmente la varianza complessiva
numero ottimale di predittori da 5 a 8 (imho)
Dow Jones e il tasso d'interesse LIBOR a tre mesi sul dollaro. Stranamente, i libri di testo dicono che quando il tasso sale, il mercato scende, ma è il contrario.
Tuttavia, non si vede una forte correlazione.
P.S. Chi può dirmi dove trovare i dati sui tassi di interesse prima del 1986 e i prezzi (non i rendimenti) dei Tregers più vecchi del 2007?
Dow Jones e il tasso d'interesse LIBOR a tre mesi sul dollaro. Stranamente, i libri di testo dicono che quando il tasso sale, il mercato scende, ma è il contrario.
Tuttavia, non si vede una forte correlazione.
P.S. Chi può dirmi dove trovare i dati sui tassi d'interesse prima del 1986 e i prezzi (non i rendimenti) dei T-bill più vecchi del 2007?
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
ma davvero molto scomodo ((((.
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
ma è davvero imbarazzante (((
Spiacente, ha solo tariffe.
i prezzi sono qui ma solo per il mese
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
La sostituzione di una singola linea di regressione con due linee di regressione, una per i valori di input positivi e una per i valori di input negativi, non ha mostrato molti benefici. Tentare di predire il PIL invece dell'S&P500 ha portato a un RMS inferiore delle previsioni, ma il numero ottimale di input è ancora 1. Quindi l'aggiunta di un secondo e di un terzo predittore porta sempre a un aumento dell'RMS della predizione. Questo non mi piace. Mi piacerebbe vedere un modello con più variabili. Così la ricerca dei modelli, dei dati e delle loro trasformazioni continua. Non voglio ingannare me stesso campionando i predittori sulla base di tutta la storia e prevedendo dalla stessa storia con predittori selezionati. La vera sfida ora è come selezionare i predittori con solo la storia fino alla data prevista. Forse la realtà limita davvero la scelta a un solo predittore.
Non capisco perché non RAttle - usi dei modelli scadenti e, soprattutto, limitati.
Ho un suggerimento.
Inviatemi il file tsv con i nomi delle colonne. Specifica quali (quali) colonne dovrebbero essere usate come variabili di destinazione. Naturalmente, la riga della tabella dovrebbe riferirsi a un punto nel tempo.
Lo eseguirò in Rattle e con il tuo permesso posterò qui il risultato per 6 modelli molto decenti.
PS.
Regressioni lineari sulle serie finanziarie..... più che discutibili.
Mi dispiace, sono solo le tariffe.
I prezzi sono qui ma solo al mese.
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
Grazie! Dati giornalieri a giudicare dal grafico sul sito web dal 2013.
Regressioni lineari sulle serie finanziarie..... più che discutibili.
perché, come modelli semplici è abbastanza adatto
naturalmente non così versatile come le reti neurali, ma comunque
Spesso osservo che se una regressione non fornisce modelli di buona qualità, allora altri ottimizzatori non forniscono
Perché no, dato che i modelli semplici sono abbastanza adatti
naturalmente non così versatile come le reti neurali, ma ancora
spesso osservato che se la regressione non dà un modello di buona qualità poi altri ottimizzatori non danno
Sì, beh...
Imodelli di regressione sono quasi impossibili da applicare ai dati finanziari. Tu prendi i numeri, ci credi, e il fatto che i numeri che vedi non esistono affatto, ti manca la conoscenza per capirlo - un gioco di numeri.
Ma il mio compito è quello di suggerire... E lì, sta a voi...
PS.
Le reti neurali non danno i migliori risultati. Ci sono altri modelli, e il risultato è migliore e la struttura interna è interpretabile.
Sì, ok...
I modelli di regressione non sono praticamente applicabili ai dati finanziari. Tu prendi i numeri, ci credi, e il fatto che i numeri che vedi non esistono affatto, ti manca la conoscenza per capirlo - un gioco di numeri.
Ma il mio compito è quello di suggerire... E lì, sta a voi...
PS.
Le reti neurali non danno i migliori risultati. Ci sono altri modelli, e il risultato è migliore e la struttura interna è interpretabile.
Non sono ancora d'accordo - la regressione funziona bene con qualsiasi dato, non necessariamente meglio di altri metodi, ma ancora abbastanza bene soprattutto quando si considera l'estrema natura poco esigente delle risorse computazionali
Di solito si raccomanda di logaritmizzare o prendere i delta prima della regressione - ma questo uccide le informazioni di tendenza! - forse è per questo che sei scettico sulla regressione?
la pre-normalizzazione può rovinare i dati, deve essere fatta con molta attenzione
Sono d'accordo che un modello deve avere un senso "fisico"... e più un modello è complesso, più si distacca dall'interpretazione "fisica", in qualsiasi modello complesso i coefficienti sono astratti (a meno che non corrispondano a lotti o numeri di osservazione/palle, moltiplicatori per calcolare la volatilità o qualcosa del genere), le reti neurali sono astratte, le foreste casuali sono anche astratte, che altro? la genetica? anche un modello astratto
Nella regressione, i coefficienti sono di solito interpretati come la forza di correlazione/influenza di un fattore ed è abbastanza logico calcolare la somma dei moduli dei coefficienti e condividere la somma - questo sarà il livello di significatività dell'influenza di una variabile
Naturalmente, questo non può essere sempre espresso in termini economici (in questo caso bisogna costruire un modello solido e ci si può fidare di queste cifre, ma questo è un altro livello), per esempio se si analizzano le relazioni tra l'indice azionario e le statistiche macroeconomiche, si vedrà qualcosa come "% di crescita dell'indice a % di crescita dell'indice" o per esempio non c'è una relazione diretta tra i saldi nei conti della Banca Centrale e un tasso di cambio, ma il modello può mostrare che c'è una relazione oggettiva (non necessariamente che i saldi influenzano un tasso di cambio o viceversa) ma il modello mostra cambiamenti sincroni, quindi
se il modello contiene solo strumenti negoziati, possiamo ricalcolare i coefficienti in lotti - più di un'interpretazione fisica