Previsione di mercato basata su indicatori macroeconomici - pagina 10
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
Non sarebbe male dare una definizione chiara, o almeno chiarire cosa si intende per "previsione", "predizione", ecc. Qual è l'orizzonte della "previsione"? Senza questo, le "previsioni" non hanno senso. Perché, a seconda dell'orizzonte, la stessa "previsione" può essere corretta per un orizzonte e scorretta per un altro orizzonte. Inoltre, tali trame possono alternarsi molte volte.
Non assumo generalizzazioni universali, ma darò la seguente definizione di previsione e predizione. Queste definizioni sono basate su algoritmi disponibili in R (e non solo). Probabilmente potrei dare altre definizioni, ma le mie definizioni sono costruttive nel senso che hanno un codice di programma.
Quindi.
1. Previsione. Il principio è che il valore precedente è sempre usato per la previsione. Cioè le barre della storia reale sono usate per una previsione a 1 passo. E poi ci sono le seguenti sfumature. Per la previsione a 2 passi si usa sempre il valore del primo passo avanti. Per una previsione a 3 passi si usano i valori dei 2 passi precedenti, ecc. Questo è fondamentale perché somma gli errori di tutti i passi precedenti della previsione. Così si ottiene un grafico degli errori a imbuto in espansione. L'errore su n passi avanti è sempre maggiore dell'errore su n-1 passi avanti. Il rappresentante più conosciuto di questa direzione è il pacchetto di previsioni.
2. Previsione. Qui si specifica l'insieme di valori da cui si fa la previsione, e si chiama previsione per distinguerla, perché è possibile prevedere da un insieme di barre di 1 passo e di 2 passi e di n passi avanti. L'utilizzo o meno dei valori di previsione non è determinato dall'algoritmo ed è determinato da uno sviluppatore. Il comportamento dell'errore di previsione è sconosciuto. Si può decidere da soli. Se ci sono predittori in un insieme di predittori da H1 che hanno intrinsecamente capacità predittiva ad H4, allora ci può essere meno errore ad ogni quarta ora che alla terza ora. I predittori sono tutti modelli di classificazione.
Non farò generalizzazioni universali, ma darò la seguente definizione di previsione e predizione.
Per le regressioni - la non stazionarietà delle serie finanziarie è un problema fondamentale. Quindi quando si sceglie uno strumento si dovrebbe vedere come lo strumento scelto risolve il problema della non stazionarietà. Il mio menzionato ARIMA risolve il problema della non stazionarietà in una certa misura, ma non ho mai sentito parlare di serie di Taylor che risolvono il problema della non stazionarietà.
La non stazionarietà è vista come un problema quando si applicano modelli stazionari. Se si usa un modello non stazionario, allora la non stazionarietà non è un problema, ma un problema da risolvere.
L'ARIMA non risolve il cosiddetto "problema della non stazionarietà" - non è progettato per questo.
Le serie di Taylor sono in un certo senso universali - se i coefficienti sono costanti, abbiamo un modello stazionario (e l'ARIMA è anche qui), ma se i coefficienti sono funzioni del tempo e dello stato, abbiamo un modello non stazionario. Questo è, in breve, per un riferimento rapido.
Nel mio caso, la previsione 1 passo (trimestre) avanti con la data E utilizza tutti i valori disponibili degli input nelle date da e=0 a e=D-1. La previsione 2 passi avanti con data E usa tutti i valori disponibili degli input nelle date da e=0 a e=D-2. E così via. In altre parole, la previsione a due fasi alla data E non usa la previsione alla data D-1 perché implica che se la previsione alla data D-1 ha usato un insieme di input alle date 0...D-2, allora gli stessi input possono essere usati direttamente per la previsione a due fasi alla data D senza previsione intermedia alla data D-1.
La non stazionarietà è vista come un problema quando si applicano modelli stazionari. Se si usa un modello non stazionario, allora la non stazionarietà non è un problema, ma un problema da risolvere.
L'ARIMA non risolve il cosiddetto "problema della non stazionarietà" - non è progettato per questo.
.
O ammettiamo la presenza di non stazionarietà o non la ammettiamo.
Se lo facciamo, allora o il nostro modello dovrebbe immediatamente mangiare dati non stazionari, o molto probabilmente abbiamo bisogno di una serie di azioni preliminari che preparino i dati grezzi in modo che siano adatti al modello.
E qui l'ARIMA è un esempio classico. È precisamente un modello per dati non stazionari. Nel primo passo, la serie originale non stazionaria viene convertita in stazionaria, e poi la serie risultante viene modellata.
In particolare.
Per i dati stazionari, è un modello senza la lettera I, che significa quante volte differenziare (prendere le differenze) i dati originali affinché diventino stazionari e si possa applicare il modello ARMA. Un'altra cosa è che i criteri che vengono utilizzati per determinare la stazionarietà nei modelli ARIMA, deboli in conseguenza dei quali il modello ARMA applicato ai risultati di differenziazione, non sono applicabili a questi risultati e richiedono ulteriori ricerche, di solito sulla modellazione della varianza - ARCH, e ci sono anche sfumature..... Come risultato, si scopre che si ha una citazione all'ingresso, si modella qualcosa di sezionato, ma è impossibile capire dove mettere il risultato.
O riconosciamo la presenza della non stazionarietà o non la riconosciamo.
Se lo riconosciamo, allora o il nostro modello deve immediatamente inghiottire dati non stazionari, o è probabile che una serie di azioni preliminari siano necessarie per preparare i dati grezzi in modo che siano adatti al modello.
E qui l'ARIMA è un esempio classico. È precisamente un modello per dati non stazionari. Nel primo passo, la serie originale non stazionaria viene convertita in stazionaria, e poi la serie risultante viene modellata.
In particolare.
Per i dati stazionari, è un modello senza la lettera I, che significa quante volte differenziare (prendere le differenze) i dati originali affinché diventino stazionari e si possa applicare il modello ARMA. Un'altra cosa è che i criteri che vengono utilizzati per determinare la stazionarietà nei modelli ARIMA, deboli in conseguenza dei quali il modello ARMA applicato ai risultati di differenziazione, non è applicabile a questi risultati e richiede ulteriori ricerche, di solito modellando la varianza - ARCH, e ci sono sfumature troppo..... Come risultato, si scopre che si ha una citazione all'ingresso, si modella qualcosa di sezionato, ma è impossibile capire dove mettere il risultato.
Stai ripetendo di nuovo il vecchio errore, di cui si è già detto molto...
È impossibile fare una trasformazione della serie originale non stazionaria in una serie stazionaria equivalente. È possibile fare ogni sorta di manipolazioni con la serie iniziale, ma è necessario capire che il risultato ottenuto può non essere equivalente a quello iniziale. Questo è esattamente ciò che accade quando si esegue la "trasformazione di serie non stazionarie in stazionarie".
Si è già detto molto su questo. Ma vedo che non notate i punti principali. In senso figurato, convertire un gatto in un cane portandolo al guinzaglio non funziona.
Lei ripete ancora una volta il vecchio errore, che è già stato detto molte volte...
È impossibile trasformare una serie iniziale non stazionaria in una serie stazionaria equivalente. È possibile fare ogni sorta di manipolazioni con la serie iniziale, ma è necessario capire che il risultato ottenuto può non essere equivalente a quello iniziale. Questo è esattamente ciò che accade quando si esegue la "trasformazione di serie non stazionarie in stazionarie".
Si è già detto molto su questo. Ma vedo che non notate i punti principali. In senso figurato, convertire un gatto in un cane portandolo al guinzaglio non funziona.
Cari partecipanti alla discussione di questo argomento! Mi permetto di assicurarvi che la mia ricerca ha dimostrato che nessuno dei metodi conosciuti di analisi di regressione, comprese le trasformate di Fourier, le reti neurali, i modelli di regressione lineare e non lineare e altri modelli, metodi e tecniche utilizzati per descrivere e/o prevedere il comportamento di una serie numerica, compreso il flusso dei prezzi di mercato, può competere con il modello di regressione universale da me proposto e noto a tutti su qualsiasi parametro di valutazione. Sono pronto a sfidare qualsiasi obiezione con esempi specifici, comparativi, di analisi di qualsiasi serie. Sarei felice di trovare, con il vostro aiuto, gli eventuali inconvenienti del mio modello. Sono sicuro che non appena studierete e capirete seriamente il modello proposto, scoprirete la sua potenza e onnivocità. Per spiegare primitivamente, il modello è un'estensione della MOC gaussiana al dominio non lineare, e come caso speciale, copre anche la MOC gaussiana. Di conseguenza, se nel dominio lineare la MNA gaussiana è la favorita riconosciuta, allora nel caso generale il metodo proposto può rivelarsi tale. Sono pronto a parare le obiezioni, se ce ne sono. Con rispetto, Yusufhoja.