Econometria: previsione a un passo avanti - pagina 42
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
Sono completamente d'accordo con questo, ma per me la domanda interessante è: cosa succede fuori dal campione?
Se la vostra previsione ha la proprietà della robustezza, allora i parametri della distribuzione predetta si manterranno, sia mo (valore predetto) che sk (errore).
Il fatto che si richiede che l'errore sia stazionario sulla storia è il test per la robustezza della previsione.
Cosa bisogna analizzare all'interno del campione per aumentare la probabilità che la predizione fuori dal campione sia soddisfatta?
Il calcolo dell'errore e il requisito della stazionarietà sono sufficienti?
E un'ultima domanda. Qual è l'orizzonte di previsione? Di un passo o di più passi? Se diversi passi, come si determina tale possibilità?
Non credo che queste domande si risolvano senza introdurre una funzione di previsione dell'obiettivo (punteggio di qualità). Per esempio, il fattore di profitto. E un'ulteriore stima del suo cambiamento a seconda dei cambiamenti dei parametri del sistema (e tutti li hanno). Crescita monotona della funzione obiettivo quando si avvicina a un estremo.
Non capisco come ci si possa aspettare un errore stazionario su dati non stazionari? Nel grafico che hai postato sopra la grandezza dell'errore non possiede ovviamente le proprietà della varianza finita, il che rende almeno discutibile l'applicazione ad essa di stime basate sulla dispersione dei risultati (di s.c.o. o della radice quadrata di N).
Il modello utilizzato in questo thread non utilizza la mia idea, che è la seguente: inizialmente si considera che kotir = tendenza + rumore + ciclicità.
La ciclicità non può essere affrontata, allora viene scartata
Se non c'è una tendenza, allora nessuna previsione è possibile.
Selezioniamo la tendenza (indicatore HP 4 ritardi) e prendiamo in considerazione il rumore (2 ritardi). Ora guardate il residuo di questo modello. Questo è puro rumore, o c'è ancora una tendenza? Se rimane una tendenza, estraiamo la tendenza da questo residuo. Finché non c'è più rumore. Non si può prevedere. Ora quale rumore? È qui che entra in gioco la tua domanda. Sul grafico c'è un rumore con un range di 25 pip. Non si possono prevedere i minuti, ma si possono prevedere i giorni.
Se la vostra previsione ha la proprietà della robustezza, allora i parametri della distribuzione predetta si manterranno, sia mo (valore predetto) che sk (errore).
Il fatto che si richiede che l'errore sia stazionario sulla storia è il test per la robustezza della previsione.
La robustezza sul fattore di profitto è la stima finale, ma sarebbe auspicabile una certa costruttività in fase di analisi.
TAP ha una decomposizione di Taylor. Si sostiene che l'orizzonte di previsione è uguale al numero di derivati in questa decomposizione.
Se facciamo un'analogia: la derivata è il residuo del modello, allora l'orizzonte di previsione è il numero di iterazioni del residuo. Ci fermiamo quando otteniamo un residuo che possiamo trascurare o modellare, per esempio GARCH.
La robustezza sul fattore di profitto è la stima finale, ma vorrei un po' di costruttività nella fase di analisi.
C'è una decomposizione di Taylor in TAP. Si sostiene che l'orizzonte di previsione è uguale al numero di derivati in questa decomposizione.
Se facciamo un'analogia: la derivata è il residuo del modello, allora l'orizzonte di previsione è il numero di iterazioni del residuo che possiamo trascurare o modellare, per esempio GARCH.
l'orizzonte di previsione dipende dalla dimensione del campione da analizzare. Di regola l'orizzonte è più piccolo di questo campione. Cioè, se si analizza una finestra di N barre e si fa una previsione basata su di essa, sarebbe logico che l'orizzonte di previsione sia <N barre. Naturalmente sarebbe ingenuo cercare una dipendenza universale come una previsione dovrebbe essere fatta per la metà della dimensione dei dati analizzati, ma all'interno di un particolare sistema possiamo cercare una tale dipendenza in termini puramente statistici.
1) La robustezza sul fattore di profitto è una stima finita, ma vorrei una costruzione in fase di analisi.
2) TAP ha una decomposizione di Taylor. Si sostiene che l'orizzonte di previsione è uguale al numero di derivati in quella decomposizione.
3) Se facciamo un'analogia: la derivata è il residuo del modello, l'orizzonte di previsione è il numero di iterazioni dei residui. Ci fermiamo quando otteniamo un residuo che possiamo trascurare o modellare, per esempio GARCH.
1) Fai una funzione obiettivo --- cos'è e come è - guarda in un libro sulla teoria dell'ottimizzazione. (anche se è improbabile che ti aiuti).
2) Stronzate!!! È la prima volta che sento queste affermazioni, e solo qui e da te. Per evitare d'ora in poi questi errori, leggete le definizioni almeno due volte. (Come si chiama TAR? Ti riferisci alla teoria del controllo automatico)?
3) Di nuovo: Stronzate!!!
.
Econometrico, capisci prima le basi (per esempio cos'è una derivata) prima di andare avanti. E avete bisogno di una conoscenza preliminare incomparabilmente maggiore per essere in grado di trattare lo spazio degli stati.
l'orizzonte di previsione dipende dalla dimensione del campione da analizzare. Di regola, l'orizzonte è più piccolo di questo campione. Cioè, se si analizza una finestra di N barre e si fa una previsione basata su di essa, è logico che l'orizzonte di previsione sia <N barre. Naturalmente sarebbe ingenuo cercare una dipendenza universale come una previsione dovrebbe essere fatta per la metà della dimensione dei dati analizzati, ma all'interno di un particolare sistema possiamo cercare una tale dipendenza in termini puramente statistici.
Non posso essere completamente d'accordo.
La dimensione del campione dovrebbe essere presa da altre considerazioni.
Prendiamo un campione e stimiamo i parametri del modello, poi dividiamo il campione in 2 parti e stimiamo i parametri del modello su queste parti. Se i parametri del modello non sono cambiati, OK, se lo sono, li dividiamo di nuovo. Se rimane qualcosa come risultato, la prognosi è possibile, altrimenti si aspetta.
1) Inventa una funzione obiettivo --- cos'è e come è - cercala in un libro sulla teoria dell'ottimizzazione. (anche se è improbabile che ti aiuti).
2) Stronzate!!! È la prima volta che sento queste affermazioni, e solo qui e da te. Per evitare d'ora in poi questi errori, leggete le definizioni almeno due volte. (Come si chiama TAR? Ti riferisci davvero alla teoria del controllo automatico)?
3) Di nuovo: Stronzate!!!
Non posso essere completamente d'accordo.
La dimensione del campione dovrebbe essere presa da altre considerazioni.
Prendiamo il campione e stimiamo i parametri del modello, poi dividiamo il campione in 2 parti e stimiamo i parametri del modello su queste parti. Se i parametri del modello non sono cambiati, OK, se lo sono, li dividiamo di nuovo. Se rimane qualcosa come risultato, la prognosi è possibile, altrimenti si aspetta.
Non si trattava di selezionare una dimensione del campione per l'analisi, ma dell'orizzonte di previsione. Non credo che debba essere fissato nel tempo, ma se si vuole davvero discutere da cosa dipende, allora la dimensione del campione è uno dei fattori
Econometrico, prima prendi le basi (per esempio, cos'è una derivata), e poi vai avanti. E c'è bisogno di molte più conoscenze preliminari per poter affrontare lo spazio degli stati.