Econometria: previsione a un passo avanti - pagina 41
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
Se il m.o.s. è di 10 pips e il s.c.s. è di 100, è teoricamente possibile che la redditività complessiva debba aspettare troppo a lungo.
La previsione stessa non è un'aspettativa matematica del modello
Tutto va bene se l'errore è stazionario. Molte volte ho scritto e dato grafici dell'errore, che hanno un aspetto molto contorto.
Non vedo bene come la non stazionarietà dell'errore possa influenzare la stima della previsione. L'errore non influisce in definitiva solo sul rischio del modello nel contesto del Value at Risk!
Per cogliere un tale vantaggio statistico e poter parlare della sua importanza, non abbiamo bisogno di 100 transazioni, ma di molte volte di più, decine di migliaia.
Supponiamo che ci siano N accordi. Il vantaggio statistico (2% * N) deve essere almeno due volte superiore a sqrt(N). E allo stesso tempo saremo sicuri al 95% del valore del vantaggio statistico.
Qual è il vostro 97% di qualità di questo mach (se state parlando di HP)? C'è una formula?
La significatività delle stime statistiche di mo e varianza dipende dalla varianza stessa e dalla radice del numero di transazioni, non dal vantaggio (mo). Cioè se il mo di un sistema è 2 volte più grande del mo di un altro sistema, allora per la stessa accuratezza di mo e stime di mo hai bisogno di 4 volte più trade nel primo sistema. Naturalmente, tutto è descritto in modo più competente in intervalli di confidenza (la sua ampiezza). L'ampiezza della MDI di Mo e delle stime di dispersione dipende dalla dispersione stessa e dalla radice del numero di accordi
P.S. Questo naturalmente è tutto per distribuzioni stazionarie. Con la non stazionarietà il MD non è affatto definito - almeno la stazionarietà temporale o un'approssimazione ad essa è necessaria
Non vedo bene come la non stazionarietà dell'errore possa influenzare la stima della previsione. L'errore non influisce in definitiva solo sul rischio del modello nel contesto del Value at Risk!
Uso la seguente definizione di stazionarietà: approssimativamente la costante mo e la deviazione standard. Ecco uno dei grafici:
Qual è la garanzia che su una previsione fuori campione (e stiamo considerando solo questa opzione) non si ottenga un altro outlier di errore? Inoltre, essendo sicuri che l'errore è quasi una costante (lo spread di 25 pips sul grafico è una costante?), o ci si mette in posa ragionando sui rischi sotto forma di intervalli di confidenza di esecuzione della previsione, o si assume che la previsione sia una costante e si crede piamente in quella cifra.
Non vedo bene come la non stazionarietà dell'errore possa influenzare la stima della previsione. L'errore non influisce in definitiva solo sul rischio del modello nel contesto del Value at Risk!
il valore previsto è una stima della serie futura, e l'errore è la sua varianza (sko). Ciò che viene effettivamente previsto è una certa distribuzione futura degli incrementi di prezzo. Se questa distribuzione è non stazionaria, allora non ci si può fidare né della stima di mo né della stima della sua varianza. Cioè, non ci si può fidare delle previsioni
la significatività delle stime statistiche di mo e varianza dipende dalla varianza stessa e dalla radice del numero di operazioni, non dal vantaggio (mo). Cioè, se lo sko di un sistema è 2 volte superiore allo sko di un altro, allora per la stessa precisione delle stime mo e sko hai bisogno di 4 volte più trade nel primo sistema. Naturalmente, è meglio descrivere tutto in intervalli di confidenza (la sua larghezza). L'ampiezza della MDI di mo e stime di varianza dipende dalla varianza stessa e dalla radice del numero di scambi
Ora comincio a capire. Si scopre che più alto è lo s.c.o., maggiori sono i requisiti del valore di m.o. per confermare la sua significatività statistica. Per il c.s.o. del modello attuale il suo m.o. è troppo insignificante per essere statisticamente significativo e tale modello non può essere utilizzato.
La significatività delle stime statistiche di mo e varianza per
Sono completamente d'accordo con questo, ma per me la domanda interessante è cosa succede fuori dal campione?
Che cosa deve essere analizzato all'interno del campione per aumentare la probabilità che una previsione fuori dal campione sia soddisfatta?
È sufficiente il calcolo dell'errore e il requisito di stazionarietà per esso?
Un'ultima domanda. Qual è l'orizzonte di previsione? Un passo o più passi? Se diversi passi, come si definisce questa possibilità?
Ora comincio a capire. Si scopre che più alto è lo s.c.o., maggiori sono i requisiti del valore di m.o. per confermare la sua significatività statistica. Per il c.s.o. del modello attuale, il suo m.o. è troppo insignificante per essere statisticamente significativo, e tale modello non può essere utilizzato.
circa. Come risultato dei test di predizione (o TC) otteniamo stime di mo e sko - che sono 2 numeri. Questo è in realtà sbagliato - abbiamo due intervalli, e i valori risultanti sono i loro punti medi. Cioè se abbiamo mo=10pnuts, allora in realtà mo=10+-delta. Questo delta dipende da sko - più grande è, più grande è il delta e dal numero di accordi (root). Cioè delta è direttamente proporzionale a sko/Root(N)
Il calcolo dell'errore e il requisito della stazionarietà sono sufficienti?