Econometria: bibliografia - pagina 7

 
faa1947:

TS e DS sono un'invenzione della dissertazione russa.

Il problema è diverso. Il mio punto di vista. isolare la componente deterministica dal quoziente e guardare il residuo. Se il residuo è stazionario, possiamo estrapolare la componente deterministica. In caso contrario, estrarre la componente deterministica dal residuo .... È possibile ottenere un sistema funzionante in questo modo? Non nel caso generale, non ne ho la prova. Ma negli allegati allegati si sostiene che tutto funzionerebbe bene se non ci fossero pieghe nell'andamento. Ma qualche suggerimento viene dato anche per questo caso per superare questo fastidio.

100% d'accordo, ho scritto un EA per lo stesso corso, modello adattivo di previsione delle serie temporali con fluttuazioni instabili, lavora lungo il trend fino alla fine, ma si libera delle inversioni, nel flat si comporta in modo accettabile.
 
faa1947:

TS e DS sono un'invenzione della dissertazione russa.

Il problema è diverso. Estraiamo la componente deterministica dal quoziente e guardiamo il residuo. Se il residuo è stazionario, possiamo estrapolare la componente deterministica. In caso contrario, estrarre la componente deterministica dal residuo ....

Se hai estratto la componente deterministica e l'hai rimossa, allora ovviamente dovrai usare un altro metodo di estrazione per estrarre qualcosa dal residuo (a meno che tu non voglia ottenere uno zero intenzionale nell'output). E così via ad ogni passo.

A giudicare dai post, il collettivo non capisce cosa sia un "breakpoint". in termini semplici. Hanno adattato il modello. Ad ogni nuova barra si riadatta e la nuova corrisponde alla precedente. E poi il nuovo modello con i suoi parametri non coincide con quello precedente. Significa che il kotier all'interno del campione è cambiato in modo tale che i parametri del modello sono cambiati. Se i parametri sono buoni, possiamo regolarli e sperare che tutto vada bene nella prossima barra. Ma a volte il quoziente cambia in modo che la forma funzionale deve essere cambiata. Inoltre, la pausa molto probabilmente non viene diagnosticata all'arrivo di una battuta, ma ha bisogno di diverse battute, cioè siamo passati alla perdita e qui inizia la canzone su SL.

Ecco un allegato su questo problema. Per come la vedo io - questo è il problema principale del trading - è la frattura.

Il problema, applicato al trading, è quello di rilevare un punto di rottura (o come volete chiamarlo, io preferisco l'espressione "disturbo della stazionarietà") il più presto possibile, prima che lo SL scatti. Ma usando il metodo del tuo allegato, difficilmente possiamo farlo, se non altro perché all'interno di un modello lineare non abbiamo assolutamente alcun mezzo per determinare in quale punto particolare all'interno del campione si è verificata la rottura. E, come fai giustamente notare, in questo modello una rottura non è quasi mai diagnosticata dall'arrivo di una singola barra, a meno che quella barra non ti metta immediatamente in un alce.

 
orb:
100% d'accordo, ho scritto un Expert Advisor sullo stesso corso, modello adattivo per la previsione di serie temporali con fluttuazioni instabili, lavora lungo la tendenza fino alla fine, ma le inversioni sono perse, nel piatto si comporta accettabile.
"Non leggere i giornali sovietici".
 
alsu:

Se hai estratto una componente deterministica e l'hai rimossa, allora ovviamente per estrarre qualcosa dal resto, dovrai usare un altro metodo di estrazione (a meno che tu non voglia ottenere uno zero intenzionale nell'output). E così via ad ogni passo.

Perché un altro? Non capisco. Nel ramo della predizione ho mostrato molteplici applicazioni del filtro di Hodrick-Prescott. Dimostrato che non è servito a niente. Non ho spremuto nulla dal collettivo. Ma ora posso dire che c'erano due problemi: (1) le affermazioni sul filtro, che sospetto sia un effetto marginale sulla destra, e (2) tanto un problema quanto il modello stesso è l'uso della previsione risultante. Se questo problema non è risolto, allora è inutile speculare su un metodo di lisciatura. Così facendo, scarto la MM come metodo per risolvere i problemi di utilizzo della previsione.

Su questa base, ho pubblicato un allegato e un link al manuale. Entrambe queste posizioni sono nuove per il forum e secondo me molto promettenti.

Il problema, se applicato al trading, è quello di individuare un kink (o come volete chiamarlo, a me piace di più l'espressione "disturbo della stazionarietà") il più presto possibile, prima che scatti lo SL. Ma usando il metodo del tuo allegato, difficilmente possiamo farlo, se non altro perché all'interno di un modello lineare non abbiamo assolutamente alcun mezzo per determinare in quale punto preciso all'interno del campione si è verificata la rottura. E, come lei giustamente fa notare, in questo modello un kink non è quasi mai diagnosticato dall'arrivo di una singola barra, a meno che quella barra non abbia immediatamente fatto cadere in un alce.

L'idea di allegare è di prevedere con modelli multipli. Diversi modelli daranno una piega in punti diversi e a causa di ciò la previsione sarà raffinata. Credo di sì.

 
faa1947:


Perché l'altro? Non capisco.

Semplice logica. Supponiamo di avere un segnale e di volerne estrarre la componente deterministica. Naturalmente, vogliamo farlo in modo ottimale, cioè in modo che il metodo che usiamo non possa dare il miglior risultato su questo segnale in qualsiasi circostanza. Va notato qui che in questo caso dobbiamo introdurre il criterio di ottimalità, con il quale imporremo dei vincoli ai parametri dell'algoritmo. Ma ne consegue che se l'abbiamo ottenuto e abbiamo spremuto un ottimo dal metodo usato, allora l'uso dello stesso metodo con lo stesso criterio di ottimalità deve restituire zero sul residuo, perché altrimenti abbiamo una contraddizione con il fatto che i parametri del passo precedente sono stati calcolati sulla base del criterio dell'ottimo...

Qui c'è una casualità - se non applichiamo il criterio di ottimizzazione e semplicemente, per esempio, filtriamo il segnale con un filtro statico, allora in teoria non abbiamo il diritto di chiamare il risultato un componente deterministico. Cos'è deterministico? Dopo tutto, puoi applicare un mucchio di filtri della stessa struttura ma con parametri diversi e tutti daranno risultati diversi. Quale di loro, allora, considerare come componente deterministico? Tutti i set di parametri sono uguali, a patto di non introdurre un criterio di ottimalità.

(1) le affermazioni sul filtro, che sospetto sia un effetto marginale sulla destra

Gli effetti limite sono inevitabili in qualsiasi metodo, sono una conseguenza del principio di causalità, e non possiamo mai liberarcene completamente. Ma possiamo cercare di contrastarli attenuando i loro effetti. Questo richiede una conoscenza a priori del campione, il che significa qualche ricerca di base.


e (2) tanto un problema quanto il modello stesso è l'uso della previsione risultante.

Beh, questa è una vecchia canzone del tutto))
 
alsu:

Semplice logica. Supponiamo di avere un segnale e di volerne estrarre la componente deterministica. Naturalmente, vogliamo farlo in modo ottimale.

Conosciamo il criterio - RMSE. Per non impantanarsi con SE. Questo criterio ci permette di selezionare i parametri di lisciatura per un campione particolare. Quando si sposta, si ricalcola.

Otteniamo una componente deterministica nel senso che una parte del quoziente è approssimata da una formula. Spesso un differenziale liscio, ecc. Non c'è odore di casualità. Ma c'è sempre un errore di approssimazione. E c'è un'altra considerazione.

Il quoziente originale non è stazionario. Questa approssimazione liscia viene sottratta da essa. Domanda: dov'è la non stazionarietà? È scomparso? Il residuo è stazionario? Se il residuo è stazionario, possiamo fare una previsione. Se non è stazionario, non possiamo fare previsioni e dobbiamo continuare a smussare togliendo i morsi della non stazionarietà. Il valore assoluto del residuo diminuisce e dopo la terza lisciatura lo spread è di solito una frazione di pip, quindi puoi finalmente dimenticartene.

 
faa1947:

Semplice logica. Supponiamo di avere un segnale e di volerne estrarre la componente deterministica. Naturalmente, vogliamo farlo in modo ottimale.

Conosciamo il criterio - RMSE. Per non impantanarsi con SE. Questo criterio ci permette di selezionare i parametri di lisciatura per un campione particolare. Quando si sposta, si ricalcola.

Otteniamo una componente deterministica nel senso che una parte del quoziente è approssimata da una formula. Spesso un differenziale liscio, ecc. Non c'è odore di casualità. Ma c'è sempre un errore di approssimazione. E c'è un'altra considerazione.

Il quoziente originale non è stazionario. Questa approssimazione liscia viene sottratta da essa. Domanda: dov'è la non stazionarietà? È scomparso? Il residuo è stazionario? Se il residuo è stazionario, possiamo fare una previsione. Se non è stazionario, non possiamo fare previsioni e dobbiamo continuare a smussare togliendo i morsi della non stazionarietà. Considerando che il residuo diminuisce in valore assoluto e dopo il terzo smoothing lo spread è di solito circa un pip, possiamo finalmente sputarci sopra.

Alla fine, possiamo considerare la procedura iterativa stessa come il metodo ottimale per determinare la componente deterministica. La cosa principale è che deve portare al rumore bianco stazionario nell'output, cioè non solo la non stazionarietà deve essere rimossa, ma anche l'autocorrelazione dei residui, altrimenti la previsione non avrà alcun valore. In breve, il problema è noto da tempo in questa formulazione, ma non ho visto la sua soluzione per Fora in accesso aperto. Ma anche se fosse così, chi può dire che la forma della componente deterministica nella finestra di analisi è stazionaria in sé, cioè non cambierà quando la finestra viene spostata? E se non lo fa, allora la previsione non ha valore.

 
alsu:

E se non è così, la previsione non ha valore.

L'ideale non è raggiungibile.

Guardiamo un piano come esempio.

Prendiamo una macchina con T=10. Per me sono 10 variabili indipendenti prese nel calcolo con coefficiente costante = 0,1.

Una volta contato, l'errore di adattamento è più di 100 pip per H1.

Qual è il problema? Ovviamente il coefficiente costante.

Prendiamo la regressione per 10 valori di lag e contiamo i coefficienti. Non sono uguali a 0,1 L'errore è minore, ma ancora circa 100 pips.

Prossima domanda. Perché 10 variabili indipendenti?

Poi, perché una combinazione lineare di queste variabili?

A questo punto del ragionamento, quello che mi viene in mente.

Dobbiamo aggiustare: coefficienti, numero di variabili indipendenti, forma funzionale.

È tutto?

No, non lo è.

Abbiamo proposto al mercato il concetto di modello adattivo, ma si pone la domanda: cosa vediamo nel mercato o cosa prendiamo dal mercato?

Se prendete EViews, c'è un insieme di test che vi permettono di isolare un insieme di parametri più ampio di quello sopra citato per approssimare. quasi completamente questo insieme di parametri che ho mostrato nel ramo di previsione.

 

Proprio così. Questo è tutto ciò che rimane:

Адаптировать [...] коэффициенты, кол-во независимых переменных, функциональную форму

Una piccola cosa))
 
orb:
=) continua, continua) non sento molto, non so molto.
Leggi Ilya Prigozhin. Imparerete molto. C'è caos in tutti i sistemi dinamici.