マクロ経済指標に基づく市場予測 - ページ 2 123456789...61 新しいコメント Aleksey Vyazmikin 2015.02.12 23:07 #11 興味深い研究テーマである。このトピックについて考えてみると、マクロ経済データをダイナミックに分析する必要性について結論に達しました。私の意見では、失業保険申請件数が 増加したというだけでは十分ではなく、これは季節変動によるものかもしれず、短期的な性質であるため、市場が反応するかしないか、また市場で優勢なトレンドに依存することになります。だから、トレンドを反転させる力があるかどうかという観点から、指標の強さを調べてみるとか?例えば、ジグザグを取ったり、チャート上でトレンドの反転と修正のポイントを特定し、ブレイク前3日以内にマクロ経済指標の反転を探し、そのような指標のグループを集めて、これらの指標が示すものを分析し、パターンを探します。すべての指標が相場反転の理由になるわけではなく、潜在能力、市場動向、過去期間の指標も重要ですし、他の経済指標も総合的に判断します。 Vladimir 2015.02.12 23:48 #12 -Aleks-: これは調査対象として面白いですね。このテーマについて考えているうちに、マクロ経済データをダイナミックに分析する必要があるという結論に達しました。私の考えでは、失業保険申請件数が 増加したというだけでは十分ではなく、これは季節変動によるものかもしれず、短期的なものです。だから、トレンドを反転させる力があるかどうかという観点から、指標の強さを調べてみるとか?例えば、ジグザグを取ったり、チャート上でトレンドの反転と修正のポイントを特定し、ブレイク前3日以内にマクロ経済指標の反転を探し、そのような指標のグループを集めて、これらの指標が示すものを分析し、パターンを探します。すべての指標が相場反転の理由になるわけではなく、潜在能力、市場動向、過去期間の指標も重要ですし、他の経済指標も総合的に判断します。これはなかなか面白いアイデアですね。つまり、トレンドのブレークにのみ注目し、そのブレークに影響を与える重要な指標を特定するのである。 外れ値について、いろいろ考えてみたんです。無視する必要があるのか、逆にもっと注意を払うべきなのか。古典的な回帰理論では、それらを無視するように教えています。しかし、古典的な回帰分析がそれを最も重要視するのに対し、トレンドの周辺での価格の小さな変動はノイズにしか見えないことがあります。トレンドの急変(異常値)は、より重要なシグナルであると思われます。しかし、外れ値に注目したモデルを作ろうとすると(例えばu>1を選択するなど)、二乗平均平方根誤差が大きくなってしまうのです。外れ値を平滑化することで、予測誤差を小さくすることができた。 Vladimir 2015.02.13 05:06 #13 faa1947: したがって、入力変数のリスト全体を手作業で見て、直感的に、あるいは他の何らかの考察に基づいて、"この入力変数は影響しそうだ、これは影響しなさそうだ "と判断しなければならない。...手動で何らかのリストを選択し、アルゴリズムでフィルタリングして、リストを取得した。そして、このようなリストの価値は基本的なものです。このような「影響を与える」入力のセットを使ったモデル(3種類のモデルを使用)には、主な待ち伏せである過学習の性質がありません。ノイズ」と呼ばれる入力データを使用した場合の主な結果として、オーバーフィッティングが発生するのです。 履歴のサンプル内プロットは、サンプル外プロットでサンプリングしてテストしたのですか?予測変数のサンプリングをプロット全体で行い,同じプロットの一部で標本外誤差を計算すると,それは未来を見ていることになります. СанСаныч Фоменко 2015.02.13 07:43 #14 gpwr: 履歴のサンプル内プロットでサンプリングし、サンプル外プロットでテストしましたか?全体のプロットで予測因子を選択し、同じプロットの一部で標本外誤差を計算するのでは、それは未来を見ていることになります。さらに厳しい。このスレッドを興味深く見守っています。Aleksの 投稿を見ると、方向と大きさのどちらを予測しようとしているのか、はっきりしませんね。方向性」なら分類モデル、「大きさ」なら回帰モデルで、ARIMAとARCHの違いで問題があるそうです。微分してトレンド除去しても、完全に解決するわけではなく、マクロ経済学では季節性が混同される......。予測変数の選択に-Aleks-という 発想は非常に面白いですね。一般的に、最初の段階では、私は2つの下準備をすることにしています。1.独立変数のかなり大きなセットを-Aleks-で 選択する。2.回帰を構築し、重要でない係数を持つすべての変数を破棄した。最後のステップは、本当に簡単ではありません。独立変数間に相関がなければ、すべて私の書いたとおりです。そして、常に0.7以上の相関があり、捨てられる予測変数のリストは、その順番に 依存します。その後、人はそれを見て、次に何をすべきかを決めることができます。 forexman77 2015.02.13 08:30 #15 avtomat:定常性の要件は非常に厳しく、全く正当化できない。.そして、「非定常」モデルはうまく機能する ;)gpwr 回帰だけでなく、ニューラルモデルやARMAなど、どのモデルでもそう言えますね。もし入力と出力の間に関係がなければ、どんなモデルも予測を生成するが、不正確なだけである。 定常性、ARMA、ニューラルモデルを理解するために、何から手をつければよいかアドバイスがあれば教えてください。この方向性をずっと探っていきたいと思っていたんです。ソースが多く、一から理解するのは大変です。 forexman77 2015.02.13 08:44 #16 faa1947: 入力データの大小は、すべて相対的なものです。 私の考えでは、データを一つ一つ確認し、関連するものを見極めて、EAに利用する必要があると思います。データ値の最適化に着手してこそ、ランダムヒットが可能になるのです。そのためか、最適化では特に検索範囲に気をつける必要があります。 Aleksey Vyazmikin 2015.02.13 09:40 #17 gpwr:これはなかなか面白いアイデアですね。つまり、トレンドのブレークにのみ注目し、そのブレークに影響を与える重要な指標を特定するのである。 外れ値について、いろいろ考えてみたんです。無視する必要があるのか、逆にもっと注意を払うべきなのか。古典的な回帰理論では、それらを無視するように教えています。しかし、古典的な回帰では、トレンドの周辺での価格の小さな変動が最も重要視されるのに、ノイズとしか思えないことがあるのです。トレンドの急変(異常値)は、より重要なシグナルであると思われます。しかし、外れ値に注目したモデルを作ろうとすると(例えばu>1を選択するなど)、二乗平均平方根誤差が大きくなってしまうのです。外れ値を平滑化することで、予測誤差を小さくすることができた。 この考えをさらに推し進めると、様々な指標をその発表頻度によって分けるべきでしょう。おそらく、発表頻度が少ない指標ほど、市場に影響を与える時間が長くなると思われますが、これは検証する必要があります。個人的には、私は視覚的に、時間の経過とともに変化のダイナミクスで情報を知覚する方が簡単です - それは、チャート(私の夢)の形でMTに便宜上指標を転送するために必要ですが、これらの指標は同期されるべきである - ニュースは月に一度リリースされていると言う、その後下位タイムフレームはどうでしょうか?オプションとして、線形関数に従って、ある指標から別の指標へのバーでそれらを埋める - この方法は、我々は明らかにMTの動きベクトルを見ることができます。ベクトルを知ることで、動きベクトルとその変化-ジグザグによるシンボル価格ベクトルのブレークに対するブレークの時間-を分析することができます。 したがって、ラグ-を考慮し、経済指標が抜けるときの価格ブレークからの乖離率を計算することができる。まだアイデアは残っていますが、その場で使い方がわかるような自明性があります。 一般に、経済データの多くは前月や前年との相対的な関係であり、グラフィック表示においても その点を考慮する必要がある...。 別のアイデア - おそらくそれはトレンドの変化に影響を与えるデータ自体ではなく、予想されるデータから、または過去のダイナミクスからその偏差 - ここでも確認することができます - その変化(ベクトルまたは反対に沿って強い変化 - 少なくともSMAを使用して)とインデックスの動きの過去のダイナミクスを比較するとラグで価格の動きベクトルの変化を見てください。 この作業は一人でできるものではありません。明確な行動計画と中間結果の分析の方法論が必要です。過去の経済パフォーマンスがどのように市場に影響を与えたかという疑問に答える、一生の仕事になるかもしれません......。しかし、開発された方法論によって、現在の市場の動きのパターンを探すことができるようになります。 Дмитрий 2015.02.13 10:06 #18 -Aleks-: この考えを発展させると、様々な指標をその発表頻度によって分けることができます。おそらく、指標の発表が稀であればあるほど、市場に影響を与える時間が長くなるのでしょう。いいえ、米国にとって最も影響力があるのは、URとFOMC会合のパーセントレート です。毎月のことである。失業率の データが形式的なものであれば、FRB会議議事録は数値的には全く形式的なものではありえない。そうしないと、指が2本になってしまうので...。 Дмитрий 2015.02.13 10:09 #19 この変数数で、65個のオブザベーションは非常に少ないです。フォワードテストでは、少なくともi*10観測値+15-20%。 Aleksey Vyazmikin 2015.02.13 10:25 #20 Demi:いいえ、米国にとって最も影響力があるのは、URとFOMC会合のパーセントレート です。毎月のことである。失業率の データが形式的なものであれば、FRB会議議事録は数値的には全く形式的なものではありえない。そうしないと、指が2本になってしまうので...。 この議事録には経済データが含まれていますが、入手可能なのですね。そうでない場合は、これらの会議を3つの方法で推定する必要があります - +1/-1/0 - 推定のための情報は、オプションとしてメディアから取得することができます。 123456789...61 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
これは調査対象として面白いですね。このテーマについて考えているうちに、マクロ経済データをダイナミックに分析する必要があるという結論に達しました。私の考えでは、失業保険申請件数が 増加したというだけでは十分ではなく、これは季節変動によるものかもしれず、短期的なものです。だから、トレンドを反転させる力があるかどうかという観点から、指標の強さを調べてみるとか?例えば、ジグザグを取ったり、チャート上でトレンドの反転と修正のポイントを特定し、ブレイク前3日以内にマクロ経済指標の反転を探し、そのような指標のグループを集めて、これらの指標が示すものを分析し、パターンを探します。すべての指標が相場反転の理由になるわけではなく、潜在能力、市場動向、過去期間の指標も重要ですし、他の経済指標も総合的に判断します。
これはなかなか面白いアイデアですね。つまり、トレンドのブレークにのみ注目し、そのブレークに影響を与える重要な指標を特定するのである。
外れ値について、いろいろ考えてみたんです。無視する必要があるのか、逆にもっと注意を払うべきなのか。古典的な回帰理論では、それらを無視するように教えています。しかし、古典的な回帰分析がそれを最も重要視するのに対し、トレンドの周辺での価格の小さな変動はノイズにしか見えないことがあります。トレンドの急変(異常値)は、より重要なシグナルであると思われます。しかし、外れ値に注目したモデルを作ろうとすると(例えばu>1を選択するなど)、二乗平均平方根誤差が大きくなってしまうのです。外れ値を平滑化することで、予測誤差を小さくすることができた。
したがって、入力変数のリスト全体を手作業で見て、直感的に、あるいは他の何らかの考察に基づいて、"この入力変数は影響しそうだ、これは影響しなさそうだ "と判断しなければならない。
...手動で何らかのリストを選択し、アルゴリズムでフィルタリングして、リストを取得した。そして、このようなリストの価値は基本的なものです。このような「影響を与える」入力のセットを使ったモデル(3種類のモデルを使用)には、主な待ち伏せである過学習の性質がありません。ノイズ」と呼ばれる入力データを使用した場合の主な結果として、オーバーフィッティングが発生するのです。
履歴のサンプル内プロットでサンプリングし、サンプル外プロットでテストしましたか?全体のプロットで予測因子を選択し、同じプロットの一部で標本外誤差を計算するのでは、それは未来を見ていることになります。
さらに厳しい。
このスレッドを興味深く見守っています。
Aleksの 投稿を見ると、方向と大きさのどちらを予測しようとしているのか、はっきりしませんね。方向性」なら分類モデル、「大きさ」なら回帰モデルで、ARIMAとARCHの違いで問題があるそうです。微分してトレンド除去しても、完全に解決するわけではなく、マクロ経済学では季節性が混同される......。
予測変数の選択に-Aleks-という 発想は非常に面白いですね。一般的に、最初の段階では、私は2つの下準備をすることにしています。
1.独立変数のかなり大きなセットを-Aleks-で 選択する。
2.回帰を構築し、重要でない係数を持つすべての変数を破棄した。
最後のステップは、本当に簡単ではありません。独立変数間に相関がなければ、すべて私の書いたとおりです。そして、常に0.7以上の相関があり、捨てられる予測変数のリストは、その順番に 依存します。
その後、人はそれを見て、次に何をすべきかを決めることができます。
定常性の要件は非常に厳しく、全く正当化できない。
.
そして、「非定常」モデルはうまく機能する ;)
回帰だけでなく、ニューラルモデルやARMAなど、どのモデルでもそう言えますね。もし入力と出力の間に関係がなければ、どんなモデルも予測を生成するが、不正確なだけである。
入力データの大小は、すべて相対的なものです。
これはなかなか面白いアイデアですね。つまり、トレンドのブレークにのみ注目し、そのブレークに影響を与える重要な指標を特定するのである。
外れ値について、いろいろ考えてみたんです。無視する必要があるのか、逆にもっと注意を払うべきなのか。古典的な回帰理論では、それらを無視するように教えています。しかし、古典的な回帰では、トレンドの周辺での価格の小さな変動が最も重要視されるのに、ノイズとしか思えないことがあるのです。トレンドの急変(異常値)は、より重要なシグナルであると思われます。しかし、外れ値に注目したモデルを作ろうとすると(例えばu>1を選択するなど)、二乗平均平方根誤差が大きくなってしまうのです。外れ値を平滑化することで、予測誤差を小さくすることができた。
したがって、ラグ-を考慮し、経済指標が抜けるときの価格ブレークからの乖離率を計算することができる。まだアイデアは残っていますが、その場で使い方がわかるような自明性があります。
一般に、経済データの多くは前月や前年との相対的な関係であり、グラフィック表示においても その点を考慮する必要がある...。
別のアイデア - おそらくそれはトレンドの変化に影響を与えるデータ自体ではなく、予想されるデータから、または過去のダイナミクスからその偏差 - ここでも確認することができます - その変化(ベクトルまたは反対に沿って強い変化 - 少なくともSMAを使用して)とインデックスの動きの過去のダイナミクスを比較するとラグで価格の動きベクトルの変化を見てください。
この作業は一人でできるものではありません。明確な行動計画と中間結果の分析の方法論が必要です。過去の経済パフォーマンスがどのように市場に影響を与えたかという疑問に答える、一生の仕事になるかもしれません......。しかし、開発された方法論によって、現在の市場の動きのパターンを探すことができるようになります。
この考えを発展させると、様々な指標をその発表頻度によって分けることができます。おそらく、指標の発表が稀であればあるほど、市場に影響を与える時間が長くなるのでしょう。
いいえ、米国にとって最も影響力があるのは、URとFOMC会合のパーセントレート です。毎月のことである。
失業率の データが形式的なものであれば、FRB会議議事録は数値的には全く形式的なものではありえない。
そうしないと、指が2本になってしまうので...。
この変数数で、65個のオブザベーションは非常に少ないです。
フォワードテストでは、少なくともi*10観測値+15-20%。
いいえ、米国にとって最も影響力があるのは、URとFOMC会合のパーセントレート です。毎月のことである。
失業率の データが形式的なものであれば、FRB会議議事録は数値的には全く形式的なものではありえない。
そうしないと、指が2本になってしまうので...。