나는 주제를 계속한다. 제 모델은 거시 경제 지표를 기반으로 시장을 예측한다는 것을 상기시킵니다. 2,000여 개의 경제지표 중 미래를 예측하는 능력에 따라 몇 가지를 선정한다. 앞이 보이지 않습니다. 분기마다 GDP 성장률 및 기타 지표에 대한 데이터를 수신하면 모델이 최근 데이터를 포함한 이력을 자동으로 실행하고 이전 데이터와 새 데이터를 잘 예측한 지표를 선택하고 이를 기반으로 2분기 앞서 새로운 예측을 내립니다. 마지막 예측 후 코드에서 몇 가지 버그를 발견했습니다. 또한 예측을보다 정확하게 만드는 경제 지표의 새로운 변환을 발견했습니다. 요컨대, 데이터(신호)의 구조가 소실되고 노이즈가 증폭되기 때문에 입력 데이터의 미분화는 예측에 그다지 적합하지 않습니다.
다음은 미국의 GDP 성장률 전망입니다. 파란색 선은 실제 데이터입니다. 빨간색 예측 라인. 각 과거 예측에 대해 해당 시점까지 사용 가능한 데이터에서 2/4를 뺀 데이터만 사용되었습니다. 경제는 완만하게 성장할 것입니다. 느린 속도로 완만해지는 GDP 성장률로 판단하면 내년 경기 침체 가능성은 충분히 있습니다. 다음 포스트에서는 다양한 은행과 경제학자들에 의한 GDP 예측의 정확성을 보여줄 것입니다.
S&P500 예측은 아직 준비되지 않았습니다. 그럼에도 불구하고 시장을 예측하는 것은 경제 지표 자체보다 훨씬 어렵습니다. 가격에 잡음이 많습니다.
나는 주제를 계속한다. 제 모델은 거시 경제 지표를 기반으로 시장을 예측한다는 것을 상기시켜 드립니다. 2,000여 개의 경제지표 중 미래를 예측하는 능력에 따라 몇 가지를 선정한다. 앞이 보이지 않습니다. 분기마다 GDP 성장률 및 기타 지표에 대한 데이터를 수신하면 모델이 최근 데이터를 포함한 이력을 자동으로 실행하고 이전 데이터와 새 데이터를 잘 예측한 지표를 선택하고 이를 기반으로 2분기 앞서 새로운 예측을 내립니다. 마지막 예측 후 코드에서 몇 가지 버그를 발견했습니다. 또한 예측을보다 정확하게 만드는 경제 지표의 새로운 변환을 발견했습니다. 요컨대, 데이터(신호)의 구조가 소실되고 노이즈가 증폭되기 때문에 입력 데이터의 미분화는 예측에 그다지 적합하지 않습니다.
다음은 미국의 GDP 성장률 전망입니다. 파란색 선은 실제 데이터입니다. 빨간색 예측 라인. 각 과거 예측에 대해 해당 시점까지 사용 가능한 데이터에서 2/4를 뺀 데이터만 사용되었습니다. 경제는 완만하게 성장할 것입니다. GDP 성장률이 완만하게 둔화되고 있는 것으로 판단하면 내년 경기 침체 가능성은 충분히 있습니다. 다음 포스트에서는 다양한 은행과 경제학자들에 의한 GDP 예측의 정확성을 보여줄 것입니다.
S&P500 예측은 아직 준비되지 않았습니다. 그럼에도 불구하고 시장을 예측하는 것은 경제 지표 자체보다 훨씬 어렵습니다. 가격에 노이즈가 많습니다.
또는 GDP에 대한 원래의 실제 데이터를 볼 수 있습니다. 여기에서 간단한 기호로 볼 수 있습니다.
Units: Display integer periods instead of dates (e.g. ...,-1,0,1,...) with the value scaled to 100 at period 0. Use a formula to modify and combine data series into a single line. For example, invert an exchange rate a by using formula 1/a, or calculate the spread between 2 interest rates a and b by using formula a - b. Use the...
그건 확실합니다. 나는 Fed가 지난 금요일에 GDP 데이터를 조정했음을 봅니다. 과거의 정상 상태 데이터를 사용하기 때문에 조정으로 인해 내 예측이 변경되지 않습니다. 조정은 몇 달 동안 계속되며 사전 데이터를 상당히 크게 변경할 수 있습니다. 내 4분기 예측은 2.1% 성장이고 조정은 0.7% 상승을 1%로 변경했습니다. 예측 정확도의 지표로 사전 데이터를 사용하는 것은 권장되지 않습니다. 다음은 과거 조정의 예입니다.
관심 있는 사람들을 위해 경제학자들의 예측은 여기에서 찾을 수 있습니다: http://projects.wsj.com/econorecast/#ind=gdp&r=20
아래는 가장 정확한 예측 변수(Standards and Poor, Bank of America, Moody's, Goldman Sachs, Northern Trust, Combinatorics Capital, UBS 은행)의 과거 예측 표입니다. 총 50개의 예측 변수가 있습니다. 가장 흥미로운 시기는 GDP가 2.7% 감소한 1분기인 2008년입니다. 아래 표에서 위에서 언급한 경제학자들은 1분기 앞서 예측할 수 있었지만 한 경제학자도 이를 2분기 전에 예측할 수 없었습니다. 가장 큰 은행을 포함한 나머지 40명의 경제학자들은 2008년 4분기까지 성장을 계속 예측했습니다. 모든 경제학자들의 예측을 보려면 상단의 링크를 사용하고 왼쪽 메뉴의 맨 아래에서 에디션을 선택한 다음 다운로드 위의 라인에서 사용하십시오.
관심 있는 사람들을 위해 경제학자들의 예측은 여기에서 찾을 수 있습니다: http://projects.wsj.com/econorecast/#ind=gdp&r=20
아래는 가장 정확한 예측 변수(Standards and Poor, Bank of America, Moody's, Goldman Sachs, Northern Trust, Combinatorics Capital, UBS 은행)의 과거 예측 표입니다. 총 50개의 예측 변수가 있습니다.
경제 모델을 만들 때 가장 어려운 것은 입력 데이터의 변환입니다. 경제 지표 (약 1 만 개 있음)를 보면 서로 여러면에서 다릅니다. 일부는 기하급수적으로 증가하고, 다른 일부는 일정 범위에서 경련하고, 다른 일부는 규모가 증가하면서 0 부근에서 경련하고, 다른 일부는 중간 기록을 급격하게 변경하는 식입니다. 모델을 생성하려면 이러한 모든 데이터가 시간이 지나도 변하지 않는 유사한 통계적 특성을 갖도록 수정되어야 합니다. 다음과 같은 가능성이 있습니다.
1. 상대 속도 계산: r[i] = x[i]/x[i-1]-1. 이러한 변환은 데이터를 자동으로 정규화하므로 미래를 내다볼 필요가 없으며 다른 작업을 수행할 필요가 없습니다. 하지만 제로 데이터(x[i-1]=0)와 마이너스 데이터에는 큰 문제가 있고, 경제 지표에도 그런 경우가 많다.
2. 증분 d[i] = x[i] - x[i-1]을 계산합니다. 이 변환은 0 또는 음수 데이터에 대해서는 신경 쓰지 않지만 연간 국내 총생산과 같이 기하급수적으로 증가하는 데이터에 대해 시간이 지남에 따라 증분이 증가합니다. 저것들. 분산이 일정하지 않습니다. 예를 들어, 실업률은 일정한 분산 범위에서 변동하고 GWP는 기하급수적으로 증가하는 분산과 함께 기하급수적으로 증가하기 때문에 실업률 에 대한 GWP 증분의 의존성을 구축하는 것은 불가능합니다. 이는 증분을 시간에 따라 변하는 분산으로 정규화해야 함을 의미합니다. 그러나 후자를 계산하는 것은 그리 쉬운 일이 아닙니다.
3. 예를 들어 Hodrick-Prescott 필터에 의해 계산된 추세를 데이터에서 제거하고 시변 분산으로 고주파수 잔차를 정규화하고 모델의 입력으로 사용합니다. 여기서 문제는 Hodrick-Prescott 필터와 다항식 피팅( Savitzky-Golay 필터, lowess 등) 기반의 다른 필터가 미래를 내다본다는 것입니다. 이동 평균은 데이터보다 뒤쳐지며 특히 기하급수적으로 증가하는 데이터에서 추세를 제거하는 데 적합하지 않습니다.
다른 아이디어가 있습니까?
나의 최근 GWP 성장 예측에는 미래에 대한 엿보기가 있습니다. 포스팅하고 나서야 알았습니다. 이것이 모델이 과거의 사건을 잘 예측한 이유입니다. 나는 계속 싸우고 있다.
매우 간단합니다. 중요한 뉴스가 발표되는 동안 열지 마십시오.
나는 뉴스를 거래하지 않습니다. 그들 없이는 충분한 움직임이 있습니다.
조언자는 가늘게 날카롭게 하지만 중개인은 속일 수 있습니다.
나는 주제를 계속한다. 제 모델은 거시 경제 지표를 기반으로 시장을 예측한다는 것을 상기시킵니다. 2,000여 개의 경제지표 중 미래를 예측하는 능력에 따라 몇 가지를 선정한다. 앞이 보이지 않습니다. 분기마다 GDP 성장률 및 기타 지표에 대한 데이터를 수신하면 모델이 최근 데이터를 포함한 이력을 자동으로 실행하고 이전 데이터와 새 데이터를 잘 예측한 지표를 선택하고 이를 기반으로 2분기 앞서 새로운 예측을 내립니다. 마지막 예측 후 코드에서 몇 가지 버그를 발견했습니다. 또한 예측을보다 정확하게 만드는 경제 지표의 새로운 변환을 발견했습니다. 요컨대, 데이터(신호)의 구조가 소실되고 노이즈가 증폭되기 때문에 입력 데이터의 미분화는 예측에 그다지 적합하지 않습니다.
다음은 미국의 GDP 성장률 전망입니다. 파란색 선은 실제 데이터입니다. 빨간색 예측 라인. 각 과거 예측에 대해 해당 시점까지 사용 가능한 데이터에서 2/4를 뺀 데이터만 사용되었습니다. 경제는 완만하게 성장할 것입니다. 느린 속도로 완만해지는 GDP 성장률로 판단하면 내년 경기 침체 가능성은 충분히 있습니다. 다음 포스트에서는 다양한 은행과 경제학자들에 의한 GDP 예측의 정확성을 보여줄 것입니다.
S&P500 예측은 아직 준비되지 않았습니다. 그럼에도 불구하고 시장을 예측하는 것은 경제 지표 자체보다 훨씬 어렵습니다. 가격에 잡음이 많습니다.
나는 주제를 계속한다. 제 모델은 거시 경제 지표를 기반으로 시장을 예측한다는 것을 상기시켜 드립니다. 2,000여 개의 경제지표 중 미래를 예측하는 능력에 따라 몇 가지를 선정한다. 앞이 보이지 않습니다. 분기마다 GDP 성장률 및 기타 지표에 대한 데이터를 수신하면 모델이 최근 데이터를 포함한 이력을 자동으로 실행하고 이전 데이터와 새 데이터를 잘 예측한 지표를 선택하고 이를 기반으로 2분기 앞서 새로운 예측을 내립니다. 마지막 예측 후 코드에서 몇 가지 버그를 발견했습니다. 또한 예측을보다 정확하게 만드는 경제 지표의 새로운 변환을 발견했습니다. 요컨대, 데이터(신호)의 구조가 소실되고 노이즈가 증폭되기 때문에 입력 데이터의 미분화는 예측에 그다지 적합하지 않습니다.
다음은 미국의 GDP 성장률 전망입니다. 파란색 선은 실제 데이터입니다. 빨간색 예측 라인. 각 과거 예측에 대해 해당 시점까지 사용 가능한 데이터에서 2/4를 뺀 데이터만 사용되었습니다. 경제는 완만하게 성장할 것입니다. GDP 성장률이 완만하게 둔화되고 있는 것으로 판단하면 내년 경기 침체 가능성은 충분히 있습니다. 다음 포스트에서는 다양한 은행과 경제학자들에 의한 GDP 예측의 정확성을 보여줄 것입니다.
S&P500 예측은 아직 준비되지 않았습니다. 그럼에도 불구하고 시장을 예측하는 것은 경제 지표 자체보다 훨씬 어렵습니다. 가격에 노이즈가 많습니다.
또는 GDP에 대한 원래의 실제 데이터를 볼 수 있습니다. 여기에서 간단한 기호로 볼 수 있습니다.
여기: https://research.stlouisfed.org/fred2/series/GDPC96#
테이블 및 성장 계산이 첨부되어 있습니다.
마지막 값은 0.7이 아니라 1%입니다.
그건 확실합니다. 나는 Fed가 지난 금요일에 GDP 데이터를 조정했음을 봅니다. 과거의 정상 상태 데이터를 사용하기 때문에 조정으로 인해 내 예측이 변경되지 않습니다. 조정은 몇 달 동안 계속되며 사전 데이터를 상당히 크게 변경할 수 있습니다. 내 4분기 예측은 2.1% 성장이고 조정은 0.7% 상승을 1%로 변경했습니다. 예측 정확도의 지표로 사전 데이터를 사용하는 것은 권장되지 않습니다. 다음은 과거 조정의 예입니다.
관심 있는 사람들을 위해 경제학자들의 예측은 여기에서 찾을 수 있습니다: http://projects.wsj.com/econorecast/#ind=gdp&r=20
아래는 가장 정확한 예측 변수(Standards and Poor, Bank of America, Moody's, Goldman Sachs, Northern Trust, Combinatorics Capital, UBS 은행)의 과거 예측 표입니다. 총 50개의 예측 변수가 있습니다. 가장 흥미로운 시기는 GDP가 2.7% 감소한 1분기인 2008년입니다. 아래 표에서 위에서 언급한 경제학자들은 1분기 앞서 예측할 수 있었지만 한 경제학자도 이를 2분기 전에 예측할 수 없었습니다. 가장 큰 은행을 포함한 나머지 40명의 경제학자들은 2008년 4분기까지 성장을 계속 예측했습니다. 모든 경제학자들의 예측을 보려면 상단의 링크를 사용하고 왼쪽 메뉴의 맨 아래에서 에디션을 선택한 다음 다운로드 위의 라인에서 사용하십시오.
관심 있는 사람들을 위해 경제학자들의 예측은 여기에서 찾을 수 있습니다: http://projects.wsj.com/econorecast/#ind=gdp&r=20
아래는 가장 정확한 예측 변수(Standards and Poor, Bank of America, Moody's, Goldman Sachs, Northern Trust, Combinatorics Capital, UBS 은행)의 과거 예측 표입니다. 총 50개의 예측 변수가 있습니다.
http://library.hse.ru/e-resources/HSE_economic_journal/articles/18_01_07.pdf 에 대한 흥미로운 기사.....
고맙습니다. 그럴게요.
경제 모델을 만들 때 가장 어려운 것은 입력 데이터의 변환입니다. 경제 지표 (약 1 만 개 있음)를 보면 서로 여러면에서 다릅니다. 일부는 기하급수적으로 증가하고, 다른 일부는 일정 범위에서 경련하고, 다른 일부는 규모가 증가하면서 0 부근에서 경련하고, 다른 일부는 중간 기록을 급격하게 변경하는 식입니다. 모델을 생성하려면 이러한 모든 데이터가 시간이 지나도 변하지 않는 유사한 통계적 특성을 갖도록 수정되어야 합니다. 다음과 같은 가능성이 있습니다.
1. 상대 속도 계산: r[i] = x[i]/x[i-1]-1. 이러한 변환은 데이터를 자동으로 정규화하므로 미래를 내다볼 필요가 없으며 다른 작업을 수행할 필요가 없습니다. 하지만 제로 데이터(x[i-1]=0)와 마이너스 데이터에는 큰 문제가 있고, 경제 지표에도 그런 경우가 많다.
2. 증분 d[i] = x[i] - x[i-1]을 계산합니다. 이 변환은 0 또는 음수 데이터에 대해서는 신경 쓰지 않지만 연간 국내 총생산과 같이 기하급수적으로 증가하는 데이터에 대해 시간이 지남에 따라 증분이 증가합니다. 저것들. 분산이 일정하지 않습니다. 예를 들어, 실업률은 일정한 분산 범위에서 변동하고 GWP는 기하급수적으로 증가하는 분산과 함께 기하급수적으로 증가하기 때문에 실업률 에 대한 GWP 증분의 의존성을 구축하는 것은 불가능합니다. 이는 증분을 시간에 따라 변하는 분산으로 정규화해야 함을 의미합니다. 그러나 후자를 계산하는 것은 그리 쉬운 일이 아닙니다.
3. 예를 들어 Hodrick-Prescott 필터에 의해 계산된 추세를 데이터에서 제거하고 시변 분산으로 고주파수 잔차를 정규화하고 모델의 입력으로 사용합니다. 여기서 문제는 Hodrick-Prescott 필터와 다항식 피팅( Savitzky-Golay 필터, lowess 등) 기반의 다른 필터가 미래를 내다본다는 것입니다. 이동 평균은 데이터보다 뒤쳐지며 특히 기하급수적으로 증가하는 데이터에서 추세를 제거하는 데 적합하지 않습니다.
다른 아이디어가 있습니까?
나의 최근 GWP 성장 예측에는 미래에 대한 엿보기가 있습니다. 포스팅하고 나서야 알았습니다. 이것이 모델이 과거의 사건을 잘 예측한 이유입니다. 나는 계속 싸우고 있다.