Previsão de mercado com base em indicadores macroeconômicos - página 43
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Bem, aqui está um pensamento claro da Hazin.
Para 2010, total de instrumentos financeiros no NYCE NASDAQ = $17,796 + $12,659 trilhões. E o PIB é metade disso. E a participação das finanças no PIB é risível. Como isso pode ser?
Tudo sobre estatísticas nos EUA tem que ser feito com extrema cautela. É preciso mergulhar na metodologia de cálculo do PIB. Isto é necessário?
O PIB conta a quantidade de serviços financeiros prestados em um ano, não a capitalização nominal do mercado acionário nacional
Bem, veja, você fez dois. Portanto, a margem de corretagem é levada em consideração. Eles têm menos do que os nossos - uma quantidade ridícula.
E o resto do dinheiro? Você compra as calças, é uma venda, mas você compra as ações, os futuros, o que é isso? É preciso contar o volume de negócios das contas...
Bem, veja, você fez dois. Portanto, a margem de corretagem é levada em consideração. É menos que a nossa - uma quantia ridícula.
E o resto do dinheiro? Você compra as calças, é uma realização, mas você compra uma ação, um futuro, o que é isso? É preciso calcular o faturamento das contas...
Toda a economia de mercado ....
Você tem que contar em espécie, em bocas grandes. E o valor monetário, e mesmo em moedas diferentes, só é viável com preços estáveis e taxas estáveis. E hoje? Todos estão presos com o rublo... E vejam os gráficos de pares de moedas! Ou olhe os gráficos do índice do dólar. De que preços podemos falar?
Com o que estamos comparando? Parte do PIB dos EUA para eletrônica com sua produção real e física na China? Ar com ferro de engomar de verdade?
Como escrevi antes, não escolho os preditores, mas o código por erro de predição. Basta olhar para o modelo final e verificar quais são os indicadores. Por exemplo, um indicador é o início da construção da casa:
https://research.stlouisfed.org/fred2/series/HOUST1F
Olhando para este gráfico, você pode ver uma tendência de declínio na construção de casas antes das recessões. Quais indicadores são escolhidos pelo código depende um pouco do método de conversão de dados. Aceito perfeitamente que os futuros têm um impacto sobre o PIB. Se houver uma série cronológica refletindo futuros, mostre-me o link. Todos os meus preditores são retirados do banco de dados FRED2 do Fed. Existem indicadores econômicos e financeiros:
https://research.stlouisfed.org/fred2/categories
O problema com estes indicadores é que existem cerca de 300 mil deles. Muitos dados regionais e internacionais. Tive que descartar dados "desnecessários" manualmente para evitar carregar o código. Temos cerca de 10 mil indicadores. Mas nem todos esses indicadores foram divulgados pelo governo por muito tempo: alguns deles foram divulgados desde 1800, outros começaram a ser divulgados nos últimos 10 anos. Meu código considera apenas os indicadores que foram produzidos desde 1960 para ter dados suficientes para construir o modelo, ou seja, 55 anos de história ou 220 dados em cada indicador. Os 10 mil indicadores selecionados se reduzem a 2 mil. Poder-se-ia entrar na discussão de que o mercado hoje é significativamente diferente do mercado de 50 anos atrás. E concordo plenamente com isso: computadores, internet, influência chinesa, interferência do governo dos EUA na gestão econômica, etc. Mas se eu pegar apenas os dados dos últimos 15 anos, só obtenho 60 valores em cada indicador, apenas duas recessões, e isso, como os estatísticos sabem, não é suficiente para construir um modelo. Portanto, tenho que ir mais fundo na história, quando a economia era diferente. Como resultado, surgem outras dificuldades: o que então descrevia a economia, não a descreve bem hoje. A propósito, tentei encurtar a história em 15-20 anos, mas as previsões eram muito piores.
Como escrevi antes, eu não escolho os preditores, mas o código por erro de predição. Basta olhar para o modelo final e verificar quais são os indicadores. Por exemplo, um indicador é o início da construção da casa:
https://research.stlouisfed.org/fred2/series/HOUST1F
Olhando este gráfico você pode ver a tendência da construção de casas começar a declinar antes das recessões. Quais indicadores são escolhidos pelo código depende um pouco do método de conversão de dados. Aceito perfeitamente que os futuros têm um impacto sobre o PIB. Se houver uma série cronológica refletindo futuros, mostre-me o link. Todos os meus preditores são retirados do banco de dados FRED2 do Fed. Existem indicadores econômicos e financeiros:
https://research.stlouisfed.org/fred2/categories
O problema com estes indicadores é que existem cerca de 300 mil deles. Muitos dados regionais e internacionais. Tive que descartar dados "desnecessários" manualmente para evitar carregar o código. Temos cerca de 10 mil indicadores. Mas nem todos esses indicadores foram divulgados pelo governo por muito tempo: alguns deles foram divulgados desde 1800, outros começaram a ser divulgados nos últimos 10 anos. Meu código considera apenas os indicadores que foram produzidos desde 1960 para ter dados suficientes para construir o modelo, ou seja, 55 anos de história ou 220 dados em cada indicador. Os 10 mil indicadores selecionados se reduzem a 2 mil. Poder-se-ia entrar na discussão de que o mercado hoje é significativamente diferente do mercado de 50 anos atrás. E concordo plenamente com isso: computadores, internet, influência chinesa, interferência do governo dos EUA na gestão econômica, etc. Mas se eu pegar apenas os dados dos últimos 15 anos, só obtenho 60 valores em cada indicador, apenas duas recessões, e isso, como os estatísticos sabem, não é suficiente para construir um modelo. Portanto, tenho que ir mais fundo na história, quando a economia era diferente. Como resultado, surgem outras dificuldades: o que então descrevia a economia, não a descreve bem hoje. A propósito, tentei encurtar a história em 15-20 anos, mas as previsões eram muito piores.
Como diz um velho conhecido meu que vive no Canadá: seu número oito, você será perguntado depois.
É importante conhecer seu lugar nesta fila.
É de alguma forma aviltante e insultuoso para nós mesmos. Não existe um senso de dignidade? Você não vai muito longe com tal atitude.
Não sou especialista em economia e não sei quão sábio é o número 1, mas no meu campo da ciência posso assegurar que os professores universitários conhecem muito menos do que as pessoas que trabalham para empresas, praticantes. Suponho que seja o mesmo em economia: apenas um par de especialistas capazes de novas teorias, e os demais, como dizem os americanos, estão polindo a maçã. Você acha que os bancos federados empregam luminárias que sabem como prever a economia? E em 2008? Bernanke recusou-se a baixar as taxas até setembro de 2007, 3 meses antes do início oficial da recessão. E quanto ao fundo de hedge da Long-Term Capital Management que foi à falência no final da década de 1990 e foi socorrido por bancos de compra e pelo governo? Este fundo foi liderado por dois ganhadores do Prêmio Nobel Scholes e Merton.Scholes, como você deve saber, é um dos autores domodelofinanceiroBlack-Scholes(modelo de preço deopção) pelo qual ele recebeu seu Prêmio Nobel. Por que é que os investidores ricos (e esses eram os membros da LTCM) ou ganham bom dinheiro ou perdem dinheiro, mas sempre o recuperam, no máximo, do governo, enquanto outros investidores perdem dinheiro no mercado de ações e é isso, ninguém lhes dá fiança.
https://en.wikipedia.org/wiki/Long-Term_Capital_Management
Honestamente, eu mesmo não li, mas alguém leu Didier Sornetto?
Descreverei minha experiência com a transformação de dados de entrada. Há várias maneiras de transformar os dados delineados em artigos sobre modelagem econômica:
1. Diferença: x[i] - x[i-1]. Aplicável se a entrada x[] tiver variância constante. Tenho cerca de 2 mil preditores com histórias que datam de 1960. Para ver como sua variância varia com o tempo, calculei a diferença x[i] - x[i-1], fiz a quadratura, depois fiz a média usando o filtro Hodrick-Prescott com lambda 1e7 e tomei a raiz para ver a variância como uma função do tempo. Em seguida, dividi a variação no final da história (T4 2015) pela variação no início da história (T1 1960) para cada variável de entrada e fiz um histograma:
Muitas entradas têm variância mais ou menos constante (a razão de variância do início ao fim da história é cerca de 1). Mas também há muitas entradas com uma taxa de variação de 3 ou mais. A variação do PIB aumenta cerca de 4 vezes de 1960 até hoje. Como não é possível construir um modelo de PIB com entradas cuja variância não muda, a transformação das entradas pela variância é insuficiente.
2. Momentum: x[i]/x[i-1] - 1 ou log(x[i]/x[i-1]). Normaliza automaticamente as entradas com diferentes variações, mas só funciona se todos os dados forem positivos. A fórmula x[i]/x[i-1] - 1 = (x[i] - x[i-1])/x[i-1] pode ser pensada como calculando o crescimento em %, ou seja, x[i] - x[i-1] como uma porcentagem de x[i-1]. Se x[i-1] é zero, esta fórmula não faz sentido e dá um valor infinito. Quando x[i-1] é negativo, esta fórmula também não faz sentido. Aproximadamente 15% dos indicadores econômicos têm tanto valores positivos quanto negativos. Você pode tentar usar o impulso para séries positivas e a variação para séries negativas, na esperança de que as séries negativas tenham uma variação aproximadamente constante. Infelizmente, há alguns indicadores econômicos que têm valores positivos e negativos e a variação cresce fortemente com o tempo. Por exemplo:
3. A variância normalizada pela variância é (x[i] - x[i-1])/StdDev[i]. Em minha experiência, esta é a melhor e mais versátil transformação adequada para todos os tipos de dados. Há aqui dois problemas graves: (1) como calcular corretamente a variação dependente do tempo da StdDev, e (2) como converter a previsão de volta à forma de série original se a variação futura for desconhecida.
Eu dividiria toda a matemática econômica moderna em duas partes
A divisão parece estar errada, pois é impossível prever o futuro sem analisar o passado.
Na prática, porém, descobri que não é este o caso. Existe uma distinção, e uma distinção fundamental.
1. Há uma análise em si mesma. Analisamos o desemprego e buscamos os fatores que o influenciaram no passado.
2. e há outra análise. Inicialmente tentamos prever o desemprego e procurar os fatores que influenciaram este desemprego no futuro.
No primeiro caso, se quisermos prever o futuro, extrapolamos os resultados de nossa análise. Aqui, encontramos uma situação em que a diferença entre o valor extrapolado e o valor atual cai dentro do intervalo de confiança, o que significa que o melhor preditor baseado na extrapolação é o valor atual!
No segundo caso, não estamos interessados no valor anterior. Calculamos um novo valor futuro (tendência) com base em dados históricos, em vez de continuar o passado para o futuro. Neste caso, quando novos dados chegam, o modelo faz uma previsão baseada no conhecimento de situações passadas, que não são necessariamente anteriores, mas estavam no passado.
Ou seja, a extrapolação deve ser rigorosamente diferenciada da previsão.
As diferenças aparentemente sutis acarretam conseqüências muito graves.
1. A própria variável alvo. Acontece que isso está longe de ser uma questão ociosa. É impossível fazer sem uma análise completa das propriedades da variável alvo, especialmente levando em conta o item 2.
Seleção de preditores que são relevantes para a variável alvo. Seleção de preditores que têm potencial de previsão para a variável alvo de suas propriedades. Por exemplo, a variável-alvo: declive de crescimento. Precisamos de preditores que sejam relevantes para a previsão do crescimento da variável-alvo, mas não estamos interessados em preditores que prevejam o valor da variável-alvo.
PS.
Por experiência. Nesta abordagem de previsão de variáveis nominais, não encontrei nenhum efeito na capacidade de previsão dos preditores através do pré-processamento, como descrito acima, e por métodos mais radicais como a transformação em um conjunto de componentes principais (PCA ou outros), que têm propriedades surpreendentes para nós, e nenhuma utilidade.