Previsão de mercado com base em indicadores macroeconômicos - página 10

 
avtomat:
Não faria mal dar uma definição clara, ou pelo menos esclarecer o que se entende por "previsão", "predição", etc. Qual é o horizonte da "predição"? Sem isso, "predições" não têm sentido. Porque, dependendo do horizonte, a mesma "previsão" pode estar correta para um horizonte e incorreta para outro horizonte. Além disso, tais parcelas podem se alternar muitas vezes.

Não assumo generalizações universais, mas darei a seguinte definição de previsão e prognóstico. Estas definições são baseadas em algoritmos disponíveis em R (e não apenas). Eu provavelmente poderia dar outras definições, mas minhas definições são construtivas no sentido de que elas têm código de programa.

Portanto.

1. Predição. O princípio é que o valor anterior é sempre usado para previsão. Isto é, barras de história real são usadas para fazer previsões em um passo. E depois há as seguintes nuances. Para a previsão em 2 etapas é sempre utilizado o valor para o primeiro passo à frente. Para uma previsão em 3 etapas são utilizados os valores das 2 etapas anteriores, etc. Isto é fundamental porque soma os erros de todas as etapas anteriores da previsão. Assim você obtém um gráfico de erro do tipo funil em expansão. O erro em n passos adiante é sempre maior do que o erro em n-1 passos adiante. O representante mais conhecido desta direção é o pacote de previsão.

2. Predição. Aqui você especifica o conjunto de valores dos quais é feita uma previsão que é chamada de previsão para distingui-la, porque você pode usar um conjunto de barras para fazer uma previsão de uma etapa, duas etapas ou n etapas. Se os valores de previsão são ou não utilizados não é determinado pelo algoritmo e é determinado por um desenvolvedor. O comportamento do erro de previsão é desconhecido. Pode-se tomar uma decisão. Se há preditores em um conjunto de preditores de H1 que inerentemente têm capacidade de previsão em H4, pode haver menos erros a cada quarta hora do que na terceira hora. Os palpiteiros são todos modelos do tipo classificação.

 
faa1947:

Não farei generalizações universais, mas darei a seguinte definição de previsão e prognóstico.

Neste caso, não há necessidade de generalizações universais (para todas as ocasiões). Basta ter pontos básicos dentro do tema para entender e falar a mesma língua.
 
faa1947:

Para regressões - a não-estacionariedade das séries financeiras é um problema básico. Portanto, ao escolher uma ferramenta, deve-se ver como a ferramenta escolhida resolve o problema da não-estacionariedade. Minha mencionada ARIMA resolve o problema da não-estacionariedade até certo ponto, mas nunca ouvi falar da série Taylor resolvendo o problema da não-estacionariedade.

A não-estacionariedade é vista como um problema ao aplicar modelos estacionários. Se um modelo não-estacionário for usado, então a não-estacionariedade não é um problema, mas um problema a ser resolvido.

A ARIMA não resolve o chamado "problema da não-estacionariedade" - não foi projetada para isso.

As séries Taylor são em certo sentido universais - se os coeficientes são constantes, temos modelo estacionário (e ARIMA também está aqui), mas se os coeficientes são funções do tempo e do estado, obtemos modelo não estacionário. Esta é a essência, em poucas palavras, para uma referência rápida.

 
No meu caso, a previsão 1 passo (trimestre) adiante com data E usa todos os valores disponíveis de entradas nas datas e=0 a e=D-1. Previsão 2 passos à frente com data E usa todos os valores disponíveis de entradas nas datas e=0 a e=D-2. E assim por diante. Em outras palavras, a previsão em duas etapas na data E não usa a previsão na data D-1 porque significa que se a previsão na data D-1 usou um conjunto de entradas nas datas 0...D-2, então as mesmas entradas podem ser usadas diretamente para a previsão em duas etapas na data D sem previsão intermediária na data D-1.
 
gpwr:
No meu caso, a previsão 1 passo (trimestre) adiante com data E usa todos os valores disponíveis de entradas nas datas e=0 a e=D-1. Previsão 2 passos à frente com data E usa todos os valores disponíveis de entradas nas datas e=0 a e=D-2. E assim por diante. Em outras palavras, a previsão em duas etapas na data E não usa a previsão na data D-1 porque implica que se a previsão na data D-1 usou um conjunto de entradas nas datas 0...D-2, então as mesmas entradas podem ser usadas diretamente para a previsão em duas etapas na data D sem previsão intermediária na data D-1.
Em minha definição, não importa o que se passa através de um. O que é importante é a outra coisa: há valores previstos anteriormente na fórmula de previsão ou não? No primeiro passo, é óbvio que os termos previsão e previsão coincidem. Em seu esquema, ele coincide para uma previsão em duas etapas, mas em três, quatro etapas à frente? Toda esta casuística poderia ser descartada se não estivéssemos dispostos a lidar com a fonte dos erros. Em uma previsão, o erro não depende de outras previsões, mas na previsão, o erro de previsão depende de previsões anteriores. Agora, isto é uma questão de princípio.
 
avtomat:

A não-estacionariedade é vista como um problema ao aplicar modelos estacionários. Se um modelo não-estacionário for usado, então a não-estacionariedade não é um problema, mas um problema a ser resolvido.

A ARIMA não resolve o chamado "problema da não-estacionariedade" - não foi projetada para isso.

.

Ou admitimos a presença de não estacionariedade ou não o fazemos.

Se o fizermos, então ou nosso modelo deve comer imediatamente dados não estacionários, ou muito provavelmente precisamos de uma série de ações preliminares que preparem os dados brutos para que sejam adequados ao modelo.

E aqui a ARIMA é um exemplo clássico. É precisamente um modelo para dados não estacionários. No primeiro passo, a série original não estacionária é convertida em estacionária, e então a série resultante é modelada.

Especificamente.

Para dados estacionários, é um modelo sem a letra I, o que significa quantas vezes diferenciar (tomar diferenças) os dados originais para que eles se tornem estacionários e o modelo ARMA possa ser aplicado. Outra coisa é que os critérios usados para determinar a estacionaridade nos modelos ARIMA, fracos como resultado do qual o modelo ARMA se aplicou aos resultados da diferenciação, não aplicáveis a esses resultados e requerem pesquisa adicional, geralmente por variância de modelagem - ARCH, mas há nuances demais..... Como resultado, acontece que você tem uma citação na entrada, você modela algo dissecado, mas é impossível entender onde colocar o resultado.

 
faa1947:

Ou reconhecemos a presença de não estacionariedade ou não reconhecemos.

Se reconhecermos, então ou nosso modelo deve imediatamente devorar dados não estacionários, ou é provável que sejam necessárias várias ações preliminares para preparar os dados brutos de modo que sejam adequados ao modelo.

E aqui a ARIMA é um exemplo clássico. É precisamente um modelo para dados não estacionários. No primeiro passo, a série original não estacionária é convertida em estacionária, e então a série resultante é modelada.

Especificamente.

Para dados estacionários, é um modelo sem a letra I, o que significa quantas vezes diferenciar (tomar diferenças) os dados originais para que eles se tornem estacionários e o modelo ARMA possa ser aplicado. Outra coisa é que os critérios utilizados para determinar a estacionaridade nos modelos ARIMA, fracos como resultado do qual o modelo ARMA se aplicou aos resultados da diferenciação, não aplicáveis a esses resultados e que requerem pesquisas adicionais, geralmente sobre a modelagem da variância - ARCH, e há também nuances..... Como resultado, acontece que você tem uma citação na entrada, você modela algo dissecado, mas é impossível entender onde colocar o resultado.

Você está repetindo o velho erro novamente, sobre o qual muito já foi dito antes...

É impossível fazer uma transformação da série original não estacionária em uma série estacionária equivalente. É possível fazer todo tipo de manipulação com a série inicial, mas é necessário entender que o resultado obtido pode não ser equivalente ao inicial. Isto é exatamente o que acontece quando se faz "transformação de séries não estacionárias em estacionárias".

Muito já foi dito a esse respeito. Mas vejo que você não percebe os pontos principais. Figurativamente falando, a conversão de um gato em um cão, conduzindo-o sobre uma trela, não funcionará.

 
avtomat:

Você está repetindo novamente o velho erro, que já foi dito muito antes...

É impossível transformar uma série inicial não estacionária em uma série estacionária equivalente. É possível fazer todo tipo de manipulação com a série inicial, mas é necessário entender que o resultado obtido pode não ser equivalente ao inicial. Isto é exatamente o que acontece quando se faz "transformação de séries não estacionárias em estacionárias".

Muito já foi dito a esse respeito. Mas vejo que você não percebe os pontos principais. Figurativamente falando, a conversão de um gato em um cão, conduzindo-o sobre uma trela, não funcionará.

Por que eu não vejo isso? Concordo plenamente com você! Reler o fim do meu posto.
 
Caros participantes da discussão deste tópico! Ouso assegurar a todos vocês que minha pesquisa mostrou que nenhum dos métodos conhecidos de análise de regressão, incluindo transformadas de Fourier, redes neurais, modelos de regressão linear e não linear e outros modelos, métodos e técnicas usados para descrever e/ou prever o comportamento de uma série numérica, incluindo o fluxo de preços de mercado, pode competir com o modelo de regressão universal que propus e conhecido por todos https://www.mql5.com/ru/articles/250 por qualquer parâmetro de avaliação. Estou disposto a contestar qualquer objeção com exemplos específicos e comparativos de qualquer análise em série. Eu ficaria feliz em encontrar, com sua ajuda, as falhas do meu modelo, se houver alguma. Estou certo de que assim que você estudar seriamente e entender o modelo proposto, descobrirá seu poder e omnívorosidade. Para explicar de forma primitiva, o modelo é uma extensão do MOC gaussiano para o domínio não-linear, e como caso especial, ele cobre também o MOC gaussiano. Consequentemente, se no domínio linear o MNA gaussiano é o reconhecido favorito, então, no caso geral, o método proposto pode provar ser o mesmo. Estou pronto para levantar objeções, se houver alguma. Respeitosamente, Yusufkhoja.
 
yosuf:
Caros participantes da discussão deste tópico! Atrevo-me a assegurar que minha pesquisa mostrou que nenhum dos métodos conhecidos de análise de regressão, incluindo transformadas de Fourier, redes neurais, modelos de regressão linear e não linear e outros modelos, métodos e técnicas usados para descrever e/ou prever o comportamento de uma série numérica, incluindo o fluxo de preços de mercado, pode competir com o modelo de regressão universal que propus e conhecido por todos em qualquer parâmetro de avaliação. Estou pronto para contestar qualquer objeção com exemplos específicos, comparativos, de qualquer análise em série. Eu ficaria feliz em encontrar, com sua ajuda, os inconvenientes do meu modelo, se houver algum. Estou certo de que assim que você estudar seriamente e entender o modelo proposto, descobrirá seu poder e omnívorosidade. Para explicar de forma primitiva, o modelo é uma extensão do MOC gaussiano para o domínio não-linear, e como caso especial, ele cobre também o MOC gaussiano. Consequentemente, se no domínio linear o MNA gaussiano é o reconhecido favorito, então, no caso geral, o método proposto pode provar ser o mesmo. Estou pronto para contrapor objeções, se houver alguma. Respeitosamente, Yusufhoja.
Talvez esta ingenuidade decorra da falta de implementação deste modelo?