Econometria: um passo à frente na previsão - página 41

 
Se m.o.s. for 10 pips e s.c.s. for 100, é teoricamente possível que a rentabilidade geral tenha que esperar muito tempo.
 
Mathemat:
Se m.o.s. for 10 pips e s.c.s. for 100, é teoricamente possível que a rentabilidade geral tenha que esperar muito tempo.
No mínimo, não mais do que o comprimento da vela e, em geral, deve-se compará-lo com a variação da série original. Embora em um dos postos acima tenha sido provado que no comércio de volatilidade este não é realmente o caso.
 
faa1947:

A previsão em si não é uma expectativa matemática do modelo

Tudo está bem se o erro for estacionário. Muitas vezes eu escrevi e dei gráficos do erro, que têm uma aparência muito complicada.


Não vejo bem como a não-estacionariedade do erro pode afetar a estimativa da previsão. O erro não afeta em última análise apenas o risco do modelo no contexto do Valor em Risco!
 
Mathemat:

Para entender tal vantagem estatística para poder falar sobre seu significado, não precisamos de 100 transações, mas muitas vezes mais, dezenas de milhares.

Vamos supor que existem N acordos. A vantagem estatística (2% * N) deve ser pelo menos duas vezes maior do que o sqrt(N). E, ao mesmo tempo, teremos 95% de certeza do valor da vantagem estatutária.

Qual é sua qualidade de 97% desta máquina (se você estiver falando da HP)? Existe uma fórmula?


A importância das estimativas estatísticas de mo e variância depende da variância em si e da raiz do número de transações, não da vantagem (mo). Ou seja, se o mo de um sistema for 2 vezes maior que o mo de outro sistema, então para a mesma precisão de estimativas de mo e mo você precisa de 4 vezes mais operações no primeiro sistema. Naturalmente, tudo é descrito com mais competência em intervalos de confiança (sua largura). A largura do MDI de Mo e as estimativas de dispersão dependem da própria dispersão e da raiz do número de negócios

P.S. Isto, claro, é tudo para distribuições estacionárias. Com a não-estacionariedade, o MD não está definido - pelo menos a estacionariedade temporal ou a aproximação a ela é necessária

 
C-4:

Não vejo bem como a não-estacionariedade do erro pode afetar a estimativa da previsão. O erro não afeta em última análise apenas o risco do modelo no contexto do Valor em Risco!

Utilizo a seguinte definição de estacionariedade: aproximadamente a constante mo e o desvio padrão. Aqui está um dos gráficos:

Qual é a garantia de que em uma previsão fora da amostra (e só estamos considerando essa opção) você não terá outro outlier de erro? Além disso, estando confiante de que o erro é quase uma constante (os 25 pips espalhados no gráfico são uma constante?), ou você coloca, raciocinando sobre os riscos na forma de intervalos de confiança na execução da previsão, ou você considera a previsão uma constante e acredita piedosamente nesse número.

 
C-4:

Não vejo bem como a não-estacionariedade do erro pode afetar a estimativa da previsão. O erro não afeta em última análise apenas o risco do modelo no contexto do Valor em Risco!

o valor previsto é uma estimativa da série futura, e o erro é sua variância (sko). O que está realmente sendo previsto é alguma distribuição futura de aumentos de preços. Se esta distribuição não for estacionária, então nem a estimativa de mo nem a estimativa de sua variância podem ser confiáveis. Ou seja, a previsão não pode ser confiável
 
Avals:

a importância das estimativas estatísticas de mo e variância depende da variância em si e da raiz do número de transações, não da vantagem (mo). Isto é, se sko de um sistema é 2 vezes mais que sko de outro, então para a mesma precisão de estimativas mo e sko você precisa de 4 vezes mais operações no primeiro sistema. Naturalmente, é melhor descrever tudo em intervalos de confiança (sua largura). A largura do MDI das estimativas de mo e variância depende da variância em si e da raiz do número de negócios

Agora estou começando a entender. Acontece que quanto maior o valor s.c.o., maiores são os requisitos para o valor m.o. para confirmar sua significância estatística. Para o c.s.o. do modelo atual, seu m.o. é insignificante demais para ser estatisticamente significativo e tal modelo não pode ser usado.
 
Avals:


O significado das estimativas estatísticas de mo e variância para


Concordo plenamente com isso, mas para mim a pergunta interessante é o que acontece fora da amostra?

O que precisa ser analisado dentro da amostra para aumentar a probabilidade de que uma previsão fora da amostra seja cumprida?

O cálculo do erro e a exigência de estacionaridade para ele é suficiente?

Uma última pergunta. Qual é o horizonte de previsão? Um passo ou vários passos? Se várias etapas, como esta possibilidade é definida?

 
C-4:

Agora estou começando a entender. Acontece que quanto maior o valor s.c.o., maiores são os requisitos para o valor m.o. para confirmar sua significância estatística. Para o c.s.o. do modelo atual, seu m.o. é insignificante demais para ser estatisticamente significativo, e tal modelo não pode ser usado.

aproximadamente. Como resultado dos testes de previsão (ou TC), obtemos estimativas de mo e sko - são 2 números. Isto é realmente errado - temos dois intervalos, e os valores resultantes são seus pontos médios. Isto é, se temos mo=10pnuts, então na verdade mo=10+-delta. Este delta depende do sko - quanto maior ele for, maior é o delta e do número de negócios (raiz). Isto é, o delta é diretamente proporcional ao sko/Root(N)
 
faa1947:

O cálculo do erro e a exigência de estacionaridade para ele é suficiente?

Não está claro para mim como se pode esperar um erro estacionário em dados não estacionários? No gráfico apresentado acima, o valor do erro claramente não tem as propriedades de uma variância finita, portanto é pelo menos questionável aplicar estimativas baseadas na variância dos resultados (como s.r.f. ou a raiz quadrada de N) a ele.