O Modelo de Regressão Sultonov (SRM) - alegando ser um modelo matemático do mercado. - página 46
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
Isso não importa. O método de resolver a equação não tem efeito na solução, se ela existe e é a única, mas se há muitas soluções aceitáveis e Yusuf tem um mínimo local, então a genética ou as abelhas são melhores. Para uma solução manual, basta usar um testador: o algoritmo genético o ajudará.
Há o perigo de escorregar para o ajuste - com tantos parâmetros para variar é preciso tomar mais exemplos para otimizar.
E mais uma observação - você não sabe o período de amostragem no qual os coeficientes foram pesquisados. Se este período coincidiu com o período de crescimento do equilíbrio no gráfico, então, infelizmente, nem tudo é tão cor-de-rosa.
Agora vamos tentar expressar a dependência do preço médio de formação da próxima barra como uma função linear do tipo:
F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)
Para um histórico selecionado de 15 barras diárias D1, são obtidos os seguintes valores de coeficientes:
Obtivemos informações muito importantes sobre a natureza da mudança de preço:
1. Os preços de fechamento da barra C atual são os mais significativos para a formação do preço da barra futura;
2. Os segundos mais significativos são os preços L, o que indica uma força significativa de ursos em relação aos touros;
3. Então, os preços de O-abertura são significativos;
4. A insignificância dos preços H indica que é improvável um movimento significativo dos preços para cima.
Conclusão: A venda é preferível para o curto prazo.
Agora vamos tentar expressar a dependência do preço médio de formação da próxima barra como uma função linear do tipo:
F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)
Para um histórico selecionado de 15 barras diárias D1, são obtidos os seguintes valores de coeficientes:
Não entendo de forma alguma como os coeficientes de regressão são estimados.
Aqui está o método dos mínimos quadrados (OLS) para EURUSD_H1 comprimento da amostra = 50 barras.
Variável Dependente: F
Método: Painel de mínimos quadrados
Data: 12/02/12 Hora: 10:26
Amostra: 1 50
Períodos incluídos: 23
Cortes transversais incluídos: 3
Total de observações do painel (desequilibrado): 47
F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)
Coeficiente Std. Erro t-Statistic Prob.
C(1) 0,114716 0,046286 2,478392 0,0173
C(2) -0.051038 0.156544 -0.326030 0.7460
C(3) -0,343986 0,179835 -1,912786 0,0626
C(4) 0,139395 0,190961 0,729968 0,4695
C(5) 1.163942 0.207562 5.607671 0.0000
R-quadrado 0,947458 dependente médio var 1,247037
R-quadrado ajustado 0.942454 S.D. dependente var 0.002839
S.E. de regressão 0.000681 Akaike info criterion -11.64578
Soma ao quadrado residente 1.95E-05 Critério Schwarz -11.44895
Probabilidade de registro 278.6757 Critério Hannan-Quinn. -11.57171
F-statistic 189.3409 Durbin-Watson stat 1.935322
Prob(F-statistic) 0,000000
Aqui está o gráfico
Aqui estáo método dos mínimos quadrados (LOS) para EURUSD_H1 com comprimento da amostra = 2000 barras.
Variável Dependente: F
Método: Painel de mínimos quadrados
Data: 12/02/12 Hora: 10:29
Amostra: 1.000
Períodos incluídos: 23
Cortes transversais incluídos: 85
Total de observações do painel (desequilibrado): 1915
F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)
Coeficiente Std. Erro t-Statistic Prob.
C(1) 0,000190 0,000729 0,260526 0,7945
C(2) 0,026179 0,029181 0,897122 0,3698
C(3) -0.020055 0.028992 -0.691745 0.4892
C(4) -0.106262 0.032127 -3.307569 0.0010
C(5) 1.099945 0.031672 34.72901 0.0000
R-quadrado 0,999362 dependente médio var 1,259869
R-quadrado corrigido 0.999361 S.D. dependente var 0.031014
S.E. de regressão 0.000784 Akaike info criterion -11.46178
Soma ao quadrado residente 0.001174 Critério Schwarz -11.44727
Probabilidade de registro 10979.66 Critério Hannan-Quinn. -11.45644
F-statistic 748391.1 Durbin-Watson stat 2.058272
Prob(F-statistic) 0,000000
Com qualquer comprimento de amostra é obrigatório calcular o erro dos coeficientes estimados. Podemos ver que na última estimativa com o valor do coeficiente =0,000190 o skop =0,000729. Não só o valor do coeficiente é ridículo, mas o sco é 7 vezes o valor facial!
Desculpe, Yusuf, mas isso é apenas mais uma bicicleta. Qualquer livro sobre análise de regressão começa com uma equação como a sua. Mas ao contrário de você, os estudantes sabem como avaliar o resultado do ajuste - qualquer um deles lhe dirá que a referida regressão não pode ser usada.
Não entendo de forma alguma como os coeficientes de regressão são estimados.
Aqui está o método dos mínimos quadrados (OLS) para EURUSD_H1 comprimento da amostra = 50 barras.
Em qualquer comprimento de amostra é obrigatório calcular o erro dos coeficientes estimados. E vemos que na última estimativa com o coeficiente =0,000190 sko =0,000729. Não só o valor do coeficiente é ridículo, mas o sco é 7 vezes o valor nominal!
Favor fornecer o tipo de equação de regressão que você está investigando.
Está listado no correio. Aqui está uma cópia:
F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)
Para 50 barras, aqui está o coeficiente.
F= 0.114716047564-0.0510381399594*OPEN(-1)-0.343985953799*HIGH(-1)+0.139395237588*LOW(-1)+1.16394204527*CLOSE(-1)
Mas trata-se de estimar estes coeficientes. Você não quer entender que longe de sempre, mas sim sempre, a estimativa dos coeficientes (seu valor) não pode ser confiável. Este é o coração da análise de regressão.
Você tem que responder à pergunta: em que base acreditamos que os coeficientes que calculamos têm exatamente o valor que vemos?
É declarado no correio. Aqui está uma cópia:
F= C(1)+C(2)*OPEN(-1)+C(3)*HIGH(-1)+C(4)*LOW(-1)+C(5)*CLOSE(-1)
Para 50 barras, aqui está o coeficiente.
F= 0.114716047564-0.0510381399594*OPEN(-1)-0.343985953799*HIGH(-1)+0.139395237588*LOW(-1)+1.16394204527*CLOSE(-1)
Mas trata-se de estimar estes coeficientes. Você não quer entender que longe de sempre, mas sim sempre, a estimativa dos coeficientes (seu valor) não pode ser confiável. Este é o coração da análise de regressão.
Precisamos responder à pergunta: em que base acreditamos que os coeficientes que calculamos têm exatamente o valor que vemos?
Por definição, MNC dá a melhor estimativa dos coeficientes da equação em questão e se você não gosta deles por qualquer razão, procure outra forma de estimá-los ou mudar a forma da equação. Esta é a abordagem padrão na investigação de fenômenos e processos. Se a equação de regressão com o ANC encontrado fornece um erro relativo inferior a 1% (0,29% neste caso), então o que mais eu quero desses coeficientes? Você está preso ao problema da confiabilidade dos coeficientes, não há maneira mais confiável de determiná-los do que o ANC ainda não foi concebido. Entretanto, devemos estar cientes de que qualquer raciocínio e conclusões que fazemos só são verdadeiras dentro da amostra em questão e não há garantia de que fora dela, incluindo o futuro, elas permanecerão verdadeiras. Mas, somos forçados, com um grau de probabilidade, a assumir sua aplicabilidade em um futuro próximo. Nada e ninguém pode prever o futuro com absoluta certeza.
De alguma forma, você não entrou no relatório de ajuste de regressão. Neste último, coeficientes diferentes têm uma precisão de cálculo diferente. O melhor é 3%. Mas também há múltiplos de par.
Eu não fico pendurado em nada. Eu apenas faço a estimativa de regressão padrão. De qualquer forma, não dou valores de coeficiente sem estimá-los.
Sobre o ISC. Quero decepcioná-los. O MNC não é o único método, além disso, é um método com um grande número de restrições. Existem outros métodos que não têm tais limitações.
Agora vamos tentar expressar a dependência do preço médio de formação da próxima barra como uma função linear do tipo:
F(t+1)=a0+a1*O(t)+a2*H(t)+a3*L(t)+a4*C(t)
Para um histórico selecionado de 15 barras diárias D1, são obtidos os seguintes valores de coeficientes:
Essas barras de 15 dias - que datas foram tomadas?
Dados utilizados em D1 de 16. 09. 12 a 05. 10. 12
))))Pensei que sim:
1. seus dados não são homogêneos. O modelo inclui dados que descrevem a dinâmica de preços de 24 horas e dados que descrevem a dinâmica de preços de 4 horas. Os dados para o domingo devem ser removidos. Todos cometem este erro.
2. você deve ter um número ótimo de observações. Não há uma fórmula precisa, mas está em algum lugar entre 5 e 10 observações por variável. Você tem quatro variáveis e quinze observações. O modelo é inadequado. E não faça como um grande especialista neste fórum - pegue um modelo com quatro variáveis e 5.000 observações! ))))
3. uma vez construído o modelo, determine os coeficientes de correlação parciais para cada variável. E você acha que apenas C é estatisticamente significativo. Construa um modelo que inclua apenas C e o coeficiente antes de C será positivo.
A partir disto, você tira uma conclusão comum a TODOS os modelos autoregressivos - SE O PREÇO ESTIVER, então há uma maior probabilidade de que ele continuará a aumentar no futuro e vice-versa. Em seguida, você joga fora o modelo.