Эконометрика: прогноз на один шаг вперед - страница 41

 
Если м.о. равно 10 пунктам, а с.к.о. - 100, то теоретически возможна ситуация, когда общей прибыльности придется слишком долго ждать.
 
Mathemat:
Если м.о. равно 10 пунктам, а с.к.о. - 100, то теоретически возможна ситуация, когда общей прибыльности придется слишком долго ждать.
Как минимум - не больше длины свечи, а вообще, должно быть, надо сравнивать с дисперсией исходного ряда. Хотя в одном из постов выше доказывалось, что при торговле волантильностью это не совсем так.
 
faa1947:

А разве сам прогноз не является математическим ожиданием модели

Все прекрасно, если ошибка стационарна. Много раз писал и приводил графики ошибки, которые имеют весьма замысловатый вид.


Не совсем понимаю, как нестационарность ошибки может повлиять на оценку прогноза. Разве ошибка, в конечном счете, влияет не только на риск модели в контексте Value at Risk!?
 
Mathemat:

Чтобы уловить такое статпреимущество настолько, чтобы говорить о его значимости, надо совсем не 100 сделок, а во много раз больше, десятки тысяч.

Пусть сделок N. Статпреимущество (2% * N) должно быть минимум раза в два больше, чем sqrt(N). И при этом мы будем уверены в значимости статпреимущества примерно на 95%.

Что такое Ваши 97% качества этой машки (если Вы говорите об HP)? Формула есть?


значимость статистических оценок мо и дисперсии зависит от самой дисперсии и корня из числа сделок, а не от преимущества (мо). Т.е. если ско одной системы в 2 раза больше чем ско другой, то для одинаковой точности оценок мо и ско нужно в 4 раза больше сделок по первой системе. Конечно, грамотнее всё описывается в доверительных интервалах (его ширины). Ширина ДИ оценок мо и дисперсии зависит от самой дисперсии и корня из числа сделок

P.S. это конечно всё для стационарных распределений. При нестационарности вообще ДИ не определены - нужна хотя бы временная стационарность или приближение к ней

 
C-4:

Не совсем понимаю, как нестационарность ошибки может повлиять на оценку прогноза. Разве ошибка, в конечном счете, влияет не только на риск модели в контексте Value at Risk!?

Я использую следующее определение стационарности: примерно константа мо и стандартное отклонение. Вот один из графиков:

В чем состоит гарантия, что на прогнозе вне выборки (а рассматриваем только такой вариант) вы не получите очередной выброс ошибки? Далее, будучи уверенным, что ошибка почти константа (на графике разброс 25 пипсов - это константа?), либо вы входите в позу, рассуждая о рисках в виде доверительных интервалах исполнения прогноза, либо вы считаете прогноз константой и свято верите в эту цифру.

 
C-4:

Не совсем понимаю, как нестационарность ошибки может повлиять на оценку прогноза. Разве ошибка, в конечном счете, влияет не только на риск модели в контексте Value at Risk!?

прогнозируемое значение - это оценка мо будущего ряда, а ошибка его дисперсия (ско). Фактически прогнозируется некоторое будущее распределение приращения цен. Если это распределение нестационарно, то нельзя доверять ни оценке мо, ни оценке его дисперсии. Т.е. прогнозу доверять нельзя
 
Avals:

значимость статистических оценок мо и дисперсии зависит от самой дисперсии и корня из числа сделок, а не от преимущества (мо). Т.е. если ско одной системы в 2 раза больше чем ско другой, то для одинаковой точности оценок мо и ско нужно в 4 раза больше сделок по первой системе. Конечно, грамотнее всё описывается в доверительных интервалах (его ширины). Ширина ДИ оценок мо и дисперсии зависит от самой дисперсии и корня из числа сделок

Теперь начинаю понимать. Получается что чем выше с.к.о. тем большие требования предъявляются для величины м.о. для подтверждения ее статистической значимости. Для с.к.о. текущей модели ее м.о. слишком незначительно, что бы можно было говорить о статистической значимости прогноза, и использовать такую модель нельзя.
 
Avals:


значимость статистических оценок мо и дисперсии за


Я с этим полностью согласен, но для меня интересен вопрос, а что происходит вне выборки?

Что нужно анализировать внутри выборки, чтобы повысить вероятность исполнения прогноза вне выборки?

Достаточно ли расчета ошибки и требования стационарности к ней?

И последний вопрос. Каков горизонт прогноза? На один шаг или несколько шагов? Если несколько шагов, чем определяется такая возможность?

 
C-4:

Теперь начинаю понимать. Получается что чем выше с.к.о. тем большие требования предъявляются для величины м.о. для подтверждения ее статистической значимости. Для с.к.о. текущей модели ее м.о. слишком незначительно, что бы можно было говорить о статистической значимости прогноза, и использовать такую модель нельзя.

примерно. В результате тестов прогноза (или ТС) мы получаем оценки мо и ско - это 2 числа. На самом деле это неправильно - мы имеем два интервала, а полученные значения - их середины. Т.е. если мы получили мо=10пнуктов, то на самом деле мо=10+-delta. Вот эта delta зависит от ско - чем оно больше, тем больше delta и от числа сделок (корня). Т.е. delta прямо пропорциональна ско/КОРЕНЬ(N)
 
faa1947:

Достаточно ли расчета ошибки и требования стационарности к ней?

Мне не понятно, как можно ожидать стационарную ошибку на нестационарных данных? На графике что представлен Вами выше, величина ошибки явно не обладает свойствами конечной дисперсии, а значит как минимум сомнительно применять к ней оценки основанные на дисперсии результатов (типа с.к.о. или квадратный корень из N).