Эконометрика: прогноз на один шаг вперед - страница 94

Новый комментарий
 
faa1947:

Не уходим в сторону.

Выделяем детерминированную составляющую. Что с остатком? Снова проверяем на детерминированную составляющую. Причина старая. Добраться до шума. Получим шум без детерминированной, можно будет рассуждать.


Для нестационарных рядов эта детерминированная составляющая будет сильно менятся с течением времени. Для прогнозирования надо применять адаптивные методы

 
Demi:


Для нестационарных рядов эта детерминированная составляющая будет сильно менятся с течением времени. Для прогнозирования надо применять адаптивные методы

Если посмотрите топик сначала, то увидите подробности следующей идеи и практические расчеты для нее.

Идея:

1. подгоняем модель к выборке

2. делаем прогноз на 1 шаг вперед

3. по приходу факта снова подгонка на сдвинутой выборке

4 снова прогноз на 1 шаг вперед

Там была табл. Справа параметры модели (лаги) и видно, что параметры модели меняются практически каждый раз.

 
faa1947:

Если посмотрите топик сначала, то увидите подробности следующей идеи и практические расчеты для нее.

Идея:

1. подгоняем модель к выборке

2. делаем прогноз на 1 шаг вперед

3. по приходу факта снова подгонка на сдвинутой выборке

4 снова прогноз на 1 шаг вперед

Там была табл. Справа параметры модели (лаги) и видно, что параметры модели меняются практически каждый раз.


Так вот это ж оно и есть - нестационарность, язви ее в корень)))))

Ничего хорошего из этого не получиться. Все эти приведения к псевдо-стационарности - шаманство. Этот ряд как не насилуй - он все равно будет нестационарен. Очень сильно нестационарен или сильно нестационарен или слабо-сильно нестационарен - надежных методов прогнозирования нет. Вся мат статистика разработана на основе гипотезы о стационарности и эргодичности

 
Интересно, а при чем тут эргодичность? Поясните для меня, Demi: возможно, я привык ее как-то иначе понимать.
 
Demi:


Так вот это ж оно и есть - нестационарность, язви ее в корень)))))

Ничего хорошего из этого не получиться. Все эти приведения к псевдо-стационарности - шаманство. Этот ряд как не насилуй - он все равно будет нестационарен. Очень сильно нестационарен или сильно нестационарен или слабо-сильно нестационарен - надежных методов прогнозирования нет. Вся мат статистика разработана на основе гипотезы о стационарности и эргодичности

Там приведены итоги по профит фактору побольше 1, но это слабое утешение, так как были хуже.

Не хочется опускать руки. Может быть плохое сглаживание, может быть не те регрессоры? или не правильное толкование прогноза? Надо искать. Для этого открыл ветку.

 
faa1947: Там была табл. Справа параметры модели (лаги) и видно, что параметры модели меняются практически каждый раз.
И Вы все еще намерены придерживаться модели, которая крайне неустойчива по главным параметрам?
 

Mathemat:

Интересно, а при чем тут эргодичность? Поясните для меня, Demi: возможно, я привык ее как-то иначе понимать.
Тогда и только тогда, когда стохастический процесс является эргодическим, временные или пространственные ряды дают возможность оценить функцию распределения, соответствующую и будущим, и прошлым значениям. Эргодичность дает основание рассматривать прошлые значения индикаторов как случайную выборку из гомогенной совокупности будущих значений.

Для эргодических процессов и математическое ожидание, и дисперсия, и автокорреляционная функция, вычисленные по одной реализации, будут такими же и для любой другой реализации.

(Частично цитата)

Если ряд нестационарен, следовательно - неэргодичен

 
Mathemat:
И Вы все еще намерены придерживаться модели, которая крайне неустойчива по главным параметрам?
Я за модель не держусь, а держусь за метОду
 

Demi: Тогда и только тогда, когда стохастический процесс является эргодическим

Ну, во-первых, это все общие слова, которые мне и так известны.

Во-вторых, о взгляде на котировочный процесс как на совокупность реализаций тут и речи не было. Реализация - одна, точка. Во всяком случае в эконометрике.

В-третьих, самое главное: как ее проверять, эргодичность, - если других возможных реализаций мы не можем сделать в принципе? (Если б умели делать, то мы могли бы сделать идеальный тестер, который смог бы стопроцентно проверять любые ТС на робастность, т.к. исходных данных, грубо говоря, у нас было бы сколько нужно, т.е. бесконечность.)

faa1947: Я за модель не держусь, а держусь за метОду

ОК, вопрос тот же, но уже к методе.

 
Mathemat:

ОК, вопрос тот же, но уже к методе.

Больше ничего, столь хорошо проработанного я не знаю
1...87888990919293949596979899100101...139
Новый комментарий