Makroekonomik göstergelere dayalı piyasa tahmini - sayfa 10
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
"Öngörü", "tahmin" vb. ile ne kastedildiğine dair net bir tanım veya en azından bir açıklama vermekten zarar gelmez. "Tahmin" ufku nedir? Bu olmadan, "tahminler" anlamlarını kaybeder. Çünkü ufka bağlı olarak aynı "tahmin" bir ufuk için doğru, başka bir ufuk için yanlış çıkabilir. Ayrıca, bu tür bölümler birçok kez değişebilir.
Evrensel genellemeler yapmıyorum, ancak aşağıdaki tahmin ve tahmin tanımını vereceğim. Bu tanımlar, R'de (ve ötesinde) bulunan algoritmalara dayanmaktadır. Muhtemelen başka tanımlar da verilebilir, ancak benim tanımlarım bir program koduna sahip olmaları açısından yapıcıdır.
Böyle.
1. Tahmin. Ana şey, tahmin için her zaman önceki değerin kullanılmasıdır. Onlar. 1 adımlı tahmin için gerçek geçmiş çubukları kullanılır. Ve işte sonraki detaylar. Tahmin 2 adımı her zaman ileriye doğru ilk adım için tahminin değerini kullanır. 3 adım için bir tahmin için önceki iki adımın tahminleri kullanılır ve bu böyle devam eder. Bu esastır, çünkü tahminin önceki tüm adımlarının hatalarının toplamına yol açar. Hata grafiği, genişleyen bir huni olarak elde edilir. n adım ilerideki hata her zaman n-1 adım ilerideki hatadan daha büyüktür. Bu eğilimin en yaygın olarak bilinen temsilcisi tahmin paketidir.
2. Tahmin . Burada, bir tahminin yapıldığı, onu ayırt etmek için tahmin olarak adlandırılan bir dizi değer belirtilir, çünkü bir çubuk dizisinden hem 1 adım hem de 2 adım ve n adım ileriye doğru tahmin etmek mümkündür. . Önceden tahmin edilen değerlerin kullanılıp kullanılmadığı algoritma tarafından belirlenmez ve geliştirici tarafından belirlenir. Tahmin hatasının davranışı bilinmemektedir. hayal kurabilirsiniz. H1'li tahmin ediciler kümesinde, doğası gereği H4'te tahmin gücüne sahip olan tahminciler varsa, o zaman her dört saatte bir hata üçüncü saattekinden daha az olabilir. Tüm sınıflandırma tipi modelleri tahmin edilir.
Evrensel genellemeler yapmıyorum, ancak aşağıdaki tahmin ve tahmin tanımını vereceğim.
Regresyonlar için finansal serilerin durağan olmaması temel bir problemdir. Bu nedenle bir araç takımı seçerken, seçilen aracın durağan olmama sorununu nasıl çözdüğüne bakmak gerekir. Bahsettiğim ARIMA durağan olmama problemini bir yere kadar çözüyor ama Taylor serisinin durağan olmama problemini çözdüğünü duymadım.
Durağan modeller uygulanırken durağan olmama bir problem olarak ele alınmaktadır. Durağan olmayan bir model kullanılıyorsa, burada durağan olmama bir sorun değil, çözülmesi gereken bir görevdir.
ARIMA, sözde "durağan olmama sorununu" çözmez - bunun için tasarlanmamıştır.
Taylor serileri bir anlamda evrenseldir - katsayılar sabitse, durağan bir modelimiz vardır (ve burada ARIMA), ancak katsayılar zamanın ve / veya durumun fonksiyonlarıysa, o zaman durağan olmayan bir model elde ederiz. Özetle, hızlı bir referans noktasının özü budur.
Benim durumumda, D tarihinden sonraki 1 adım (çeyrek) için tahmin, d=0 ila d=D-1 tarihleri için mevcut tüm girdi değerlerini kullanır. D tarihi ile 2 adım ileriyi tahmin etmek, d=0 ile d=D-2 tarihleri için mevcut tüm girdi değerlerini kullanır. Vb. Başka bir deyişle, D tarihi için iki aşamalı bir tahmin, D-1 tarihi için bir tahmin kullanmaz, çünkü D-1 tarihi için tahminin 0 ... D-2 tarihleri için bir dizi girdi kullandığı varsayılır. , daha sonra aynı girdiler, D-1 tarihi için bir ara tahmin olmaksızın D tarihinin iki aşamalı tahmini için doğrudan kullanılabilir.
Durağan modeller uygulanırken durağan olmama bir problem olarak ele alınmaktadır. Durağan olmayan bir model kullanılıyorsa, burada durağan olmama bir sorun değil, çözülmesi gereken bir görevdir.
ARIMA, sözde "durağan olmama sorununu" çözmez - bunun için tasarlanmamıştır.
.
Durağanlığın varlığını ya tanırız ya da fark etmeyiz.
Kabul edersek, o zaman ya modelimizin durağan olmayan verileri hemen yemesi gerekir ya da büyük olasılıkla, ilk verileri modele uygun olacak şekilde hazırlayacak bir dizi ön eyleme ihtiyaç vardır.
Ve burada ARIMA klasik bir örnektir. Bu tam olarak durağan olmayan veriler için modeldir. İlk aşamada, orijinal durağan olmayan seri durağan hale dönüştürülür ve daha sonra elde edilen seri modellenir.
Yani.
Durağan veriler için bu, I harfi olmayan bir modeldir; bu, orijinal verilerin durağan hale gelmesi için kaç kez farklılaştırılması (fark alınması) gerektiği anlamına gelir ve ARMA modelinin kullanılması mümkün olur. Diğer bir husus ise, ARIMA modellerinde durağanlığı belirlemek için kullanılan kriterlerin oldukça zayıf olması ve bunun sonucunda farklılaşma sonuçlarına uygulanan ARMA modelinin bu sonuçlara uygulanamaması ve genellikle değişkenliğin modellenmesi üzerine ek çalışmalara ihtiyaç duyulmasıdır. varyansın - ARCH ve ayrıca nüanslar da var. .... Sonuç olarak, girişte bir teklifin olduğu ortaya çıkıyor, hazırlanmış bir şeyi modelliyorsunuz, ancak sonucu nereye yapıştıracağınızı anlayamıyorsunuz.
Durağanlığın varlığını ya tanırız ya da fark etmeyiz.
Kabul edersek, o zaman ya modelimizin durağan olmayan verileri hemen yemesi gerekir ya da büyük olasılıkla, ilk verileri modele uygun olacak şekilde hazırlayacak bir dizi ön eyleme ihtiyaç vardır.
Ve burada ARIMA klasik bir örnektir. Bu tam olarak durağan olmayan veriler için modeldir. İlk aşamada, orijinal durağan olmayan seri durağan hale dönüştürülür ve daha sonra elde edilen seri modellenir.
Yani.
Durağan veriler için bu, I harfi olmayan bir modeldir; bu, orijinal verilerin durağan hale gelmesi ve ARMA modelini kullanmanın mümkün olması için kaç kez farklılaştırmanın (fark almanın) gerekli olduğu anlamına gelir. Diğer bir husus ise, ARIMA modellerinde durağanlığı belirlemek için kullanılan kriterlerin oldukça zayıf olması ve bunun sonucunda farklılaşma sonuçlarına uygulanan ARMA modelinin bu sonuçlara uygulanamaması ve genellikle değişkenliğin modellenmesi üzerine ek çalışmalara ihtiyaç duyulmasıdır. varyansın - ARCH ve ayrıca nüanslar da var. .... Sonuç olarak, girişte bir teklifin olduğu ortaya çıkıyor, hazırlanmış bir şeyi modelliyorsunuz, ancak sonucu nereye yapıştıracağınızı anlayamıyorsunuz.
Daha önce hakkında çok şey söylenmiş olan eski bir hatayı tekrarlıyorsunuz ...
Orijinal durağan olmayan seriyi eşdeğer bir durağan seriye dönüştürmek imkansızdır. Orijinal seri ile çeşitli manipülasyonlar yapabilirsiniz, ancak elde edilen sonucun orijinaline eşdeğer olmayabileceğini anlamalısınız. Bu, "durağan olmayan bir seriyi durağan bir seriye dönüştürme" işlemi yapıldığında olan şeydir.
Bu konuda zaten çok şey söylendi. Ama görüyorum ki temel noktalara dikkat etmiyorsunuz. Mecazi olarak konuşursak, bir kediyi tasmalı bir köpeğe dönüştürmek işe yaramaz.
Daha önce hakkında çok şey söylenmiş olan eski bir hatayı tekrarlıyorsunuz ...
Orijinal durağan olmayan seriyi eşdeğer bir durağan seriye dönüştürmek imkansızdır. Orijinal seri ile çeşitli manipülasyonlar yapabilirsiniz, ancak elde edilen sonucun orijinaline eşdeğer olmayabileceğini anlamalısınız. Bu, "durağan olmayan bir seriyi durağan bir seriye dönüştürme" işlemi yapıldığında olan şeydir.
Bu konuda zaten çok şey söylendi. Ama görüyorum ki temel noktalara dikkat etmiyorsunuz. Mecazi olarak konuşursak, bir kediyi tasmalı bir köpeğe dönüştürmek işe yaramaz.
Bu konunun tartışmasına katılan sevgili katılımcılar! Yürütülen çalışmaların, Fourier dönüşümleri (ayrıştırmalar), sinir ağları, doğrusal ve doğrusal olmayan regresyon modelleri ve bunları tanımlamak için kullanılan diğer modeller, yöntemler ve teknikler dahil olmak üzere bilinen hiçbir regresyon analizi yöntemlerinden hiçbirinin olmadığını gösterdiğine dair sizi temin ederim. / veya piyasa fiyatlarının akışını içeren davranış sayısal serileri, herhangi bir değerlendirme parametresinde benim önerdiğim ve herkes tarafından bilinen evrensel regresyon modeli ile rekabet edemez. Herhangi bir serinin spesifik, karşılaştırmalı analiz örneklerine yönelik herhangi bir itiraza itiraz etmeye hazırım. Varsa, modelimin eksikliklerini yardımınızla bulmaktan memnuniyet duyarım. Önerilen modeli ciddi bir şekilde inceler ve anlar anlamaz, onun gücünü ve her yerde var olduğunu keşfedeceğinize eminim. İlkel bir şekilde, model Gauss en küçük karelerinin doğrusal olmayan bir bölgeye uzantısıdır ve özel bir durum olarak Gauss en küçük karesini de kapsar. Bu nedenle, lineer bölgede tanınan favori Gauss en küçük kareler ise, genel durumda önerilen yöntem böyle olabilir. Varsa itirazlara karşı hazır. Saygılarımla, Yusufkhodzha.