Makroekonomik göstergelere dayalı piyasa tahmini - sayfa 12

Yeni yorum
 
avtomat :


yalnızca "üniversitelerinizin" size öğrettiği sınırlı model sınıfı için geçerlidir.


Üniversitelerde okumadım. Kendi kendime öğrendim. beynimle düşünüyorum. Her şeyi sorgularım ve kontrol ederim. Durağanlık ihtiyacı, durağan olmayan veriler üzerinde bir model elde etmek için başarısız birçok denemeden sonra bana geldi. Bunu ayrıntılı olarak kanıtlayabilirim ama zaman çok yazık çünkü herkes kendi görüşüyle kalacak.

Bu konuya ilgim, Profesör Steve Keen'in ekonomik modelinin 2008 çöküşünü nasıl öngördüğüyle övündüğü, ancak Fed Bank'ın DSGE modelinin hiçbir şey öngörmediği piyasa haberlerini izlemekten geldi. DSGE modelini ve Keane modelini incelemeye başladım. Benim yolumu takip etmek isteyenler için DSGE modeli ile ilgili bu Matlab makalesinden başlamanızı tavsiye ederim. FRED veritabanından ekonomik veri yükleme kodu da dahil olmak üzere gerekli tüm kodlara sahiptir:

http://www.mathworks.com/help/econ/examples/modeling-the-united-states-economy.html

Fedov modeli aşağıdaki tahmin edicileri kullanır:

 % FRED Serisi Açıklama
%------------------------------------------------ -- ---------------------------
%COE Çalışanlara ödenen milyarlarca dolar tazminatı
%CPIAUCSL Tüketici fiyat endeksi
% FEDFUNDS Etkin federal fon oranı
% GCE Hükümet tüketim harcamaları ve milyar dolarlık yatırım
Milyar $ olarak GSYİH Gayri Safi Yurtiçi Hasıla
% GDPDEF Gayri safi yurtiçi hasıla fiyat deflatörü
Milyarlarca $ GPDI Gayri Safi Özel Yurt İçi Yatırım
% GS10 On yıllık hazine bonosu getirisi
% HOANBS Tarım dışı iş sektörü çalışılan saat endeksi
% M1SL M1 para arzı (dar para)
% M2SL M2 para arzı (geniş para)
Milyar $ olarak PCEC Kişisel tüketim harcamalarının yüzdesi
% TB3MS Üç aylık hazine bonosu getirisi
% UNRATE İşsizlik oranı


Ardından Steve Keane'in YouTube derslerini izleyin:

https://www.youtube.com/watch?v=aJIE5QTSSYA

https://www.youtube.com/watch?v=DDk4c4WIiCA

https://www.youtube.com/watch?v=wb7Tmk2OABo

ve makalelerini okuyun.

Modeling the United States Economy - MATLAB & Simulink Example
  • www.mathworks.com
The Smets-Wouters model (2002, 2004, 2007) is a nonlinear system of equations in the form of a Dynamic Stochastic General Equilibrium (DSGE) model that seeks to characterize an economy derived from economic first principles. The basic model works with 7 time series: output, prices, wages, hours worked, interest rates, consumption, and...
 
Minsky programı (ekonomik simülatör) ekte ve site çekildiği yerden, sitede programın işleyişini anlatan bir sürü video ve daha birçok malzeme var.

/go?link=http://www.idea economics.org/minsky/

Dosyalar:
Minsky_1_D34-win-dist.zip  48562 kb
 
ProfSteveKeen
ProfSteveKeen
ProfSteveKeen
  • www.youtube.com
Rethinking Economics at the London School of Economics I was invited by the Rethinking Economics student association at the London School of Economics to give a talk about Greece, Austerity, Post Keynesian Economics and anticipating the crisis. There...
 
Urain :
ProfSteveKeen
Ve az gelişmişler için okunabilir bir dilde
 
Vinin :
Ve az gelişmişler için okunabilir bir dilde

Almanlar için :)

https://translate.google.com.ua/translate?sl=tr&tl=ru&js=y&prev=_t&hl=ru&ie=UTF-8&u=http%3A%2F%2Fen.wikipedia.org%2Fwiki%2FSteve_Keen&edit-text=

 
gpwr :

Dolayısıyla görev, mevcut ekonomik göstergelere dayalı olarak S&P 500 endeksini tahmin etmektir.

Adım 1: Göstergeleri bulun. Göstergeler burada halka açıktır: http://research.stlouisfed.org/fred2/ Bunlardan 240.000 adet vardır. En önemlisi GSYİH büyümesi. Bu gösterge her çeyrekte hesaplanır. Dolayısıyla adımımız - 3 ay. Daha kısa bir süre için tüm göstergeler 3 aylık bir süre için yeniden hesaplanır, geri kalanı (yıllık) atılır. Ayrıca Amerika Birleşik Devletleri dışındaki tüm ülkeler için göstergeleri ve derin bir geçmişi olmayan (en az 15 yıl) göstergeleri de atıyoruz. Böylece, özenli bir çalışma ile bir dizi göstergeyi filtreliyoruz ve yaklaşık 10 bin gösterge elde ediyoruz. S&P 500 endeksini bir veya iki çeyrek ilerisini tahmin etmek için daha spesifik bir görev formüle ediyoruz, üç aylık periyotlarla 10 bin ekonomik gösterge mevcut. R'de mümkün olmasına rağmen her şeyi MatLab'da yapıyorum.

Adım 2: Türev alma ve normalleştirme yoluyla tüm verileri durağan forma dönüştürün. Burada birçok yöntem var. Ana şey, orijinal verilerin dönüştürülen verilerden geri yüklenebilmesidir. Durağanlık olmadan hiçbir model çalışmayacaktır. Dönüşüm öncesi ve sonrası S&P 500 serisi aşağıda gösterilmiştir.

Adım 3: Bir model seçin. Belki bir sinir ağı. Çok değişkenli doğrusal regresyon yapılabilir. Çok değişkenli polinom regresyonu yapabilirsiniz. Doğrusal ve doğrusal olmayan modelleri test ettikten sonra, verilerin çok gürültülü olduğu ve doğrusal olmayan bir modele girmenin anlamsız olduğu sonucuna varıyoruz. y = S&P 500 ve x = 10 bin göstergeden biri olan y(x) grafiği, neredeyse dairesel bir buluttur. Böylece, görevi daha da özel olarak formüle ediyoruz: çok değişkenli doğrusal regresyon kullanarak üç aylık dönemli 10 bin ekonomik göstergeye sahip S&P 500 endeksini bir veya iki çeyrek ileride tahmin edin.

Adım 4: En önemli ekonomik göstergeleri 10 bin arasından seçiyoruz (sorunun boyutunu küçültüyoruz). Bu en önemli ve zor adımdır. Diyelim ki S&P 500'ün tarihini 30 yıl (120 çeyrek) olarak alıyoruz. S&P 500'ü çeşitli türlerdeki ekonomik göstergelerin doğrusal bir bileşimi olarak temsil etmek için, bu 30 yılda S&P 500'ü doğru bir şekilde tanımlamak için 120 göstergeye sahip olmak yeterlidir. Ayrıca, 120 gösterge ve 120 S&P 500 değerinden oluşan bu kadar doğru bir model oluşturmak için göstergeler kesinlikle herhangi biri olabilir.Bu nedenle, giriş sayısını açıklanan fonksiyon değerlerinin sayısının altına düşürmeniz gerekir. Örneğin, en önemli 10-20 girdi göstergesini arıyoruz. Çok sayıda aday tabandan (sözlük) seçilen az sayıda girdiyle verileri tanımlamanın bu tür görevlerine seyrek kodlama denir.

Tahmin girdilerini seçmek için birçok yöntem vardır. hepsini denedim. İşte ana ikisi:

  1. Tüm 10.000 veriyi S&P 500 tahmin gücüne göre sınıflandırıyoruz.Öngörü gücü korelasyon katsayısı veya karşılıklı bilgi ile ölçülebilir.
  2. Alt kısımdaki 10 bin göstergenin tümünü inceliyoruz ve en küçük hatayla S&P 500'ü tanımlayan y_mod = a + b*x1 doğrusal modelini vereni seçiyoruz. Daha sonra kalan 10 bin -1 göstergeyi y - y_mod = c + d*x2'yi en az hatayla açıklayacak şekilde sıralayarak ikinci girişi tekrar seçiyoruz. Vb. Bu yönteme adım adım regresyon veya eşleştirme takibi denir.

İşte S&P 500 ile en yüksek korelasyon katsayısına sahip ilk 10 gösterge:

seri kimliği gecikme doğru Mut bilgisi
'PICRM' 2 0,315 0.102
'CWUR0000SEHE' 2 0.283 0.122
'CES1021000001' 1 0.263 0.095
'B115RC1Q027SBEA' 2 0.262 0.102
'CES1000000034' 1 0.261 0.105
'A371RD3Q086SBEA' 2 0.260 0.085
'B115RC1Q027SBEA' 1 0.256 0.102
'CUUR0000SAF111' 1 0.252 0.117
'CUUR0000SEHE' 2 0.251 0.098
'USMIN' 1 0.250 0.102

İşte S&P 500 ile en çok karşılıklı bilgi içeren ilk 10 gösterge:

seri kimliği gecikme doğru Mut bilgisi
'CPILEGSL' 3 0.061 0.136
'B701RC1Q027SBEA' 3 0.038 0.136
'CUSR0000SAS' 3 0.043 0.134
'GDPOT' 3 0.003 0.134
'NGDPPOT' 5 0.102 0.134
'OTHSEC' 4 0.168 0.133
'LNU01300060' 3 0.046 0.132
'LRAC25TTUSM156N' 3 0.046 0.132
'LRAC25TTUSQ156N' 3 0.046 0.131
'CUSR0000SAS' 1 0.130 0.131

Gecikme, simüle edilmiş S&P 500 serisine göre giriş serisinin gecikmesidir.Bu tablolardan görülebileceği gibi, en önemli girdileri seçmenin farklı yöntemleri, farklı girdi kümeleriyle sonuçlanır. Nihai hedefim model hatasını en aza indirmek olduğundan, ikinci girdi seçim yöntemini seçtim, yani. tüm girdilerin numaralandırılması ve en az hata veren girdinin seçimi.

Adım 5: Modelin hatasını ve katsayılarını hesaplamak için bir yöntem seçin. En basit yöntem COEX yöntemidir, bu nedenle bu yöntemi kullanan doğrusal regresyon çok popülerdir. RMS yöntemiyle ilgili sorun, aykırı değerlere, yani. bu aykırı değerler modelin katsayılarını önemli ölçüde etkiler. Bu duyarlılığı azaltmak için karesel hataların toplamı yerine hataların mutlak değerlerinin toplamı kullanılabilir, bu da en küçük modül (MLM) veya sağlam regresyon yöntemine yol açar. Bu yöntem, doğrusal regresyondan farklı olarak model katsayıları için analitik bir çözüme sahip değildir. Genellikle modüller düzgün/türevlenebilir yaklaşım fonksiyonları ile değiştirilir ve çözüm sayısal yöntemlerle yapılır ve uzun zaman alır. Her iki yöntemi de denedim (yalın regresyon ve MHM) ve MHM'nin fazla bir avantajını fark etmedim. MHM yerine yoldan saptım. Durağan verileri farklılaştırarak elde etmenin ikinci adımında lineer olmayan bir normalizasyon işlemi ekledim. Yani orijinal seri x[1], x[2], ... x[i-1], x[i] ... önce x[2]-x[1] fark serisine dönüştürülür. .. x [i]-x[i-1] ... ve ardından her fark, işaret(x[i]-x[i-1])*abs(x[i]-x[ ile değiştirilerek normalleştirilir. i-1] )^u, burada 0 < u < 1. u=1 için, aykırı değerlere duyarlılığı ile klasik COSE yöntemini elde ederiz. u=0'da, giriş serisinin tüm değerleri, neredeyse hiç aykırı değer olmaksızın +/-1 ikili değerlerle değiştirilir. u=0.5 için MNM'ye yakın bir şey elde ederiz. Optimum u değeri 0,5 ile 1 arasında bir yerde bulunur.

Unutulmamalıdır ki, verileri durağan bir forma dönüştürmek için popüler yöntemlerden biri, serinin değerlerini bu değerlerin logaritmalarındaki farkla değiştirmektir, yani. log(x[i]) - log(x[i-1]) veya log(x[i]/x[i-1]). Benim durumumda böyle bir dönüşümün seçimi tehlikelidir, çünkü 10 bin girişten oluşan sözlükte sıfır ve negatif değerlere sahip birçok satır vardır. Logaritma ayrıca, RMS yönteminin aykırı değerlere duyarlılığını azaltma avantajına da sahiptir.Temelde, dönüşüm fonksiyonum sign(x)*|x|^u log(x ile aynı amaca sahiptir, ancak sıfır ve ile ilgili problemler olmadan) negatif değerler.

Adım 6: Yeni girdi verilerini değiştirerek ve önceki geçmiş bölümlerinde lineer regresyonla bulunan aynı model katsayılarını kullanarak model çıktısını hesaplayarak model tahminini hesaplayın. Burada, ekonomik göstergelerin ve S&P 500'ün üç aylık değerlerinin neredeyse aynı anda (3 aylık bir doğrulukla) geldiğini akılda tutmak önemlidir. Bu nedenle, bir sonraki çeyrek için S&P 500'ü tahmin etmek için model, S&P 500'ün mevcut üç aylık değeri ile en az 1 çeyrek gecikmeli girişler (Gecikme>=1) arasında kurulmalıdır. S&P 500'ü bir çeyrek ileride tahmin etmek için, model S&P 500'ün mevcut üç aylık değeri ile en az 2 çeyrek gecikmeli girişler (Gecikme>=2) arasında oluşturulmalıdır. Vb. Tahminlerin doğruluğu, gecikmenin 2'den fazla artmasıyla önemli ölçüde azalır.

7. Adım: Önceki geçmişe ilişkin tahminlerin doğruluğunu kontrol edin. Yukarıda açıklanan orijinal teknik (her girdiyi önceki geçmişe koymak, en küçük MSD'yi veren girdiyi seçmek ve bu girdinin yeni değerinden tahmini hesaplamak), rastgele veya boş tahminlerden bile daha kötü olan bir tahmin MSD'si üretti. Kendime şu soruyu sordum: geçmişe iyi uyan bir giriş neden gelecek için iyi bir öngörülebilir yeteneğe sahip olsun ki? Model girdilerini, bilinen verilerdeki en küçük regresyon hatasına göre değil, önceki tahmin hatalarına göre seçmek mantıklıdır.

Sonunda, modelim şu şekilde adım adım açıklanabilir:

  1. Stlouisfed'den ekonomik veriler yükleniyor (yaklaşık 10 bin gösterge).
  2. Preobrazeum verileri sabit bir forma dönüştürün ve normalleştirin.
  3. S&P 500 endeksinin, RMS yöntemiyle (doğrusal regresyon) analitik olarak çözülen doğrusal bir modelini seçiyoruz.
  4. Geçmişin uzunluğunu (1960 - Q2 2015) seçiyoruz ve bunu bir eğitim segmenti (1960 - Q4 1999) ve bir test segmenti (Q1 2000 - Q2 2015) olarak ayırıyoruz.
  5. Tahminlere 1960 + N + 1'den başlıyoruz; burada N*4, bilinen üç aylık S&P 500 değerlerinin ilk sayısıdır.
  6. İlk N verisinde, her ekonomik gösterge için y_mod = a + b*x şeklinde doğrusal bir model oluşturulur; burada y_mod, S&P 500 modelidir ve x, ekonomik göstergelerden biridir.
  7. Her model için N + 1 bar öngörüyoruz.
  8. Her modele göre N + 1 çubukların tahmin hatalarını hesaplıyoruz. Bu hataları hatırlıyoruz.
  9. Bilinen S&P 500 değerlerinin sayısını 1 artırıyoruz, yani. N + 1 ve eğitim segmentinin sonuna ulaşana kadar 6-9 arasındaki adımları tekrarlayın (Q4 1999). Bu adımda, her bir ekonomik gösterge için 1960 + N +1'den 1999'un 4. çeyreğine kadar tahmin hatalarını kaydettik.
  10. Modeli tarihin ikinci döneminde test etmeye başlıyoruz (Q1 2000 - Q2 2015).
  11. 10 bin girdinin her biri için 1960 - Q4 1999 için tahminlerin standart hatasını hesaplıyoruz.
  12. 10 bin girdiden 1960 - 1999 4. çeyrek için en düşük RMS tahminine sahip olanı seçiyoruz.
  13. 1960 - Q4 1999 için her ekonomik gösterge için y_mod = a + b*x doğrusal bir model oluşturuyoruz.
  14. Her model için Q1 2000'i tahmin ediyoruz.
  15. Önceki zaman aralığı (1960 - Q4 1999) için tahminlerin en düşük RMS'sine sahip seçilen girdinin tahmini, Q1 2000 için ana tahminimiz olarak seçilmiştir.
  16. Q1 2000 için tüm girdilerin tahmin hatalarını hesaplıyoruz ve bunları önceki zaman periyodu için aynı girdilerin RMS'sine ekliyoruz (1960 - Q4 1999).
  17. Q2 2000'e geçin ve ana hedefimiz tahmini olan S&P 500'ün bilinmeyen değeriyle test alanının sonuna (Q2 2015) ulaşana kadar 12-17 arasındaki adımları tekrarlayın.
  18. Önceki bölümlerde tahminlerin en düşük standart sapmasına sahip girdiler tarafından yapılan Q1 2000 - Q4 2014 için tahmin hatalarını topluyoruz. Bu hata (err2) bizim örneklem dışı tahmin hata modelimizdir.

Kısacası, bir tahmincinin seçimi, önceki S&P 500 tahminlerinin RMS'lerine bağlıdır. Tahmin edici zamanla değişebilir, ancak test segmentinin sonunda temelde değişmeyi bırakır. Modelim, Q2 2015'i tahmin etmek için ilk girdi olarak 2 çeyrek gecikmeli PPICRM'yi seçti. 1960 - Q4 2014 için seçilen PPICRM(2) girişi ile S&P 500'ün lineer regresyonu aşağıda gösterilmektedir. Siyah daireler - doğrusal regresyon. Çok renkli daireler - 1960 - Q4 2014 için geçmiş veriler. Dairenin rengi zamanı gösterir.


Sabit S&P 500 tahminleri (kırmızı çizgi):

Ham formda S&P 500 tahminleri (kırmızı çizgi):

Grafik, modelin 2015'in ikinci çeyreğinde S&P 500'ün büyümesini öngördüğünü gösteriyor. İkinci bir girdi eklemek tahmin hatasını artırır:

1 err1=0.900298 err2=0.938355 PPICRM (2)

2 err1=0.881910 err2=0.978233 İZİN1 (4)

burada err1 regresyon hatasıdır. İkinci bir girdinin eklenmesiyle azaldığı açıktır. err2, rastgele tahmin hatasına bölünen ortalama karekök tahmin hatasıdır. Yani, err2>=1, modelimin tahmininin rastgele tahminlerden daha iyi olmadığı anlamına gelir. err2<1 modelimin tahmininin rastgele tahminlerden daha iyi olduğu anlamına gelir.

PPICRM = Üretici Fiyat Endeksi: Daha Fazla İşleme İçin Ham Maddeler

İZİN1 = Yapı Ruhsatı ile Yetkilendirilmiş Yeni Özel Konutlar - 1 Adet Yapılarda

Yukarıda açıklanan model bu şekilde yeniden ifade edilebilir. 10 bin ekonomisti bir araya getiriyoruz ve onlardan önümüzdeki çeyrek için piyasayı tahmin etmelerini istiyoruz. Her ekonomist kendi tahminini yapar. Ancak, yazdıkları ders kitabı sayısına veya geçmişte kazandıkları Nobel Ödülü sayısına göre bir tahmin seçmek yerine, tahminlerini toplamak için birkaç yıl bekliyoruz. Önemli sayıda tahminden sonra, hangi ekonomistin daha doğru olduğunu görüyoruz ve başka bir ekonomist onu doğrulukta geçene kadar tahminlerine inanmaya başlıyoruz.

Cevap basit - yıllık zaman dilimlerinde işlem yapın....
 
IvanIvanov :
Cevap basit - yıllık zaman dilimlerinde ticaret yapın....
Bu bir şakamı?
 
gpwr :
Bu bir şakamı?

:-) Şey, bilmiyorum.... analiz yıllarca sürerse..... o zaman ne üzerinde ticaret yapacağımı bilmiyorum... m5 üzerinde herhangi bir pratik etkisi olması pek olası değildir. ..

Alternatif olarak, hesaplamalarınızı H4'e uygulamayı deneyin ...

 

gpwr :

...Önemli sayıda tahminden sonra, hangi ekonomistin daha doğru olduğunu görüyoruz ve başka bir ekonomist onu doğrulukta geçene kadar tahminlerine inanmaya başlıyoruz...


Mnmm, bu tür Taleb siyah kuğuyla çelişiyor. Belirli koşullar altında iyi tahminlerde bulunan ekonomistler bir çöküşü nasıl tahmin edebilirler?

Aksine, nasıl değil, ama bu neden olacak? Ne de olsa haklı olduklarından eminler, neden bu haklılığı revize edecekler ki, biz de lemingleri coşkuyla uçuruma atalım.

 

İşte Keene'nin modeliyle ilgili makalesi:

http://keenomics.s3.amazonaws.com/debtdeflation_media/papers/PaperPrePublicationProof.pdf

Yine de modelini beğenmediğimi hemen söyleyeceğim. Amacı, GSYİH gibi piyasayı veya ekonomik performansı herhangi bir hassasiyetle tahmin etmek değil, ekonomik döngüleri ve çöküşleri açıklamaktır. Örneğin, onun modeli, kamu borcundaki bir artışın ekonominin çöküşüne yol açacağını öngördü. Ama tam olarak modeli ne zaman tahmin etmedi. Ayrıca kazadan sonra ne olacağını tahmin edemiyor. ABD'deki piyasa ve ekonomi 2009'da toparlansa da, teorik eğrilerinin tümü sonsuza gidiyor ve orada süresiz olarak oturuyor. Muhtemelen bu yüzden, bu toparlanma konusunda çok olumsuz olmaya devam ediyor, buna inanmıyor ve yirmi yıl süren Japonya'dan daha kötü büyük bir bunalımın geldiğini iddia ediyor. Bana öyle geliyor ki, tüm dinamik ekonomik modellerin sorunu bu: istikrara kavuşturulmaları zordur ve eğer istikrarsız hale gelirlerse, döngüler halinde hareket ederler ve artık geleceği tahmin edemezler. Her ne kadar tanınmış bir hedge fonu Keane'i ekonomik danışman olarak tuttu.

1...5678910111213141516171819...61
Yeni yorum