Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret 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
Katılıyorum, bunu kendim bile burada bir yere yazdım. Tüm tarih boyunca bir tahminci seçmek ve ardından aynı geçmişten ileriye dönük bir test kullanmak, tüccarlardan bilim adamlarına kadar herkesin yaptığı bir kendini aldatmadır. Ekonomiyi tahmin etmek hakkında yazılan birçok makale, seçilen tahmin edicilerin bir listesiyle başlar ve ardından "harika" sonuçları bildirir. Tüccarlar, "geçmişte çalıştıkları" için sıçrama veya koparma gibi stratejileri seçerler ve gelecekte çalışacaklarını ve strateji seçimlerinin BÜTÜN geçmişine ilişkin çalışmalarına dayandığını fark etmeden geçmişten ileriye dönük testler göstereceklerini umarlar. ileri test için geçmiş dahil. Benim için, GSYİH ve piyasa modelimin ileriye dönük testi gelecek olacak, bu yüzden bu başlığı açtım - tahminler yayınlıyorum, gerçek zamanlı olarak nasıl gerçekleştiğini görüyorum. İş bitmedi. Doğrusal olmayan veri dönüşümü için birçok fikir var. Örneğin, HOUST gibi bazı öngörücüler, bazı eşik işlevi aracılığıyla GSYİH büyümesini etkiler.
Doğrusal olmayan - evet.
Ve doğrusal olmayan bir işlev nasıl seçilir? Bir dizi farklı seçenek? Yoksa sadece sinir ağlarını mı kullanıyorsunuz?
Doğrusal olmayan - evet.
Ve doğrusal olmayan bir işlev nasıl seçilir? Bir dizi farklı seçenek? Yoksa sadece sinir ağlarını mı kullanıyorsunuz?
Ayrıca Random Forest'ı deneyebilirsiniz, kullanımı daha kolaydır ve ayrıca doğrusal olmayanları modeller.
Örnek: https://www.quora.com/How-does-random-forest-work-for-regression-1
Ortaya çıkan işlevin biçimi, yerleşik araçlar kullanılarak da tahmin edilebilir.
Ayrıca Random Forest'ı deneyebilirsiniz, kullanımı daha kolaydır ve ayrıca doğrusal olmayanları modeller.
Örnek: https://www.quora.com/How-does-random-forest-work-for-regression-1
Ortaya çıkan işlevin biçimi, yerleşik araçlar kullanılarak da tahmin edilebilir.
Doğrusal olmayan - evet.
Ve doğrusal olmayan bir işlev nasıl seçilir? Bir dizi farklı seçenek? Yoksa sadece sinir ağlarını mı kullanıyorsunuz?
Birlikte düşünelim. Basit bir adım işlevi seçmek istedim:
çıkış = giriş < eşik ise -1, giriş > eşik ise +1
burada eşik, farklı tahminciler için farklı olan bilinmeyen eşiğimizdir. Örneğin, S&P500 ve GDP artışları için eşik = 0, yani. bu göstergelerin düşüşü, bazı eşiklerin bastırılması değil, önemlidir. Diğer ekonomik göstergeler için bu o kadar basit değil. Eşik seçilmelidir. Simülasyon şöyle görünebilir:
1. Veri türünü belirleyin: tarihin başındaki ve sonundaki değerleri karşılaştırarak büyüyen (S&P500, GSYİH,...) veya aralık (işsizlik oranı, Fed oranları,...) - ihtiyacınız olan verileri belirlemek için sağlam bir otomatik yöntem hakkında düşünmek.
2. Veri büyüyorsa, bunları x[i] - x[i-1] artışlarıyla değiştiririz. Aralık ise, o zaman değiştirmeyin.
3. Simüle edilmiş bir çıktı seçiyoruz, örneğin GSYİH artışları (büyümesi) ve buna sıfır eşiği olan bir adım fonksiyonu uyguluyoruz, yani. GSYİH büyümesi, +/-1 ikili bir seri ile değiştirilir.
4. Bu şekilde tahmin yeteneği için tüm tahmin edicileri ve onların gecikmeli versiyonlarını sıralamaya başlıyoruz. 2. maddeye bağlı olarak tahmin ediciyi veya artışlarını alıyoruz, tüm geçmiş boyunca aralığını ölçüyoruz, bu aralığı örneğin 10'a bölüyoruz ve 9 eşik alıyoruz. 9 eşiğin her birini uygulayarak, bu tahmin ediciyi bir ikili +/-1 serisi ile değiştiririz ve simüle edilmiş serimizin (GDP) +1 ve -1 ile eşleşen tahmincimizin +1 ve -1 sayısını sayarız, şunu elde ederiz: M, öykülerdeki N toplam çubuk sayısıyla eşleşir. 9 programın her biri için M / N eşleşme sıklığının işlevini hesaplıyoruz ve en yüksek eşleşme sıklığını veren eşiği bırakıyoruz. Ve bunu her tahminci için tekrarlıyoruz. Hızlı hesaplama olmalı.
Biri yardım etmek isterse, buraya koyduğum verileri birkaç sayfa geriye alın ve deneyin. Şimdilik lineer modeli bitirmek ve sonra lineer olmayana geçmek istiyorum.
Not: S&P 500 ve GSYİH artışlarında negatif (-1) değerlerden çok daha fazla pozitif (+1) olduğundan, negatif değer tesadüflerini daha ağır bir şekilde ağırlıklandırmak için yukarıdaki yöntemde bir değişiklik yapılabilir, bu nedenle bu göstergelerdeki artışlardan ziyade düşüşlere odaklanılıyor. Örneğin, bir iyilik puanı şöyle görünebilir:
J = M(+1)/N + W*M(-1)/N
burada W, GSYİH büyümesinde pozitif değerlerden ne kadar daha az negatif değer olduğunu yansıtan >1 bir ağırlıktır.
2 veya daha fazla tahmin ediciye sahip bir model bulmak istiyorsak büyük bir problem ortaya çıkacaktır. Burada bu tahmin edicileri nasıl bağlayacağınızı düşünmeniz gerekir: AND, OR veya XOR işlevleri aracılığıyla. Bağlandığında, eşiklerin yeniden optimize edilmesi gerekir.
2 veya daha fazla tahmin ediciye sahip bir model bulmak istersek büyük bir problem ortaya çıkacaktır. Burada bu tahmin edicileri nasıl bağlayacağınızı düşünmeniz gerekir: AND, OR veya XOR işlevleri aracılığıyla. Bağlandığında, eşiklerin yeniden optimize edilmesi gerekir.
Biri yardım etmek isterse, buraya koyduğum verileri birkaç sayfa geriye alın ve deneyin.
Aynı verileri csv'ye dönüştürmek mümkün mü?
GSYİH'nın tamamlanmış doğrusal tahminleri. İşte iki blok ileride:
Modelde 3 adet oldukça yeterli olmakla birlikte 4 adet tahmin edici bulunmaktadır. 3-4 tahminciden sonra kalan kısım gürültü gibi görünüyor. GSYİH ile aynı yöntemi kullanarak S&P500'ü tahmin etmek pek iyi sonuç vermiyor. göstermiyorum bile. Ayrıca daha önce tanımladığım gibi doğrusal olmayan adım fonksiyon dönüşümlerini de hızlıca denedim. Bu, doğrusal regresyondan daha kötü çalışır.
Nisan sonunda yeni GSYİH değerinin açıklanmasını bekliyoruz. Şimdilik dinleniyorum.
kapatıyorum. İlk sütun, matlab formatında, Q1 1959'dan Q4 2015'e kadar olan tarihleri içerir. Sütunların geri kalanı, dönüştürülmemiş ekonomik ve finansal rakamları içerir. 1168. sütunda GSYİH.
GSYİH'nın tamamlanmış doğrusal tahminleri. İşte iki blok ileride: